Разработка AI-системы для мониторинга животноводства

Почему AI-мониторинг животноводства не доходит до результата

Типовая картина на комплексе: камеры в проходах и над кормовым столом пишут круглосуточно, на животных — датчики активности, доильный зал отдаёт журнал по каждому доению, зоотехник ведёт записи об обработках. Данные есть, объём растёт, но решения по стаду принимаются по-старому — обход дважды в день и глазомер. Сигнал о хромоте, мастите или травме доходит до человека, когда животное уже отказывается от корма или проседает удой.

Причина не в нехватке наблюдений, а в разрозненных данных с фермы. Видеопоток живёт в одной системе, показания датчиков — в другой, журнал доения — в третьей, и у них разная частота записи, разные идентификаторы животных, разные часовые метки. Свести это в одну шкалу времени по конкретной корове вручную нельзя: пока аналитик сопоставит выгрузки, случай либо прошёл, либо перешёл в хронику.

Цена позднего выявления болезней считается не по одному эпизоду. Лечение начинается на вторые-третьи сутки после реального старта, поэтому растёт доля повторных обработок, часть животных уходит в выбраковку, а потери продуктивности копятся по группе неделями — на наших проектах это 5–12% удоя на проблемном участке.

Отдельная проблема — шум. Если система без разметки и калибровки порогов выдаёт десятки срабатываний за смену, персонал перестаёт реагировать даже на верные, и контроль стада превращается в формальность. Разбираем, как это закрывается — от единой шкалы времени по каждому животному до порогов, с которыми смена реально работает.

Измеримые эффекты: что меняется на ферме после внедрения

Эффект считается по срокам реакции, долям закрытых сценариев и классам отказов, которые ушли. Метрики фиксируем до запуска и повторяем замер через месяц — тогда видно, что изменилось.

Раннее выявление болезней и падеж

Детекция по видеопотоку с кормового прохода работает на модели семейства YOLO: снижение активности, отказ от кормушки, хромота, атипичное положение тела. Сигнал приходит за 12–36 часов до клинических признаков, лечение начинается, пока животное ещё не выведено из группы. Уходит класс отказов «нашли при плановом обходе, когда поздно».

Контроль кормления по группам

Система считает, сколько корма фактически доходит до каждой группы, и сопоставляет с рационом. Расхождение видно в тот же день, а не по итогам месяца: перекорм одной группы и недокорм другой выравниваются, доля несъеденных остатков на кормовом столе падает.

Прогноз продуктивности

По потреблению и поведению строится прогноз надоя или привеса по группе на 7–14 дней вперёд. Зоотехник видит отклонение раньше, чем оно превращается в провал по валу, и успевает скорректировать рацион.

Нагрузка на скотников

Обход всего поголовья заменяется адресным списком: за смену приходит 10–15 задач вместо осмотра всех животных подряд. Время уходит на тех, кому реально нужна помощь, а не на визуальный контроль ради контроля.

Варианты развёртывания: облако, локальный контур, гибрид

Схему размещения обработки выбирает не модель, а площадка: пропускная способность каналов связи на ферме, стабильность питания, требуемая глубина хранения архива и то, кто первым видит тревогу. Там, где канал один и мобильный, выгрузка всего видеопотока в облако даёт потери кадров на каждом разрыве — часть событий не доезжает до обработки вовсе.

Обратный случай — распределённые площадки без дежурного специалиста: локальный узел некому обслуживать, и надёжнее считать в облаке, оставив на месте только буфер записи на несколько часов. Между этими крайностями укладывается гибридная схема: критичные события разбираются на месте, архив уезжает в часы низкой нагрузки.

На старте считаем три величины: долю кадров, которую нельзя потерять, нужную глубину архива и допустимое время реакции на событие. Эти цифры и определяют, где ставить обработку — остальное следствие.

Этапы внедрения: от обследования фермы до эксплуатации

Внедрение AI-мониторинга животноводства — это последовательность инженерных работ, а не монтаж камер. Порядок фиксированный: понять площадку, спроектировать обзор, обучить модель на местных данных и только потом выводить систему в эксплуатацию.

1. Обследование фермы. Обходим коровники в разное время суток: фиксируем освещение и контражур от ворот, перепады высот, зоны плотного скопления животных, точки питания и связи, маршруты поголовья и персонала. Результат — карта ограничений площадки, которые нельзя обойти монтажом.
2. Схема размещения камер. Считаем ракурсы и перекрытия, высоту подвеса, наклон и дистанцию до линии движения. Животное должно попадать в кадр целиком на входе и выходе из доильного зала, а кадры соседних камер стыкуются без «слепых» отрезков.
3. Настройка модели под породу. Размечаем кадры с местным телосложением, мастью и рисунком пятен, дообучаем модель на локальной выборке. Отдельно подбираем пороги чувствительности, чтобы групповое поведение не давало всплеск ложных срабатываний.
4. Сборка контура обработки. Вычисления идут на объекте — короче отклик и меньше трафика. События пишутся с метками времени, при обрыве связи буферизуются и уходят в журнал после восстановления, поэтому в истории не остаётся пропусков.
5. Проверка на реальном потоке. Несколько недель система работает параллельно с ручным наблюдением: сверяем срабатывания, разбираем расхождения, подстраиваем пороги и зоны интереса. Здесь же отрабатываем отёл, драки и хромоту.
6. Регламент и обучение персонала. Договариваемся, что делать при срабатывании, кому уходит уведомление и как помечать ложные события, чтобы они попадали в дообучение.
7. Передача в эксплуатацию. Передаём доступы, схемы, конфигурации, журнал изменений модели и план её обновления при смене поголовья или перепланировке коровника.

Комплект передачи: модели, схемы, регламенты и доступы

После запуска у заказчика остаётся не только работающий контур, но и комплект, по которому система живёт и развивается без нас. Передаём его в закрытый репозиторий заказчика и в виде печатных приложений для службы эксплуатации — чтобы при смене инженера не приходилось восстанавливать логику по памяти.

• Паспорт системы — назначение, границы применимости, состав модулей, перечень подключённых камер и датчиков, точки интеграции с учётными системами хозяйства.
• Схемы размещения — привязка камер и датчиков к секциям, зонам кормления и доения, углы обзора и перекрытия, участки, где поведение животных видно достоверно, а где модель работает с оговоркой.
• Документация по системе — описание потоков данных, форматов выгрузок, порогов и настроек, инструкции по типовым операциям: добавить камеру, разметить зону, перезапустить узел.
• Регламент реагирования — какие события считаются значимыми, с какой задержкой они уходят ответственному, кто и за какой срок закрывает сигнал, что попадает в журнал.
• Права доступа к данным — матрица ролей: кому доступны сырые записи, кому только агрегаты, кто выгружает данные, сроки хранения и правила обезличивания при передаче третьим лицам.
• Карточка моделей — на каких данных обучались, метрики на отложенной выборке, известные ограничения и классы ситуаций, где требуется подтверждение оператора.
• Порядок обновления — как отслеживается снижение качества, кто принимает решение о дообучении и как выполняется откат на предыдущую версию.

Кейс: молочный комплекс, метрики мониторинга до и после

Что было на площадке до внедрения

На комплексе уже работали доильные залы и вёлся учёт стада в DairyComp, но данные жили врозь: надои — в контроллерах зала, активность — в ошейниках, ветобработки — в бумажном журнале. Оператор узнавал о проблеме по факту: корова уже отказывалась от корма, телёнок переставал пить. Квартальные замеры дали такую картину: падеж молодняка держался на 8–9%, на первые сутки выявлялось меньше половины отклонений в поведении, средняя задержка до осмотра — двое-трое суток.

Что изменили

Свели потоки в одно хранилище и обучили модели на двухлетней истории: по каждой голове считается своя норма надоя, активности, потребления корма и воды, а сигнал поднимается только при устойчивом выходе за коридор. Ветврач получает не поток тревог, а список приоритетов с указанием, что именно отклонилось и как давно, — осмотр успевает пройти до того, как состояние перейдёт в потерю.

Метрики до и после

Отдельно виден эффект по учёту стада: расхождения между журналом и фактическим наличием голов сократились, потому что система ежедневно сверяет движения животных с записями, а не полагается на ручную выверку в конце месяца.

Что делать, если на ферме уже стоят камеры и датчики?

Начинаем с инвентаризации, а не с закупки: ракурсы, зоны покрытия, качество потока, глубина архива. Камеры, которые уже стоят, обычно годятся — вопрос в том, попадают ли в кадр зоны кормления, проходы и места лежания. Итог — карта покрытия: где хватает имеющегося, где нужен доворот, а где добавляем точку.

Второй учёт не строим: модуль подтягивает справочник животных и групп из вашей системы. Если учёт ведётся в Afimilk или аналогичной платформе, события из видео ложатся на те же идентификаторы — бирку, номер, группу. Обмен идёт выгрузками или через программный интерфейс, а расхождения попадают в журнал и разбираются вручную.

История не теряется: архив прогоняем пакетно, и модель отдаёт ретроспективу поведения за прошлые периоды — графики не начинаются с нуля в день запуска. Кадры, где животное не распознать уверенно, помечаем как пропуск данных, иначе плохая запись превратится в ложную «нулевую активность».

Замену ведём поэтапно, по зонам, в окна между кормлениями и дойками. Новый контур первое время работает параллельно: читает те же потоки и ничего не переключает, пока точность не подтвердится на ваших животных и освещении. Откат — вернуть поток на прежний регистратор.

Совместимость потоков проверяем до монтажа: камеры отдают видео по открытым стандартам, аналитика подключается дополнительным потребителем и не отбирает поток у регистратора. Нагрузку на сеть и глубину хранения считаем заранее, чтобы расширение не сломало работающий архив.

Технические сомнения: связь, качество данных, персонал

Сомнения на таких проектах редко касаются самой модели — они касаются эксплуатации: связь на дальних корпусах, свет в стойле, реакция людей на тревогу. Ниже — четыре вопроса, которые инженеры заказчика задают первыми, и то, как мы их закрываем на объекте.

Хватит ли качества изображения ночью и в контражуре?

Камеры подбираем под реальную освещённость: инфракрасная подсветка, работа в сумерках, отдельная настройка экспозиции для зон, куда падает свет из проходов. Если сцена объективно не читается, скажем на замере до старта, а не после.

Как отсекаются ложные срабатывания?

Схема двухступенчатая: детектор выделяет объект и класс, второй шаг проверяет траекторию и время — животное стоит, лежит или движется. Порог уверенности калибруем на записях конкретного корпуса, поэтому чувствительность настраивается под ваше стадо, а не остаётся заводской.

Персонал будет этим пользоваться?

Обучение занимает две-три короткие сессии: работа с интерфейсом, разбор спорных срабатываний, порядок действий при тревоге. Инструкция остаётся на объекте, а первые недели мы разбираем ошибки на записях операторов — так настройки доводятся до рабочего режима.

Как ведёт себя система зимой?

Купола ставятся с обогревом, крепления — вне зон обледенения, в регламент обслуживания входит очистка оптики. Пороги пересматриваем по зимним записям: иней и низкое солнце меняют картинку сильнее, чем кажется.

Обсудим задачу: что нужно от вас для старта работ

Чтобы оценка сроков опиралась на факты, а не на предположения, нам нужен набор исходных данных по площадке. Ниже — что запрашиваем на первом разговоре: часть вы уже знаете, остальное уточним вместе.

• Перечень площадок и корпусов: поголовье, секции, как они связаны между собой — от этого зависит схема сбора данных и число точек контроля.
• Что уже установлено: камеры, датчики, весовое и доильное оборудование, средства идентификации животных — модели, ракурсы, зоны покрытия.
• Как события фиксируются сейчас: журналы обхода, таблицы, бумажные записи — что должно уйти в систему, а что остаётся ручным.
• Какие решения нужны от системы и в каком приоритете: контроль активности и кормления, учёт, раннее выявление отклонений, отчётность.
• Кто пользуется результатом и с какого устройства: оператор в корпусе, зоотехник, руководитель — это определяет формат вывода и уведомлений.
• Ограничения площадки: сеть и питание, помещение под оборудование, санитарный регламент и порядок доступа персонала.
• Критерии приёмки: что считаем результатом — полнота фиксации событий, задержка сигнала, доля корректно распознанных животных.

С этим набором мы возвращаемся с оценкой сроков, схемой решения и планом работ. Порядок запуска обсуждаем отдельно: сначала разворачиваем контур на одной площадке, сверяем показатели с ожиданиями, затем переносим на остальные. Опишите задачу — уточним недостающее и зафиксируем этапы.