Коровы держатся группами: изменения в поведении животных легче выявлять при системном мониторинге
~12 часов сохраняется запах после посещения фермы
Нейросеть для мониторинга здоровья коров
Определение упитанности и ранняя диагностика состояния стада с помощью компьютерного зрения и LiDAR
NDA
Заказчик Крупная российская компания (NDA), занимающаяся производством кормов для крупного рогатого скота и содержанием молочных ферм на 3000+ голов
Задача Автоматизировать мониторинг состояния коров: научить нейросеть определять степень упитанности (BCS) и выявлять отклонения, чтобы ветеринары и сотрудники фермы могли оперативно реагировать на ухудшение здоровья животных и управлять стадом на основе данных
Срок 2025
О проекте
На фермах состояние коров обычно оценивают вручную — визуально или выборочно, поэтому изменения в здоровье части стада замечают с опозданием. Мы разработали систему, которая автоматически оценивает упитанность каждой коровы по данным с камер и LiDAR и показывает отклонения от нормы. Это позволяет вовремя реагировать на проблемы со здоровьем животных и управлять стадом на основе данных, а не субъективных оценок.
Как это работает:
- Корова проходит мимо камеры, установленной над проходом в зону дойки
- На кадрах с камеры детектируется задняя часть каждой коровы
- Нейросеть определяет параметры упитанности и сравнивает их с нормой
- Результаты аналитики по каждому животному сохраняются в базе данных для формирования отчетов по фильтрам
- Аналитика помогает ветеринарам и фермерам в принятии решений относительно здоровья животного.
NDA
Заказчик Крупная российская компания (NDA), занимающаяся производством кормов для крупного рогатого скота и содержанием молочных ферм на 3000+ голов
Задача Автоматизировать мониторинг состояния коров: научить нейросеть определять степень упитанности (BCS) и выявлять отклонения, чтобы ветеринары и сотрудники фермы могли оперативно реагировать на ухудшение здоровья животных и управлять стадом на основе данных
Срок 2025
X40 к скорости
1
Подключение оборудование (камер и Lidar)
Подключили к камеры по RTSP потоку. Наладили генерацию датасета под обучение нейросети.
2
Сегментация изображений для разметки данных
Сегментировали изображения коров, а затем разметили ключевые точки задней части. Всего вышло 10 000 уникальных коров.
3
Обучение модели и извлечение параметров
На основе видео и 3D-данных рассчитываются физические параметры тела, которые невозможно стабильно оценивать вручную.
4
Внедрение и оценка состояния по модели
Нейросеть определяет индекс упитанности (BCS), сравнивает его с нормативами и выявляет отклонения на ранней стадии.
5
Передача отчетов
Настроили передачу отчетов несколько раз в сутки, а также интегрировались с RFID для идентификации животных.
6
Формирование цифровой истории животного
Все результаты сохраняются в базе данных и позволяют отслеживать динамику состояния каждой коровы во времени.
Интересные факты
Технологический стек
Frontend
Интерфейс пользователя: отчеты, графики, панели управления
Backend
Логика обработки и базовые компоненты системы
ML
Модели и фреймворки для обучения
Вызовы и решения
Угол обзора и размещение камер
При запуске системы важно было обеспечить стабильное качество данных в условиях существующей инфраструктуры фермы и ограничений по размещению оборудованияРЕШЕНИЕ
Выбор оптимальных параметров
Провели серию тестов с разными углами установки камер и параметрами съёмки, подобрали оптимальные конфигурации под геометрию проходов и освещение. Это позволило добиться устойчивой детекции без доработки инфраструктуры фермы.Обработка данных 3D-лидара (много лишних точек)
Использование лидара в сельскохозяйственной среде требовало точной настройки для получения репрезентативных данных без шумов и артефактов.РЕШЕНИЕ
Доработка алгоритмов облака точек
Настроили параметры оборудования и доработали алгоритмы обработки облака точек, применив фильтрацию и группировку данных. В результате лидар стал фиксировать только релевантные участки тела животных100 000 точек
Анализируется для построения 3D-модели тела коровы
3 раза в сутки
Проход каждой коровы через систему в зоне доения
3000+ голов
Одновременный мониторинг всего стада на ферме
Команда, которая внедрила проект
Дмитрий Долгин
Tech Lead
Константин Порошкин
ML-инженер
Дмитрий Соркин
DevOps-инженер
Марк Яговкин
Руководитель разметки данных
Никита Никонов
ML-инженер
Роман Фёдоров
Бизнес-аналитик
Планы на будущее:
Внедрение биометрии для идентификации каждой коровы и автоматическую оценку хромоты для раннего выявления проблем с движением.
Готовые проекты
Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.
Корпоративный ИИ
ИИ-ассистент закрывает 85–95 % рутинных административных запросов
Пилотный запуск
Анализ цветового состава руды на конвейере
ИИ для промышленности
Управление разогревом и перемещением термоцистерн с помощью ИИ
ИИ для промышленности
ИИ-анализ каротажных данных скважин
Разработка крупной системы
Нейросеть, которая контролирует состояние водителя, чтобы он не попал в ДТП
ИИ-транскрибация
Разработка сервиса ИИ-транскрибации с разделением спикеров
Мы в NeuroCore создаём решения на основе искусственного интеллекта и берём на себя полное проектирование, создание продукта, его тестирование и дальнейшую поддержку.
Наша цель — помогать бизнесу расти, сокращать издержки и ускорять процессы.
Интегрируем ИИ в ваши существующие бизнес-процессы и запускать автоматизацию бизнеса на всех этапах. Для этого используем готовые модули или обучаем нейросети на вашем датасете.
Предлагаем индивидуальную разработку, а для некоторых задач у есть готовые решения.
Ориентируемся на результат и SLA: прозрачные сроки, понятная цена, измеримая эффективность. Наши клиенты получают интеллектуальные инструменты, которые легко адаптируются к корпоративным IT-системам и любому языку.