Development and testing of infomation technology for cow identification | Разработка и тестирование информационной технологии для идентификации крупного рогатого скота

Inglés. It has been established that there are no commercial offers on the domestic market for the identification of animals through computer vision. The purpose of the research conducted in 2023-2024 is to develop and test information technology for identifying meat and dairy type cows. The works were performed at 3 agricultural enterprises situated in the Perm Region, Russia. Photo and video recording was used to train neural networks. Video clips were divided into frames, each of which was annotated. Collectively, they formed a dataset used to train the neural network of predetermined architecture. It consisted of images collected from 2MP digital cameras (Full HD video stream resolution: 1980×1024 pixels, 1,484 images) and 960H PAL analog cameras (qHD, 1/4 of Full HD resolution, 960×576 pixels, and 3,985 images). Three annotation formats were used for dataset tagging with frame boxes (bbox): Pascal VOC (XML), YOLO (TXT), and LabelStudio Video (XML/CSV). To identify animals, a statistics recognition study was conducted using neural networks ranging from 3-block to 12-block architectures, at a pitch of one block. When training the neural network, the target function was fed a reference (an image with the correct Id), a positive example (an image with the same Id) and a negative example (an animal with a different Id). After the demonstration of the first version, there was a switch to shooting animals with a drone, and on the updated dataset an accuracy of 0.82 for dairy cattle breeds and 0.73 for meat breeds was obtained when measured using sklearn.metrics.accuracy_score. Thus, an information technology system for animal video stream identification was developed and tested, achieving stable recognition of individual animals based on their silhouette. The approach suggested to animal identification is convenient because the refinement of the external classifier with an increase in the observed cattle population does not require retraining of the neural network.

Ruso. Установлено, что на отечественном рынке отсутствуют коммерческие предложения по идентификации животных посредством компьютерного зрения. Цель проведенных в 2023-2024 гг. исследований - разработка и тестирование информационной технологии для идентификации коров мясного и молочного направления продуктивности. Работы вели в 3 сельскохозяйственных предприятиях Пермского края. Для обучения нейросетей использовалась фото- и видеофиксация. Видеофрагменты были разбиты на кадры, каждый из которых был аннотирован. В совокупности они составили набор первичных данных, который был использован для обучения нейросети выбранной архитектуры. Он состоял изображений, собранных с цифровых камер 2МП (разрешение видеопотока FullHD, 1980×1024 пикселя, 1484 изображения) и c аналоговых камер 960H PAL (qHD, 1/4 от разрешения видеопотока FullHD, 960×576 пикселя, 3985 изображений). При разметке датасета использовали 3 формата аннотирования изображений обрамляющими прямоугольниками (bbox): Pascal VOC (XML), YOLO (TXT), LabelStudio Video (XML/CSV). Для идентификации животных провели исследование по статистике распознавания начиная от 3-блочной нейросети до 12-блочной, с шагом 1 блок. При обучении нейросети подавали на вход целевой функции эталон (изображение с правильным Id), положительный пример (изображение с тем же Id) и отрицательный пример (животное с другим Id). После демонстрации первой версии перешли на съемку животных дроном, и на обновленном датасете получили точность 0,82 для молочных пород крупного рогатого скота и 0,73 - для мясных пород при измерении через sklearn.metrics.accuracy_score. Была разработана и протестирована информационная технология для идентификации животных на видеопотоке, в которой достигнуто стабильное распознавание особей по силуэту. Предложенный подход по идентификации животных удобен тем, что доработка внешнего классификатора при увеличении наблюдаемого поголовья крупного рогатого скота не требует переобучения нейросети.