Система автоматизированного мониторинга фенотипических характеристик северных оленей (Rangifer tarandus) на основе технологий AutoML

Современные системы автоматизированного мониторинга, применяемые в животноводстве и природоохранной деятельности, требуют эффективных методов компьютерного зрения для отслеживания характеристик животных. Настоящее исследование представляет систему автоматизированного мониторинга состояния животных на базе сверточной нейронной сети YOLOv11. Оценка проводилась на специализированных наборах данных, содержащих изображения оленей и соответствующие им заранее измеренные характеристики. С использованием программной платформы AutoGenNet автоматизированы процессы оптимизации гиперпараметров и конфигураций архитектур, что позволяет упростить и ускорить адаптацию предложенной модели для мониторинга разных видов животных. Результаты демонстрируют эффективность использования YOLOv11 для решения рассмотренной задачи. Исследование подтверждает эффективность AutoGenNet в автоматизации создания моделей мониторинга фенотипических характеристик северных оленей (Rangifer tarandus), позволяя упростить и ускорить внедрение систем искусственного интеллекта в современное животноводство. Полученные биометрические данные позволяют рассчитывать производно-оценочные показатели (живая масса, мышечная масса, репродуктивный потенциал), формируя основу для управленческих решений. Важнейшим достижением является реализация принципа бесконтактного мониторинга, исключающего стресс-факторы фиксации животных и обеспечивающего соответствие стандартам биоэтики. Успешная апробация на северных оленях, представляющих собой комплексный биологический эталон из-за экстремальной изменчивости признаков, гарантирует переносимость метода на другие виды сельскохозяйственных животных (свиньи, овцы и т. д.) в менее требовательных условиях. Реализованная система автоматизированного мониторинга фенотипических характеристик северных оленей, основанная на архитектуре YOLOv11 и платформе AutoGenNet, подтвердила свою технологическую состоятельность и практическую значимость.

1. Соболевский В.А., Лайшев К.А. Автоматические системы мониторинга животных на основе технологий AutoML. Нормативно-правовое регулирование в ветеринарии. 2024;(3): 114–116. https://doi.org/10.52419/issn2782-6252.2024.3.114

2. Chelotti J.O., Martinez-Rau L.S., Ferrero M., et al. Livestock feeding behaviour: A review on automated systems for ruminant monitoring. Biosystems Engineering. 2024;246:150–177. 177. https://doi.org/10.1016/j.biosystemseng.2024.08.003

3. Chen T., Zheng H., Chen J., et al. Novel intelligent grazing strategy based on remote sensing, herd perception and UAVs monitoring. Computers and Electronics in Agriculture. 2024;219:108807. https://doi.org/10.1016/j.compag.2024.108807

4. Das M., Ferreira G., Chen C.P.J. Evaluating model generalization for cow detection in free-stall barn settings: Insights from the COw LOcalization (COLO) dataset. Smart Agricultural Technology. 2025;11:101054. https://doi.org/10.1016/j.atech.2025.101054

5. Djedidi M., Hassen M.B., Mrad H., Koubaa A. Real time contaminants detection in wood panel manufacturing process using YOLO algorithms. Procedia Computer Science. 2025; 253:1226–1235. https://doi.org/10.1016/j.procs.2025.01.184

6. Hu S., Tang G., Yu K., et al. Embedded YOLO v8: Realtime detection of sugarcane nodes in complex natural environments by rapid structural pruning method. Measurement. 2025; 242:116291. https://doi.org/10.1016/j.measurement.2024.116291

7. Leliveld L.M.C., Brandolese C., Grotto M., et al. Realtime automatic integrated monitoring of barn environment and dairy cattle behaviour: Technical implementation and evaluation on three commercial farms. Computers and Electronics in Agriculture. 2024;216:108499.

8. Nandal P., Mann P., Bohra N., et al. Tropical cyclone intensity estimation based on YOLO-NAS using satellite images in real time. Alexandria Engineering Journal. 2025;113:227– 241. https://doi.org/10.1016/j.aej.2024.10.072

9. Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: Unified, real-time object detection. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA; 2016, pp. 779–788. https://doi.org/10.1109/CVPR.2016.91.2016:779-788.

10. Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards real-time object detection with region proposal networks. Computer Vision and Pattern Recognition. 2015;arXiv:1506.01497v3 [cs]. https://doi.org/10.48550/arXiv.1506.01497

11. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. International Conference on Learning Representations 2015. arXiv:1409.1556 [cs.CV]. https://doi.org/10.48550/arXiv.1409.1556

12. Sobolevskii V. Creation of automatic monitoring systems using AutoML technologies. In: Ilin, I., Youzhong, M. (eds) Digital Systems and Information Technologies in the Energy Sector. Lecture Notes in Networks and Systems. Vol. 1244. Springer, Cham; 2025. https://doi.org/10.1007/978-3-031-80710-7_29

13. Sobolevskii V.A., Kolpaschikov L.A., Rozenfeld S.B., Mikhailov V.V. Monitoring larger vertebrates of the Arctic fauna using intelligent AutoML technology. Zoologičeskij žurnal. 2025; 104(3):112–122. https://doi.org/10.31857/S0044513425030095

14. Xu P., Zhang Y., Ji M., et al. Advanced intelligent monitoring technologies for animals: A survey. Neurocomputing. 2024;585:127640. https://doi.org/10.1016/j.neucom.2024.127640