Разработка алгоритма идентификации скрытого мастита коров на основе комплексирования данных с датчиков на животноводческом предприятии

Размещено на http://www.allbest.ru/

УДК 004.896

Разработка алгоритма идентификации скрытого мастита коров на основе комплексирования данных с датчиков на животноводческом предприятии

Антонов Л.В.

Владимирский государственный университет, Муромский институт (филиал

Аннотация

Рассмотрена проблема выявления скрытого мастита на животноводческих предприятиях. Доказана необходимость в автоматизации процесса идентификации мастита. Проанализированы биологические методы определения болезни и определены признаки, косвенно влияющие на возникновение мастита у коров. Рассмотрены основные методы комплексирования данных для выделения комплексного признака. Предложен новый алгоритм идентификации мастита животных на основе комплексирования данных с сенсорных датчиков на животноводческом предприятии. Разработанный алгоритм повысил точность идентификации болезни на 6,5% по сравнению с общепринятым методом определения мастита.

Ключевые слова: КОМПЛЕКСИРОВАНИЕ ДАННЫХ, ЖИВОТНОВОДЧЕСКОЕ ПРЕДПРИЯТИЕ, МАСТИТ

Введение

Одной из самых распространенных незаразных болезней животных, встречающихся на молочных предприятиях, является мастит. Данное заболевание имеет два основных вида: субклинический (скрытый) и клинический (с открытыми визуальными симптомами болезни). Наиболее опасным из них является субклинический, когда внешне вымя и выделяемое молоко выглядят абсолютно нормальными. Скрытый мастит встречается в 5-10 раз чаще, чем клинический. Если субклинический мастит не обнаружить своевременно, то через некоторое время он переходит в клиническую стадию, что приводит к необходимости снятия животного с производства для лечения с использованием антибиотиков, после которых молоко животного становится непригодным для дальнейшей переработки [1]. Опасность мастита заключается в том, что животные могут заболеть в любое время года, в любой стадии производственного цикла, будь то в первые дни послеродового периода, в период максимальной лактации и даже в сухостойный период, что заключает в себе дополнительную опасность: в это время животное перестает давать молоко и, следовательно, состоянию вымени животного может не уделяться достаточного внимания [2].

Мастит является одной из самых распространенных причин массовой выбраковки животных. Статистика, приведенная в [3, 4], показывает, что в хозяйствах разных форм собственности 5-35 % от общего количества выбракованных животных составляют коровы с маститом, сопровождающимся атрофией долей вымени. В [1] приводятся цифры, демонстрирующие, что общая заболеваемость маститом у дойных животных в любом виде хозяйств составляет 24-45 %. Процедура выявления болезни требует непосредственного ветеринарного осмотра и химического анализа молока, по возможности из разных долей вымени животного. Последствия мастита также серьезны. Последующая лактация успешно вылеченных животных становится менее продуктивной на 7-32 % относительно среднего удоя стада [5]. Таким образом, возникает острая проблема идентификации случаев субклинического мастита на ранних стадиях заболевания животного.

Постановка задачи

Для выявления субклинического мастита обычной практикой является дорогостоящий и сложный клинический анализ. Его суть сводится к исследованию взятой из вымени больного животного пробы молока на предмет повышенного содержания соматических клеток: проводится комплексный химический анализ с использованием дорогостоящих реактивов [6]. В работах [7, 8] предлагается использовать низкоинтенсивное лазерное излучение для облучения поврежденных частей вымени. Лазерная терапия в совокупности с применением препаратов показывает более быстрое восстановление повреждённых долей вымени, чем обычное лечение. В работах [6, 9, 10] рассматривается проблема применения инновационных лекарств для лечения заболевших животных, выделены последствия применения новых препаратов.

Стандартные процедуры по обнаружению мастита включают в себя несколько различных методов, применяемых в совокупности:

- клиническое обследование вымени и секреции молока;

- тест на вкусовое качество молока;

- химический анализ и измерение электропроводимости молока.

Клиническое обследование подразумевает первоначальный осмотр вымени и, в соответствии с [11], требует наличия информации об общем состоянии животного, включая данные о текущем состоянии, кормовой базе, прошлых заболеваниях, возрасте и молочной продуктивности. Следующим шагом является подробный осмотр вымени животного ветеринаром.

Тест на вкусовые качества молока является дополнительным и мало распространенным. Тем не менее, при возникновении мастита количество соматических клеток увеличивается, что приводит к изменению состава молока и появлению слегка солоноватого вкуса.

В [12, 13] установлено, что при возникновении мастита в молоке увеличивается количество натрия, хлора, а также повышается кислотность. Для проведения подобного анализа используются специальные реагенты и оборудование. В работе [14] говорится об использовании величины электропроводности молока в качестве критерия определения мастита. При этом доказано, что при возникновении мастита электропроводность увеличивается за счет появления в молоке солей, ионов натрия и хлора.

Теперь рассмотрим другую проблему, рассматриваемую в работах [15-17]. Для дойного стада, где поголовье достигает нескольких тысяч животных, обнаружение скрытого мастита - задача очень трудоемкая. Для точной идентификации требуется ветеринарный осмотр с последующим химическим анализом, что занимает от нескольких часов до нескольких суток, в зависимости от загруженности лаборатории и врачей предприятия. В этом случае большая часть животных остается необследованными, поэтому в работах [12-14, 18] рассматриваются методы отсечения и сокращения количества исследуемых животных. На основе второстепенных признаков формируется предварительная выборка животных с подозрением на мастит, после чего принимается дальнейшее экспертное решение о лечении каждой особи.

С другой стороны, в работах [19-22] говорится о большом количестве различных датчиков, установленных на животных предприятия и используемых для решения узкоспециализированных задач. При решении ряда проблем, в том числе и идентификации мастита, часть полезной информации с датчиков может теряться или не использоваться. Но информация с отдельных типов датчиков также может быть полезна в рамках решения задач автоматизации процесса определения скрытого мастита на молочных предприятиях.

На основе проведенного анализа биологических методов определения мастита можно сделать вывод о том, что для точной идентификации болезни необходим непосредственный ветеринарный осмотр и химический анализ молока, по возможности из разных долей вымени животного. Подобный анализ характеризуется высокой временной сложностью и требует использования дорогостоящей аппаратной базы или даже оборудованной лаборатории внутри предприятия. В условиях рискованного земледелия, в умеренных широтах, с жесткими погодными условиями и небольшой продолжительностью светового дня добиться высоких надоев, позволяющих предприятию зарабатывать достаточно для оборудования собственной лабораторной станции, крайне затруднительно. Заболевание маститом является самой распространенной болезнью на фермах любого типа, а задача идентификации мастита - одной из ключевых. Точное диагностирование скрытого мастита занимает много времени и требует серьезных финансовых затрат. В качестве способа снижения затрат на выявление животных, больных маститом, предлагается создание и применение алгоритмов, использующих данные, получаемые с разнообразных датчиков, применяемых на предприятии.

Анализ методов комплексирования данных

Животноводческое предприятие можно представить как динамическую систему, в которой изменение состояния животных описывается динамическим набором значений параметров, полученных с мониторинговых сенсоров. В работе [23] подходы к описанию поведения динамических систем разделяются на два типа. Первый подразумевает точное априорное знание законов, по которым развивается система, и описание связей между элементами системы. В этом случае модель формирования исходных данных описывается с помощью системы дифференциальных уравнений. В данной статье рассматривается проблема определения заболевания животных маститом на основе анализа ряда параметров производственного процесса молочного предприятия. Второй подход предполагает использование данных, закон распределения которых неизвестен. В этом случае невозможно описать связь между выходными данными сенсоров и экзогенными факторами, включающими общие сведения об обстановке на предприятии, индивидуальные особенности каждого животного и особенности производственного процесса конкретного предприятия [24-31]. В данной ситуации воспользуемся вторым подходом для описания поведения динамической системы.

Состояние животного определяется значениями случайных функций, полученных с различных датчиков:

S(t) = (r1(t), r2(t), … . rN(t)),

где, ri(t) - значение датчика в момент времени t (i = 1, … , N), N - число датчиков, установленных для мониторинга производственного процесса.

В этом случае можно поставить задачу построения многомерной модели данных для определения мастита животного на основе алгоритма анализа временных рядов значений производственных характеристик.

В работе [14] статистически с помощью коэффициента корреляции Пирсона установлено, что имеется прямая зависимость между значением измеряемого показателя электропроводности молока и возникновением мастита. Этот факт положен в основу разработки метода уточнения диагноза мастита. В работе [32] указывается, что при возникновении клинического мастита наблюдается существенное снижение молочной продуктивности животного, и минимальное падение производительности составляет 10-15 % за лактацию, в зависимости от формы и степени распространения болезни. В [14, 32] также отмечается, что при скрытой (субклинической) форме молокоотдача снижается незначительно. Таким образом, можно сделать вывод о том, что в качестве факторов, косвенно указывающих на присутствие мастита у животного, можно принять молочную продуктивность особи и электропроводность молока.

Комплексирование этих признаков позволяет сформировать математическую модель, которая позволит осуществлять выборку животных, заболевших маститом, что значительно снизит объем работы сотрудников предприятия по поиску больных коров среди всего стада.

Говоря о совмещенном анализе при обработке данных временных рядов, обычно имеют в виду методы агрегирования, объединения или слияния данных с помощью формирования математической модели изучаемого объекта с меньшим числом измерений, чем в исходных данных, полученных с сенсоров.

Существует множество методов комплексирования данных, которые решают различные типы задач, по большей части связанных с распознаванием и прогнозированием. В [23] рассматривается ряд подходов для представления и анализа временных рядов. Процедура выбора конкретного метода зависит от вида исходных данных. В зависимости от вида исходных данных, математические модели и методы, используемые для их построения, разделяют на параметрические и непараметрические.

Параметрические модели предполагают точное определение набора параметров, характеризующих модель. В данном случае применяются: авторегрессионый анализ, метод пространства состояний и методы, основанные на стохастической аппроксимации.

В настоящее время также получили широкое распространение непараметрические модели, например, подход с использованием регрессии на основе метода опорных векторов. Данные модели универсальны и независимы от априорных знаний, ориентируются на общие сведения об исследуемых явлениях, не учитывают природу изучаемых объектов и поэтому более гибкие. С другой стороны, в [33] говорится о невозможности четкого разделения методов обработки данных по критерию параметризации, поэтому оптимальным вариантом является применение нескольких способов для построения параметрической модели.

Существует ряд алгоритмов, необходимых для непосредственного слияния данных сенсоров. Проблема интеграции данных изначально приобрела актуальность в области обработки изображений и теории оценивания [34]. Первые работы в этой области были направлены на дифференциальное комбинирование геометрических данных со снимков авиационного датчика. Большой вклад в развитие теории комплексирования признаков внесли Брукс [35], Чатила [36], Дюрант-Вайт [37], Калман [38] и др.

Фильтр Калмана

В середине 80-х годов для слияния данных cтал активно использоваться предложенный Калманом в 1960 году метод оценки линейных систем, основанный на рекурсивном алгоритме в виде системы дифференциальных уравнений. Фильтр Калмана используется для формирования вектора состояния исследуемой динамической системы. Алгоритм получает на вход зашумленные данные из различных источников, производит их слияние и сглаживание, в результате чего получается оценка состояния системы в текущий момент времени на основе исторических данных измерений. Далее производится оценка работы алгоритма на основе сравнения текущих показаний измерений и рассчитанной оценки алгоритма, после чего корректируются коэффициенты математической модели для более точного расчета оценки состояния в следующие моменты времени. Фильтр Калмана схож с методом максимального правдоподобия, где в модели необходимо оценить параметр для максимизации выборочной плотности. В работах [39-41] показан хороший результат применения фильтра Калмана для решения задачи сглаживания данных и прогнозирования состояния системы.

Стоит отметить, что данный алгоритм не может быть применен для решения задачи комплексирования данных животноводческого предприятия по нескольким причинам. Во-первых, в большинстве работ фильтр Калмана показывает оптимальный результат, так как данные, принимаемые им на вход, являются однородными: снимаются с датчиков одинакового типа и в большинстве случаев измеряются в одних и тех же единицах. В этом случае фильтр Калмана является механизмом для получения сглаженного вектора показателей однородной информации. Во-вторых, рассматриваемый алгоритм решает задачу прогнозирования состояния системы в текущий момент времени на основе предыдущих измерений. В случае же решения задачи оценки мастита животного должна решаться задача распознавания, а не прогнозирования.

Сети Байеса

Принятие решения на основе совмещенного анализа нескольких факторов возможно при использовании сети Байеса. В Байесовской сети, представленной в виде графа, в каждом узле находится значение показателя датчика. Связь между узлами осуществляется в виде отношения правдоподобия. Значение отношения правдоподобия соответствует некоторой вероятности, вычисляемой в зависимости от величины в узле графа, для этого существуют специальные функции [34]. В данном случае для каждого узла сети может быть вычислена вероятность возникновения того или иного события.

Теория Демпстера-Шефера

В отличие от Байесовской модели, теория Демпстера-Шефера учитывает варианты, когда вероятность возникновения одного события больше, чем другого. Таким образом, вместо вычисления вероятности возникновения события рассчитывается степень уверенности в возникновении этого события. Показатель уверенности называется доверительной функцией [34]. Данный подход оперирует мерами, характеризующими интервал, куда должна входить точная величина вероятности события: поддержка и правдоподобие. На основе возможности вычисления вероятностного интервала и учета неопределенности каждого датчика данный метод является более гибким, чем сети Байеса [34].

Решая задачу комплексирования данных, нельзя обойти вниманием факторный анализ данных и метод главных компонент, которые призваны уменьшить число размерностей рассматриваемых данных. В ситуации, когда дана выборка многомерных объектов, необходимо найти такую функцию преобразования, которая уменьшила бы количество измерений и при этом сохранила большую часть полезной информации. В данном случае следует коснуться основного метода факторного анализа: анализ главных компонент (преобразование Карунена-Лоэва). Подход предполагает поиск линейного преобразования, или гиперплоскости заданной размерности (где размерность гиперплоскости меньше, чем размерность исходного пространства данных), такую, чтобы ошибка проецирования выборки на данную гиперплоскость была бы минимальной. В этом случае происходит сдвиг начала координат в центр выборки; производится поворот осей таким образом, чтобы признаки не коррелировали; осуществляется избавление от координат с малой дисперсией. Особенность метода анализа главных компонент заключается в том, что данные исходных признаков должны быть нормированы, так как при вычислении евклидовых норм временных рядов признаки могут оказаться неравнозначными из-за разницы единиц, в которых они измеряются. Факторный анализ показывает хорошие результаты в случае большого количества параметров (измерений). В нашем же случае количество параметров не так велико, поэтому не имеет смысла понижать размерность исследуемых данных, рискуя потерять большое количество полезной информации.

В случае решения задачи определения мастита по показателям молокоотдачи и электропроводности воспользуемся уравнением линейной регрессии, которое позволит аппроксимировать исходный набор данных и рассчитать комплексный признак для идентификации болезни.

Разработка алгоритма выявления скрытого мастита на основе выделения комплексного признака

В качестве исходных в исследовании были использованы данные по 800 животным с реального животноводческого предприятия. Ранее была установлена связь признаков молочной продуктивности, электропроводности с возникновением мастита у животного. Эти параметры являются входными. Наличие у животного мастита является выходным параметром математической модели. Оно представлено в базе данных в виде 0 и 1 и определялось экспертом-зоотехником на предприятии. Таким образом, имеем набор из трех параметров.

Введем ряд обозначений. Пусть t - среднее количество дней в лактации (примерно 305 дней), n - количество животных предприятия, µi(t) - значение каждого дня наблюдения показателя молокоотдачи, зi(t) - значение каждого дня наблюдения показателя электропроводности, нi(t) = {0 ,1} - наличие или отсутствие, по мнению эксперта, у животного мастита.

В общем виде математическая регрессионная модель будет выглядеть следующим образом:

нi(t) = k1 µi(t) + k2 зi(t) + b,(1)

где i = 0,1…n.

Таким образом, для оценки коэффициентов регрессии k1 и k2 необходимо найти зависимости между входными и выходным параметрами. Регрессионный анализ позволяет определить влияние отдельных независимых признаков на итоговый - зависимый. Если представить выходные параметры µ(t) и з(t) в виде матрицы X с двумя столбцами, а выходной параметр н(t) принять за вектор Y, то, согласно методу наименьших квадратов, вектор оценок коэффициентов регрессии получается из выражения:

r = (XTX)-1XTY(2)

Но применение регрессионной модели и метода наименьших квадратов предполагает соразмерность значений параметров, поэтому разность |µi(t) - зi(t)| (где i = 0,1…n) не должна быть большой. В нашем случае показатель молокоотдачи измеряется в тысячах мл в день, а электропроводность молока в нескольких мСм/см, что в соответствии с определением евклидовой нормы делает один признак намного более значимым, чем другой, хотя на самом деле это не так. Также стоит отметить, что входные параметры имеют разные функции распределения. Для корректных результатов работы математической модели необходимо сделать признаки инвариантными ко времени. Таким образом, необходимо провести предобработку данных, выполнить нормирование и центрирование случайных функций.

Центрируем функцию µi(t) согласно формулам 3, 4.

,(3)

где i = 0,1…n,

,(4)

где i = 0,1…n.

В этом случае математическое ожидание функции R(t) равняется 0, а данные равномерно распределены относительно оси OX. Таким образом, значения признака преобразованы так, что распределение случайной функции R(t) не зависит от времени.

Далее производим нормирование полученной центрированной функции R(t). Расчет значения среднего квадратического отклонения (СКО) данных молокоотдачи всего стада производится по формулам 5 и 6:

,(5)

,(6)

где i = 0,1…n.

В результате выполненных выше математических операций была получена новая функция молокоотдачи , которая является приведенной. Выполнив аналогичную процедуру с данными об электропроводности, получим приведенную функцию электропроводности . Выходной параметр н(t) не нуждается в приведении.

Теперь регрессионная модель (1) принимает следующий вид:

,(6)

где i = 0,1…n.

Далее, применяя (2), можно рассчитать значение коэффициентов регрессии и свободного члена уравнения. Полученные значения представлены в таблице 1.

Таблица 1. Коэффициенты регрессии для уравнения (1)

Коэффициент регрессии	Значение
k1 (коэффициент молокоотдачи)	-0.0493
k2 (коэффициент электропроводности)	0.1933
b (свободный член)	0.1022

Таким образом, найдена плоскость, которая аппроксимирует представленное исходное пространство признаков, отраженное на графике в виде множества точек, построенных по координатам входных данных (рис. 1). Регрессионная модель в данном случае дает нам искомый комплексированный признак, позволяющий оценить вероятность возникновения мастита у животного.

Таким образом, регрессионная модель для определения наличия заболевания мастита у животного с коэффициентами, рассчитанными с помощью метода наименьших квадратов, имеет следующий вид:

,(7)

где i = 0,1…n.

Практической задачей исследования является распознавание мастита по пороговому значению комплексного признака. Порог распознавания (P) рассчитывается исходя из диапазона доверительной вероятности, которую задает зоотехник на предприятии. Ручной ввод порога распознавания обусловлен тем, что при низком значении доверительной вероятности точность определения мастита животных близка к 100%, тем не менее в выборку особей с подозрением на заболевание попадает много здоровых коров, в результате чего количество животных становится слишком большим, чтобы всех их можно было обследовать вручную, также увеличивается ошибка второго рода. Таким образом, доверительная вероятность может варьировать в зависимости от того, насколько много животных может быть проверено работниками предприятия за сутки, и какая точность идентификации им необходима.



Рис. 1. Плоскость, аппроксимирующая пространство признаков

Построив гистограмму распределения плотности вероятности рассчитанного комплексного признака, можно получить пороговое значение P в соответствии с установленной доверительной вероятностью. Значение комплексного признака, рассчитанное по данным молочной продуктивности и электропроводности, выходящее за значение порога P, свидетельствует о подозрении на заболевание, и животное вносится в соответствующий реестр.

Экспериментальные результаты

В настоящее время для предварительной идентификации заболевания животных маститом без использования химического анализа существует несколько подходов, которые основаны на анализе одного параметра - электропроводности молока. В работе [14] приводятся пороговые значения электропроводности для оценки состояния здоровья животного (табл. 2). В большинстве случаев животное является подозрительным на наличие заболевания, если порог электропроводности превышает значение 6 мСм/см. Этот подход показывает неплохие результаты, когда нужно, не имея дорогостоящего оборудования, сформировать список животных с подозрением на заболевание маститом [14].

Таблица 2. Проводимость молока у здоровых и больных животных

Состояние здоровья вымени	Проводимость молока (мСм/см)
Здоровое вымя	< 5.5
Подозрение на мастит вымени	5.5 - 6.4
Субклинический мастит	> 6.5
Клинический мастит (молоко не подлежит дальнейшей переработке)	> 8

Будем сравнивать работу алгоритма, основанного на комплексном признаке, с алгоритмом идентификации мастита у животных по порогу 6 мСм/см электропроводности молока.

В исследовании обрабатывались данные, полученные для более чем 800 коров в течение приблизительно 305 дней с датчиков измерения двух параметров. Объективные количественные результаты экспериментальных исследований алгоритмов применительно к данным о ежедневных надоях и их электропроводности сведены в таблицы 3, 4. Результаты работы алгоритмов сопоставлены с выводами экспертов. Экспертные оценки, в соответствии с которыми животные считаются больными, не являются на 100% достоверными, так как они проводятся на ранней стадии возникновения болезни. Но применение подобного подхода без использования длительных диагностических процедур повысит оперативность принимаемых решений. Поэтому экспертные оценки берутся в качестве опорных данных.

Процент найденных алгоритмом больных животных среди тех, кого эксперт посчитал здоровыми, является ошибкой второго рода и регистрируется на месте зоотехником. Процент найденных алгоритмом здоровых животных среди особей, отнесенных экспертом к больным, в данном случае является ошибкой первого рода, так как этот показатель важнее ошибки второго рода, и, если пропустить больное животное, то в итоге заболевание приобретет клинических характер, и животное будет выведено из производства.

Как видно из таблиц 3 и 4, разработанный алгоритм, основанный на комплексном признаке, дает лучшие результаты работы по сравнению с алгоритмом с фиксированным порогом электропроводности.

Таблица 3. Сопоставление выявления больных и здоровых животных алгоритмом по порогу электропроводности молока 6 мСм/см по отношению к мнению эксперта

Процент найденных алгоритмом животных	Среди животных, отнесенных экспертом:
	к больным, %	к здоровым, %
больных	89,5	9
здоровых	10,5	91

Таблица 4. Сопоставление выявления больных и здоровых животных алгоритмом, основанным на анализе комплексного признака по отношению к мнению эксперта

Процент найденных алгоритмом животных	Среди животных, отнесенных экспертом:
	к больным, %	к здоровым, %
больных	96	6
здоровых	4	94

Разработанный алгоритм уменьшил ошибку первого рода на 6,5%, что позволило увеличить количество верно найденных заболевших животных на 10 особей. Ошибка второго рода сократилась на 3%. Таким образом, удалось достичь меньшего числа ошибочных срабатываний алгоритма, сигнализирующих о возникновении проблемы в состоянии животного.

Уменьшить ошибки идентификации удалось за счет использования дополнительного признака пониженной молокоотдачи при расчете комплексного признака. На рис. 2 показан масштабируемый фрагмент изменения показателей молочной продуктивности, электропроводности молока и рассчитанного комплексного признака в течение лактации.

Рис. 2. Сопоставление результатов работы алгоритмов идентификации скрытого мастита животного

Примечания.

График комплексного признака превышает порог P и позволяет верно идентифицировать присутствие мастита.

График признака, основанного на электропроводности, не превышает порога P и приводит к ложному заключению о том, что корова здорова.

На рисунке можно визуально наблюдать, что оценка наличия у животного мастита на основе признака электропроводности молока привела бы к ошибке, так как график электропроводности ни разу не превысил значения порога. Одновременное понижение молокоотдачи с увеличением электропроводности увеличивает значение комплексного признака, который превышает значение порога P, что позволяет верно идентифицировать болезнь. Таким образом, предлагаемый алгоритм уменьшает ошибку первого рода.

На рис. 3 также показан фрагмент графика лактации одного из животных с изменяющимися значениями измеряемых с помощью датчиков признаков. В данном случае динамика изменения показателя электропроводности показывает наличие у животного заболевания маститом, что не совпадает с экспертной оценкой и является ошибкой. График комплексного признака, наоборот, ведет себя стабильно и не превышает допустимый порог P на фоне нормальной молокоотдачи. Таким образом, исключается ошибка второго рода.

Оценка алгоритма производилась ежедневно для более чем 800 коров. Каждый день наблюдения для каждого животного рассчитывалось значение комплексного признака. Значение признака, превышающего порог P, считалось ненормальным. Доверительная вероятность, в соответствии с которой рассчитывалась величина P, была принята равной 90%. Результаты оценки экспериментального исследования алгоритма приведены в таблице 5.

Рис. 3. Сопоставление результатов работы алгоритмов идентификации скрытого мастита животного

Примечания.

График комплексного признака не превышает порога P, так как признак комплексный, а показатель молокоотдачи стабилен и позволяет верно установить, что животное здорово.

График признака, основанного на электропроводности, превышает порог P и приводит к ложному выводу о том, что корова больна.

Как видно из таблицы 5, количество найденных дней, в которые, по расчетам алгоритма, корова является больной, примерно одинаково. Но, исходя из таблиц 3 и 4, можно сделать вывод о том, что алгоритм, основанный на комплексном признаке, осуществляет идентификацию более точно за счет того, что имеет меньшие показатели ошибок первого и второго рода. Обнаружение больных животных происходит более точно, сокращается число ошибок, связанных с идентификацией больных животных среди заболевших, и происходит меньше ошибок при анализе здоровых особей. Этот факт демонстрируется диаграммой Эйлера, демонстрирующей разность в точности определения скрытого мастита с помощью разработанного алгоритма и алгоритма идентификации по порогу электропроводности 6 мСм/см (рис. 4).

Таблица 5. Количественное сравнение результатов работы алгоритмов идентификации случаев мастита

Применяемый алгоритм	Всего дней	Найдено критических значений
Идентификация по фиксированному порогу электропроводности 6 мСм/см	131274	14239 (10,8%)
На основе комплексного признака	131274	13804 (10,5%)



Рис.4. Сравнение двух алгоритмов точности определения скрытого мастита с помощью диаграммы Эйлера

мастит алгоритм определение скрытый

Выводы

В настоящей работе показана актуальность задачи своевременной идентификации субклинического мастита. В разделе постановки задачи сделаны выводы, что процесс точного выявления мастита животных, с одной стороны, дорог, с другой, - требует ручного осмотра большого количества животных в условиях ограниченных рабочих кадров животноводческого предприятия. Поэтому необходима автоматизация процесса идентификации болезни. Во второй части работы сделаны выводы относительно способов формирования предварительного списка подозрительных на предмет мастита животных на основе анализа данных с датчиков. Проведен обзор и анализ работ, предлагающих использование различных методов комплексирования данных, и принято решение об использовании модели линейной регрессии для формирования математической модели алгоритма идентификации мастита у животных. Предлагаемый подход позволяет выявлять заболевание на основе выделенного комплексного признака. Как показывают экспериментальные результаты, предложенный алгоритм осуществляет более точную идентификацию мастита, чем традиционный подход, описанный в работе [14]. Использование комплексного признака позволило повысить точность идентификации мастита на 6,5% и на 3% снизить процент ложного срабатывания. Таким образом, представленный алгоритм показал хорошие результаты и может в дальнейшем использоваться в программных системах мониторинга производственного процесса животноводческих комплексов.

Список использованных источников

1. Карташова В.М., Ивашура А.И. Маститы коров. - М.: Агропромиздат. - 1988. - С. 77.

2. Роман Л.Г. Особенности диагностики и синдроматика постлактационного мастита у коров // Ветеринарная патология. - 2010, №4. - С. 106-111.

3. Баркова А. С., Шурманова Е. И., Липчинская А. К., Баранова А. Г. Заболеваемость коров маститом и качество молока // Аграрный вестник Урала. - 2010, № 11-2 (77). - С. 10-11

4. Гаврин, А. Н. Этиологические факторы мастита у коров и его фитотерапия: Диссертация ветеринарных наук. - Мичуринск-Наукоград. - 2012.

5. Попов JI.K. Генотипические аспекты мастита у коров и его фитотерапия: Автореф. дис. доктора вет. наук. - Мичуринск. - 1998. С. - 40.

6. Войтенко Л. Г., Картушина А. С., Шутова Ю. А., Загорулько М. П. Мастит. Диагностика. Методы лечения // Ветеринарная патология. - 2015, № 4 (46). - С. 9-13.

7. Баркова А. С. Смирнов Г. Ю. Дифференциальная диагностика мастита у коров с использованием ультразвукового сканирования // Аграрный вестник Урала. - 2014, №3 (121). - С. 19-22.

8. Шестаков В.М., Болтушкина Т.Н. Использование лазера при лечении маститов у лактирующих коров // Сельскохозяйственные науки и агропромышленный комплекс на рубеже веков. - 2014, № 5. - С. 192-195.

9. Комаров В. Ю., Белкин Б. Л. Использование нового препарата «Адимаст» для одномоментного запуска коров в сухостойный период и профилактики мастита // Вестник Алтайского государственного аграрного университета. - 2015, № 5 (127). - С. 107-110.

10. Gianneechini R.E., Concha C., Franklin A. Antimicrobial susceptibility of udder pathogens isolated from dairy herds in the west littoral region of Uruguay. // Acta Vet Scand. - 2002, 43(1). - PP. 31-41.

11. Janzekovic M., Bras M., Muzerlin L. Quality and delivery of milk in Slovenia // Dairying. - 2007, vol. 57. - P. 275-288.

12. Norberg E. Electrical conductivity of milk as a phenotypic and genetic indicator of bovine mastitis. // Livestock Production Science. - 2005, vol. 96. - P. 129-139.

13. Mursec B., Janzekovic M., Cus F., Zuperl U. Comparison of rollers after sowing of buckwheat // Journal of Achievements in Materials and Manufacturing Engineering. - 2006, vol. 17. - P. 269-272.

14. Janzekovic, M. Brus, M. Mursec, B. Vinis, P. Stajnko, D. Cus, F. Mastitis detection based on electric conductivity of milk // Journal of Achievements in Materials and Manufacturing Engineering. - 2009, Vol. 34. - P. 39-46.

15. Hillerton, J. E., Semmens J. E. Comparison of treatment of mastitis by oxytocin or antibiotics following detection according to changes in milk electrical conductivity prior to visible signs. // J. Dairy Sci. - 1999, 82(1). - P. 82-93.

16. Milner, P., Page K. L., Hillerton J. E. The effects of early antibiotic treatment following diagnosis of mastitis detected by a change in the electrical conductivity of milk. // J. Dairy Sci. - 1997, 80(5). - P. 850-859.

17. Waage, S., P. Jonsson, A. Franklin. Evaluation of a cow-side test for detection of Gramnegative bacteria in milk from cows with mastitis. // Acta Vet. Scand. - 1994, 35(2). - P. 200-207.

18. Ilie L.I., Tudor L., Galis A.M. The electrical conductivity of cattle milk and the possibility of mastitis diagnosis in romania // Lucrari stiintifice medicina veterinara. - 2010, vol. 43(2). - P. 220-227.

19. Draganova I., Yule I., Stevenson M., Betteridge K. The effects of temporal and environmental factors on the urination behaviour of dairy cows using tracking and sensor technologies // Precision Agriculture. - 2015, vol. 1. - PP. 1-14.

20. Chiu C., Jih-Tay H., Lin C. The Application of Genetic Programming in Milk Yield Prediction for Dairy Cows // Rough Sets and Current Trends in Computing. - 2001, Vol. 2005 of the series Lecture Notes in Computer Science. - PP. 598-602.

21. Godsk T., Kjжrgaard M.B.. High Classification Rates for Continuous Cow Activity Recognition Using Low-Cost GPS Positioning Sensors and Standard Machine Learning Techniques // Advances in Data Mining. Applications and Theoretical Aspects. - 2011, Vol. 6870 of the series Lecture Notes in Computer Science. - PP. 174-188.

22. Braun U, Tschoner T, Hдssig M. Evaluation of eating and rumination behaviour using a noseband pressure sensor in cows during the peripartum period. // BMC Vet Res. - 2014, №10 (195). - PP. 1-8.

23. Конюхов, А.А. Московский, Е.А. Рябинкин, В.Е. Велихов. Комплексный подход к анализу данных мониторинга высокопроизводительных установок. Сборник трудов Международная научная конференция. «Параллельные вычислительные технологии 2013», Южно-Уральский государственный национальный исследовательский университет, 1-5 апреля 2013 г., г. Челябинск. - C. 400-408

24. Антонов Л.В., Варламов А.Д. Автоматизация процесса мониторинга животноводческого предприятия на основе исследования временных рядов параметров крупного рогатого скота // Современные проблемы науки и образования. - 2013, № 6. URL: http://www.science-education.ru/113-10922 (дата обращения: 27.11.2013).

25. Орлов А.А., Антонов Л.В. Обзор и анализ современных информационных решений автоматизации животноводческих хозяйств // Современные проблемы науки и образования. - 2013, № 6; URL: http://www.science-education.ru/113-10943 (дата обращения: 29.11.2013).

26. Антонов Л.В., Варламов А.Д., Орлов А.А. Разработка адаптивного алгоритма отслеживания отклонений параметров животных в системе управления животноводческим предприятием // Динамика сложных систем. - 2015, № 2. - С. 44-49.

27. Разработка и экспериментальное исследование алгоритма мониторинга ежедневной активности животного для автоматизированной системы управления молочным хозяйством // Вестник ЧГУ. - 2015, №8 (69). - С. 19-21.

28. Антонов Л.В., Привезенцев Д.Г., Орлов А.А. Разработка и экспериментальное исследование алгоритма анализа данных повседневной деятельности животного в автоматизированной информационной системе управления животноводческим предприятием // Устойчивость и процессы управления, Материалы III международной конференции. - 2015. - C. 459-460.

29. Антонов Л.В., Привезенцев Д.Г., Орлов А.А. Выделение значимых факторов оценки состояния животных в системе поддержки принятия решения на животноводческом предприятии // Устойчивость и процессы управления, Материалы III международной конференции. - 2015. - C. 457-458.

30. Антонов Л.В. Алгоритм мониторинга критических изменений параметров производственного процесса животноводческого предприятия // Алгоритмы, методы и системы обработки данных. - 2013, №4 (29). - С. 3-12.

31. Антонов Л.В., Варламов А.Д. Использование метрик при интеллектуальном мониторинге состояний крупного рогатого скота // Алгоритмы, методы и системы обработки данных. - 2015, №4 (33). - С. 3-9.

32. Комаров В. Ю., Белкин Б. Л. Заболеваемость коров маститом и применение нового эффективного препарата для лечения его субклинической формы // Известия Оренбургского государственного аграрного университета. - 2015, № 3 (53). - С. 100-102.

33. Лапко А. В., Лапко В. А., Саренков А. В. Гибридный алгоритм распознавания образов и его свойства // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. - 2009, № 2. - С. 31-33.

34. Тараканов Е.В. Агрегирование данных мультисенсоров в беспроводных сенсорных сетях: Автореферат диссертации кандидата технических наук. - Томск. - 2012. - С. 19

35. Brooks R. Visual Map Making for a Mobile Robot // IEEE Journal on Robotics and Automation. - 1985, №1. - P. 95-117.

36. Chatila R., Laumond J. P. Position Referencing and Consistent World Modeling for Mobile Robots // IEEE Journal on Robotics and Automation. - 1985, №3. - P. 102-164.

37. Durrant-Whyte H. Consistent Integration and Propagation of Disparate Sensor Observations // International Journal of Robotics Research. - 1987, №10. - P. 31-64.

38. Kalman R. A new approach to Linear Filtering and Prediction Problems // Transactions of the ASME. - 1960, №82. - P. 120-155.

39. Drolet L., Michaud F., Cote J. Adaptable sensor fusion using multiple Kalman filters // Intelligent Robots and Systems. - 2000. Vol. 2. - P. 1434-1439.

40. Carona F., Duflosa E., Pomorskib D., Vanheeghea P. GPS/IMU data fusion using multisensor Kalman filtering: introduction of contextual aspects // Information Fusion. - 2006, Vol. 7(2). - P. 221-230.

41. Sasiadek J. Z., Hartana P. Sensor data fusion using Kalman filter // Information Fusion. - 2000, Vol. 2. - P. 19-25.

Цитирование:

Антонов Л.В. Разработка алгоритма идентификации скрытого мастита коров на основе комплексирования данных с датчиков на животноводческом предприятии // АгроЭкоИнфо. - 2016, №2. http://agroecoinfo.narod.ru/journal/STATYI/2016/2/st_203.doc.

Размещено на Allbest.ru

...