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. //Body Condition Score (BCS) in dairy cattle is used to monitor animal energy status and to identify the risks of metabolic and reproductive disorders. In industrial video recording, the accuracy of automated BCS estimation is limited by the displacement of reference anatomical landmarks. This displacement arises due to changes in animal posture, walking speed, uneven lighting, glare, and shadows. The study aimed to develop an adaptive video-frame selection algorithm to improve the detection accuracy of reference keypoints and contour landmarks in automated body condition assessment of dairy cattle. The research material consisted of video sequences of 983 dairy cows. For analysis, a system of reference points and contour landmarks of the pelvic region was used. Image processing was performed using a multitask neural network model for localizing key points and contours, followed by BCS prediction on a 1-5 scale. The developed algorithm included adaptive frame sampling based on animal walking speed, visibility assessment of anatomical zones, and component-wise selection of the most informative frames to form a consistent set of features. Application of the algorithm resulted in a reduction of the mean absolute error in BCS estimation from 0.34 to 0.22 score points, an increase in the proportion of predictions within ±0.5 points from 86.2% to 93.7%, and an improvement in the weighted Cohen’s κ coefficient from 0.74 to 0.86. The normalized localization error of reference keypoints decreased from 0.071 to 0.048. The findings confirm that adaptive frame preprocessing enhances the accuracy and robustness of automated body condition assessment under industrial video recording conditions.

• ЗООТЕХНИЯ, БИОЛОГИЯ И ВЕТЕРИНАРНАЯ МЕДИЦИНА
• Алгоритм адаптивной дискретизации видеопотока для повышения точности детекции реперных анатомических ориентиров КРС в задачах оценки их упитанности
• Анастасия Владимировна Греченева*, Евгения Сергеевна Латынина, Магдалина Алексеевна Акимушкина, Максим Дмитриевич Бакнин
• LIVESTOCK BREEDING, BIOLOGY AND VETERINARY MEDICINE
• An adaptive video stream sampling algorithm for improving the detection accuracy of reference anatomical landmarks in cattle for their body condition assessment
• Anastasia V. Grecheneva*, Evgeniya S. Latynina, Magdalina A. Akimushkina, Maxim D. Baknin