А. В. Греченева Оценка упитанности молочного крупного рогатого скота по шкале Body Condition Score (BCS) используется для контроля энергетического статуса животных и выявления рисков метаболических и репродуктивных нарушений. При производственной видеосъемке точность автоматизированного определения BCS ограничивается смещением реперных анатомических ориентиров, возникающим вследствие изменения позы животного, скорости прохода, неравномерного освещения, бликов и теней. Целью исследований являлась разработка алгоритма адаптивного выбора кадров видеопотока для повышения точности детекции реперных точек и контурных ориентиров в задачах автоматизированной оценки упитанности крупного рогатого скота молочного направления продуктивности. Материал исследований составили видеопоследовательности 983 коров молочного направления продуктивности. Для анализа использовали систему реперных точек и контурных ориентиров тазовой области, а обработку изображений выполняли многозадачной нейросетевой моделью локализации ключевых точек и контуров с последующим прогнозом BCS по шкале 1-5. Разработанный алгоритм включал в себя адаптивную дискретизацию кадров по скорости движения животного, оценку наблюдаемости анатомических зон и покомпонентный отбор наиболее информативных кадров для формирования согласованного набора признаков. Применение алгоритма обеспечило снижение средней абсолютной ошибки оценки BCS с 0,34 до 0,22 балла, увеличение доли оценок в пределах ±0,5 балла с 86,2 до 93,7% и рост взвешенного коэффициента Cohen’s κ с 0,74 до 0,86. Нормированная ошибка локализации реперных точек уменьшилась с 0,071 до 0,048. Полученные результаты подтверждают, что адаптивная кадровая предобработка повышает точность и устойчивость автоматизированной оценки упитанности в условиях производственной видеосъемки.
Научная статья 
нейросетевая модель