Методология компьютерного анализа цифровых изображений биологических макрообъектов тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Ручай Алексей Николаевич

• Ручай Алексей Николаевич
• доктор наук
• 2024

Оглавление диссертации доктор наук Ручай Алексей Николаевич

2.2.4 Нормализация позы

2.3 Алгоритмы измерения морфологических параметров

2.4 Анализ результатов экспериментальной апробации моделей, методов и алгоритмов измерения морфологических характеристик биологических макрообъектов

2.5 Выводы и результаты по главе

ГЛАВА 3. Разработка моделей, методов и алгоритмов нормализации позы

биологических макрообъектов

3.1 Алгоритм нормализации позы

3.2 Надежный метод нормализации позы трехмерной модели

3.2.1 Метод нормализации позы

3.2.2 Алгоритм обнаружения области головы, бедра и тела

3.2.3 Алгоритм сегментации

3.2.4 Алгоритм оценки плоскости двусторонней симметрии

3.2.5 Алгоритм оценки направления

3.2.6 Преобразование нормализации положения

3.3 Анализ результатов экспериментальной апробации моделей, методов и алгоритмов нормализации позы биологических макрообъектов

3.4 Выводы и результаты по главе

ГЛАВА 4. Разработка моделей, методов и алгоритмов автоматического измерения трехмерной модели биологических макрообъектов на основе обнаружения ключевых точек

4.1 Метод обнаружения ключевых точек

4.2 Алгоритмы измерения морфологических параметров

4.3 Анализ результатов экспериментальной апробации метода автоматического измерения трехмерной модели биологических макрообъектов на основе обнаружения ключевых точек

4.4 Выводы и результаты по главе

ГЛАВА 5. Разработка моделей, методов и алгоритмов оценки живой массы биологических макрообъектов на основе изображений

5.1 Предобработка КОБ-Э изображений

5.2 Модель прогнозирования живой массы с помощью глубокой регрессии КОБ-Э изображений

5.3 Анализ результатов экспериментальной апробации модели прогнозирования живой массы с помощью глубокой регрессии ИОБ-

Э изображений

5.4 Выводы и результаты по главе

ГЛАВА 6. Разработка методов и алгоритмов оценки скелета биологических макрообъектов

6.1 Алгоритм оценки криволинейного скелета

6.1.1 Построение контуров боковых видов

6.1.2 Выделение и разделение скелета

6.1.3 Вычисление положения скелета ноги

6.1.4 Оценка положения скелета туловища

6.2 Анализ результатов экспериментальной апробации моделей, методов и алгоритмов оценки скелета биологических макрообъектов

6.3 Выводы и результаты по главе

ГЛАВА 7. Разработка моделей, методов и алгоритмов оценки показателя

состояния биологических макрообъектов

7.1 Метод оценки показателя состояния биологических макрообъектов

7.1.1 Обнаружение ключевых точек и правила выделения областей

7.1.2 Реконструкция сетки

7.1.3 Соответствие форм и восстановление топологии

7.1.4 Выравнивание и создание средней формы

7.1.5 Количественный анализ формы

7.1.6 Метод оценки показателя состояния

7.2 Анализ результатов экспериментальной апробации метода оценки показателя состояния биологических макрообъектов

7.3 Выводы и результаты по главе

ГЛАВА 8. Разработка прототипа программно-аппаратного комплекса для

отрасли мясного скотоводства

8.1 Общие требования

8.2 Разработка программной части прототипа программно-аппаратного комплекса для отрасли мясного скотоводства

8.3 Формирование архитектуры аппаратных средств прототипа по автоматизации обработки данных

8.4 Разработка схемотехнических решений по соединению аппаратных компонентов прототипа

8.5 Разработка пользовательского интерфейса программной части прототипа

8.6 Разработка аппаратной части прототипа программно-аппаратного комплекса для отрасли мясного скотоводства

8.7 Тестирование прототипа программно-аппаратного комплекса в реальных производственных условиях

8.8 Выводы и результаты по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Введение диссертации (часть автореферата) на тему «Методология компьютерного анализа цифровых изображений биологических макрообъектов»

ВВЕДЕНИЕ

Актуальность темы исследования и степень ее разработанности.

Важное значение в биологии, биотехнологии, сельском хозяйстве и других научно-технических областях имеет задача оценки биологических макрообъектов, к которым относятся биологические объекты размером от 10 см до 10 м. Ежегодно в мире проводится экспертная оценка более 1 млрд. сельскохозяйственных животных на предмет их племенной и коммерческой стоимости, здоровья и перспектив использования. При этом оценка физических и морфологических характеристик биологических макрообъектов являются трудоёмкой и субъективной. Традиционный подход к оценке животного основан на результатах визуального осмотра, ощупывания и, как правило, контактных измерениях. Для формирования комплексной оценки животного, его состояния и поведения двумерной информации недостаточно, так как в этом случае не учитываются трехмерные морфологические характеристики обмеряемого животного, изменения положения животного в трехмерном пространстве.

Данное диссертационное исследование направлено на разработку методологии и новых подходов к мониторингу состояния и поведения животных, а также новой технологии автоматической экспертной оценки животных на основе методов бесконтактного измерения двухмерных и трехмерных морфологических характеристик с использованием анализа изображений. Разрабатываемая технология не имеет аналогов, так как не существует готовых систем автоматического мониторинга широкого спектра видов поведения, состояния и экспертного оценивания животных на основе бесконтактного измерения трехмерных морфологических характеристик. Реализация задач диссертации была выполнена посредством прорывных научных исследований и разработок мирового уровня в области информационных технологий и искусственного интеллекта. Ожидается, что новые модели, методы и алгоритмы позволят создать автоматизированную систему мониторинга поведения, состояния и экспертного оценивания животных на основе бесконтактного измерения трехмерных морфологических характеристик лучшего качества, чем известные существующие системы, работающие в аналогичных условиях.

Известно большое число работ, авторы которых предпринимали попытки реализации систем оценки физических и морфологических характеристик биологических макрообъектов на основе анализа изображений: оценка морфологических характеристик (H. Guo, A. Pezzuolo, S. Viazzi, A. Nasirahmadi, J. Kongsro, S. Kumar, C. Shi, A. Wongsriworaphon, Y. Kuzuhara, K. Kawamura, J. Lee, J. Salau, T. Hertem, L. Huang, O. Nir, K. Sumi, X. Song, M. J. McPhee, Y. Le Cozler, F. Lao, F. Okura, Z. Wang, V. Weber, G. Miller, N. Maki и т.д.),

оценка живой массы (Z. Wang, S. Tasdemir, H. He, S. Ozkaya, V. Weber, O. Bezsonov и т.д.), оценка скелета, походки и осанки (A. Tagliasacchi, H. Guo, J. Cao и т.д.), оценка показателей состояния тела (W. Shi, R. Albornoz, K. Zhao, S. Yukun и т.д.).

Целью данной работы является разработка моделей, методов и алгоритмов компьютерного анализа цифровых изображений биологических макрообъектов для автоматического оценивания их физических и морфологических характеристик. Разрабатываемая технология не имеет аналогов, так как не существует готовых систем автоматического оценивания биологических макрообъектов на основе бесконтактного измерения физических и морфологических характеристик.

Для достижения поставленной цели сформулированы и решены следующие задачи:

1. Анализ состояния предметной области автоматической оценки биологических макрообъектов на основе методов бесконтактного измерения физических и морфологических характеристик.

2. Разработка моделей, методов и алгоритмов измерения морфологических характеристик биологических макрообъектов.

3. Разработка моделей, методов и алгоритмов нормализации позы биологических макрообъектов.

4. Разработка моделей, методов и алгоритмов автоматического измерения трехмерных моделей биологических макрообъектов на основе обнаружения ключевых точек.

5. Разработка моделей, методов и алгоритмов количественной оценки живой массы биологических макрообъектов на основе изображений.

6. Разработка методов и алгоритмов количественной оценки скелета биологических макрообъектов.

7. Разработка моделей, методов и алгоритмов экспертной оценки показателя состояния биологических макрообъектов.

8. Разработка прототипа программно-аппаратного комплекса для отрасли мясного животноводства.

Объектом исследования являются математические модели, методы и алгоритмы оценки физических и морфологических характеристик биологических макрообъектов на основе анализа изображений.

Предметом исследования являются математические модели, методы и алгоритмы автоматической оценки животных на основе методов бесконтактного измерения физических и морфологических характеристик.

Научная новизна:

1. Предложен новый подход к созданию точной трехмерной модели биологических макрообъектов. Подход основан на нежесткой трехмерной реконструкции формы с использованием данных трех камер глубины и методов компьютерного зрения. При уровне доверия 90% максимальные ошибки измерения морфологических характеристик составляют менее 3%, то есть предложенный подход является новым точным методом бесконтактного измерения тела.

2. Предложен новый метод надежной нормализации позы трехмерных моделей на основе одновременного использования двухмерной и трехмерной информации об облаках точек, снятых с нескольких КОБ-Э камер.

3. Предложен новый метод автоматического измерения морфологических характеристик тела биологического макрообъекты (длина, ширина, высота и обхват груди) с использованием сверточной нейронной сети для обнаружения ключевых точек на двухмерных изображениях с последующим проецированием этих точек на трехмерную поверхность. Точность измерения составила более 90% относительно ручных замеров. Предложенный метод является перспективным для измерения морфологических характеристик тела различных видов животных.

4. Предложена новая модель прогнозирования живого веса крупных биологических макрообъектов на основе регрессии как двумерных изображений, так и карты глубины. Точность измерения составила более 90 % относительно ручного взвешивания.

5. Предложен новый метод выделения криволинейного скелета, специально разработанный для неполных облаков точек биологических макрообъектов.

6. Предложен новый метод количественного анализа локальной трехмерной формы животного для оценки показателя состояния его организма. Это универсальный метод, который может быть применен к различным видам животных. Он использует метод соответствия точек в трехмерной форме для точного расчета разницы между формами, а затем сопоставляет значение разницы с диапазоном оценки состояния тела. Точность оценки показателей состояния тела в пределах 0,5, 1 и 0,5 составила 100%, 87,61% и 92,09% соответственно для 198 молочных коров, 100 голов крупного рогатого скота и 201 свиньи. По сравнению с предыдущими методами оценки состояния тела, предложенный метод является более точным и универсальным.

7. Разработан программно-аппаратный комплекс ведения и управления отрасли животноводства, а именно мясного скотоводства путем автоматизации учетной и селекционной оценок племенных животных, позволяющей проводить визуализацию данных племенного учета. Технология селекционной части основана на автоматизации комплексной ценности животного, проведения мониторинга селекционно-статистических параметров популяции. Данный подход приведет к сокращению времени проведения экстерьерной оценки, автоматизации определения живой массы, проведению квалифицированного анализа и оценки селекционных процессов в стадах разных мясных пород скота.

Теоретическая значимость диссертационной работы состоит в следующем. В работе предложены модели, методы и алгоритмы обработки изображений для автоматической оценки биологических макрообъектов на основе методов бесконтактного измерения физических и морфологических характеристик.

Практическая значимость диссертационной работы заключается в том, что предложены универсальные модели, методы и алгоритмы оценки биологических макрообъектов на основе методов бесконтактного измерения физических и морфологических характеристик. Результаты, полученные в работе, могут быть использованы в разработке программно-аппаратного комплекса для постоянной информационно-технологической поддержки, квалифицированного мониторинга фенотипического и функционального состояния биологических макрообъектов.

Методология и методы исследования. В работе использованы теория распознавания образов, машинное обучение, модели глубоких нейронных сетей, методы цифровой обработки изображений, методы прикладной математической статистики, методы интерполяции и аппроксимации функций.

Основные положения, выносимые на защиту:

1. Методы и алгоритмы нежесткой трехмерной реконструкции с использованием данных трех камер глубины способны создавать точную трехмерную модель биологических макрообъектов (опубликовано в [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 10, 13, 14]) (Пункт 4 паспорта специальности 2.3.1. Системный анализ, управление и обработка информации, статистика).

2. Одновременное использование двухмерной и трехмерной информации об облаках точек, снятых с нескольких камер глубины, ведет к надежной нормализации позы биологических макрообъектов (опубликовано в [15, 16, 17]) (Пункт 12 паспорта специальности 2.3.1. Системный анализ, управление и обработка информации, статистика).

3. Использование сверточной нейронной сети для обнаружения ключевых точек на двухмерных изображениях с последующим проецированием этих точек на трехмерную поверхность биологического макрообъекта позволяет получить точные количественные оценки морфологических характеристик тела по его математической модели (опубликовано в [18, 19, 20]) (Пункт 4 паспорта специальности 2.3.1. Системный анализ, управление и обработка информации, статистика).

4. Регрессионная модель позволяет получить точные оценки живого веса биологических макрообъектов по их математическим моделям с использованием, как двухмерных изображений, так и карты глубины (опубликовано в [21, 22, 23, 24, 25]) (Пункт 4 паспорта специальности 2.3.1. Системный анализ, управление и обработка информации, статистика).

5. Метод выделения криволинейного скелета из неполных облаков точек позволяет эффективно получать качественные кривые скелета с малыми топологическими ошибками, вызванными особенностями формы животного (опубликовано в [26, 27]) (Пункт 12 паспорта специальности 2.3.1. Системный анализ, управление и обработка информации, статистика).

6. Метод количественного анализа локальной трехмерной формы животного является точным и универсальным методом для оценки показателя состояния тела животного (опубликовано в [28, 29]) (Пункт 4 паспорта специальности 2.3.1. Системный анализ, управление и обработка информации, статистика).

7. Программно-аппаратный комплекс для автоматической оценки животных существенно сократит временные затраты на получение оценки, позволить прогнозировать продуктивность животного, исключит необходимые контактные измерения линейных промеров, живой массы и др., что уменьшит стресс и потерю веса животных (опубликовано в [30, 31]) (Пункт 5 паспорта специальности 2.3.1. Системный анализ, управление и обработка информации, статистика).

Достоверность полученных результатов обеспечивается использованием известных математических методов, адекватных задачам исследования, а также их согласованностью с результатами, полученными другими авторами и с экспертными оценками специалистов. Разработанные методы и алгоритмы подтверждены вычислительными экспериментами на реальных и синтетических данных, проведенных в соответствии с общепринятыми стандартами.

Внедрение результатов диссертационного исследования. Результаты диссертационного исследования используются в федеральном государственном бюджетном научном учреждении Федеральный научный центр био-

логических систем и агротехнологий Российской академии наук (справка об использовании результатов диссертационной работы № 01-01-27/234 от 17.04.2023); ООО «ЗОО-ИНЖИНИРИНГ» (об использовании результатов диссертационной работы от 19.04.2023).

Апробация работы. Основные результаты работы докладывались на следующих научных конференциях:

• Международная конференция «SPIE Applications of Digital Image Processing», США, 2018, 2020, 2021 гг.

• Международная конференция «Информационные технологии и на-нотехнологии» (ИТНТ) (International Conference on Information Technology and Nanotechnology (ITNT)), Россия, 2020, 2021 гг.

• Российская научно-практическая конференция с международным участием «Фундаментальные основы технологического развития сельского хозяйства», Россия, 2019, 2020, 2021 гг.

• Международная конференция «IEEE International Workshop on Metrology for Agriculture and Forestry» (MetroAgriFor), Италия, 2021, 2022, 2023 гг.

• Международная конференция «Научные достижения генетики и биотехнологии в ветеринарной медицине и животноводстве», Россия 2019 г.

• Международная научная конференция «Innovative Development of Agrarian-and-Food Technologies», Россия, 2021 г.

• Международная конференция «International Workshop on Innovations in Agro and Food Technologies» (WIAFT), Россия, 2021 г.

• Международная научная и практическая конференция «Fundamental and Applied Research in Biology and Agriculture: Current Issues, Achievements and Innovations» (FARBA), Россия, 2021 г.

Личный вклад. Все результаты исследований, составляющие основное содержание диссертации, получены автором самостоятельно. Разработка моделей, методов и алгоритмов компьютерного анализа цифровых изображений биологических макрообъектов для автоматического оценивания их физических и морфологических характеристик велась на протяжении восьми лет авторскими коллективами путем выполнения ряда научных проектов, поддержанных Российским научным фондом, Российским фондом фундаментальных исследований и Фондом содействия инновациям. В этих проектах автор выступал в качестве руководителя. В работы, выполненные в соавторстве с учениками (К.А. Дорофеев, В.В. Кальщиков, А.С. Гладков, М.А. Федорова, А.О. Гриднев), диссертантом внесен основной вклад, касающийся выбора научных методов и средств, синтеза математических моделей и

алгоритмов, постановки экспериментов по проверке их адекватности и интерпретации результатов исследований. Вклад соавтора в совместных работах с профессором Хао Гуо (Нао Оио) из Китайского сельскохозяйственного университета состоит в обсуждении постановки научных задач, выборе методов и средств, синтезе и апробации математических моделей и алгоритмов, и оценок полученных результатов.

Содержание работы

Первая глава посвящена общим вопросам использования методов обработки и анализа изображений для оценки физических и морфологических параметров биологических макрообъектов. В главе приводится обзор типовых задач обработки и анализа изображений в биологии, биотехнологии, сельском хозяйстве и других научно-технических областях. Рассмотрены современные методы и подходы бесконтактного автоматического измерения физических и морфологических характеристик биологических макрообъектов по изображениям. Дается обзор публикаций, наиболее близко относящихся к теме диссертации.

Вторая глава рассматривает задачу реконструкции трехмерных моделей биологических макрообъектов. Были предложены методы и алгоритмы нежесткой трехмерной реконструкции с использованием данных трех камер глубины, способные создавать точную трехмерную модель биологических макрообъектов. Методы основаны на нежесткой трехмерной реконструкции формы с использованием данных трех камер глубины. При уровне доверия 90% ошибки измерения в предлагаемых методах среди всех измеренных характеристик составляют менее 3%. Результаты экспериментов показывают, что предложенный метод может служить новым надежным методом бесконтактного измерения биологических макрообъектов.

Третья глава рассматривает следующие задачи поиска линий симметрии и нормализации позы трехмерных моделей биологических макрообъектов. Был предложен быстрый алгоритм обнаружения симметрии для облака точек. Был предложен новый метод надежной нормализации позы трехмерных моделей биологических макрообъектов на основе слияния двухмерного и трехмерного подходов. Этот метод объединяет информацию двухмерных изображений и трехмерных данных для повышения надежности метода. В частности, благодаря внедрению алгоритма обнаружения двухмерных объектов, оптимизируются оценка и сегментация животных на основе двухмерных изображений. Обширные эксперименты показывают, что предложенный метод является более надежным, чем существующие методы.

Четвертая глава рассматривает следующие задачи автоматического измерения морфологических характеристик трехмерных моделей биологиче-

ских макрообъектов. Был предложен новый метод автоматического измерения тела животного на основе обнаружения ключевых точек на двухмерных изображениях, основанный на слиянии двухмерного и трехмерного подходов. Основной особенностью этого метода является использование сверточной нейронной сети для обнаружения ключевых точек на двухмерных изображениях и проецирование этих точек на поверхность облаков точек. Комбинируя процесс интерполяции и метод нормализации позы, были измерены длина, ширина, высота и обхват груди. По сравнению с ручными измерениями, средняя абсолютная процентная ошибка четырех измерений тела крупного рогатого скота и двух измерений тела свиней составила менее 10%. По сравнению с известным методом измерения обхвата груди, предложенный метод является более точным и надежным для набора данных крупного рогатого скота. Результаты показывают, что предложенный метод перспективен для измерения тела различных видов животных.

В пятой главе представлена модель прогнозирования живого веса ге-рефордских коров на основе регрессии изображений. Используются только ЯСБ-изображения и карты глубины для прогнозирования живого веса крупного рогатого скота. Лучшей моделью для нашего исследования является предложенная модель с МАРЕ 9,1 %, использующая ЯСБ-изображения и карты глубины. Были показаны результаты экспериментов на реальных наборах данных, которые демонстрируют, что предложенная модель может достичь уровня точности измерения веса, сравнимого с тем, который достигается при традиционном взвешивании.

В шестой главе представлен новый метод выделения скелета кривой, специально разработанный для неполных облаков точек. По сравнению с известными и общими методами извлечения скелета, были исключены ошибки соединения. Кроме того, предложенный метод эффективен и имеет важные преимущества при обработке плотных облаков точек с большим количеством точек. Результаты экспериментов показывают высокую надежность и универсальность предложенного метода выделения скелета.

В седьмой главе представлен новый метод количественного анализа локальной трехмерной формы домашнего скота для оценки состояния его организма. Это универсальный метод, который может быть применен к различным видам животных. Он использует метод соответствия точек в трехмерной форме для точного расчета разницы между формами, а затем сопоставляет значение разницы с диапазоном оценки состояния тела. Были проанализированы формы 198 молочных коров, 100 голов крупного рогатого скота и 201 свиньи, в качестве тестовых параметров использовались показатели состояния тела. Показатели точности в пределах 0,5, 1 и 0,5 составили 100%,

87,61% и 92,09% соответственно. Результаты экспериментов показывают высокую точность и универсальность предложенного метода оценки показателя состояния животного.

В восьмой главе представлен программно-аппаратный комплекс ведения и управления отрасли животноводства, а именно мясного скотоводства путем автоматизации учетной и селекционной оценок племенных животных, позволяющей проводить визуализацию данных племенного учета. Технология селекционной части основана на автоматизации комплексной ценности животного, проведения мониторинга селекционно-статистических параметров популяции. Данный подход приведет к сокращению времени проведения экстерьерной оценки, автоматизации определения живой массы, проведению квалифицированного анализа и оценки селекционных процессов в стадах разных мясных пород скота.

В заключении диссертации излагаются итоги выполненного исследования, рекомендации, перспективы дальнейшей разработки темы.

Публикации. Основные научные результаты диссертации отражены в 41 работе, из них 31 статья опубликована в рецензируемых научных изданиях, определенных ВАК РФ и Аттестационным советом УрФУ, включая 30 статей в изданиях, входящих в международные цитатно-аналитические базы Scopus и Web of Science; 4 свидетельства о государственной регистрации программы для ЭВМ [32, 33, 34, 35]; 6 свидетельств о государственной регистрации баз данных [36, 37, 38, 39, 40, 41].

Объем и структура работы. Диссертация состоит из введения, восьми глав, заключения и приложения. Полный объем диссертации составляет 245 страниц текста с 97 рисунками и 12 таблицами. Список литературы содержит 237 наименования.

Внедрение результатов диссертационного исследования. Результаты диссертационного исследования используются в федеральном государственном бюджетном научном учреждении Федеральный научный центр биологических систем и агротехнологий Российской академии наук (справка об использовании результатов диссертационной работы № 01-01-27/234 от 17.04.2023); ООО «ЗОО-ИНЖИНИРИНГ» (справка об использовании результатов диссертационной работы от 19.04.2023).

Результаты диссертационной работы были получены в ходе выполнения следующих проектов:

1. «Разработка новых подходов к прижизненной оценке крупного рогатого скота путем 3Э-визуализации хозяйственно-биологических и генетических особенностей животных» (Российский научный фонд, проект 21-76-20014, руководитель, 2021-2024 гг.);

2. «Разработка технологии автоматической экспертной оценки животных в промышленном свиноводстве на основе постоянного бесконтактного мониторинга и измерения морфологических характеристик животных» (Российский фонд фундаментальных исследований, проект 20416-740003, руководитель, 2021 г.);

3. «Разработка технологии экспертной оценки животных на основе методов бесконтактного измерения трехмерных морфологических характеристик» (Российский научный фонд, проект 17-76-20045, руководитель, 2017-2020 гг.);

4. «Разработка и создание программно-аппаратного комплекса для мясного скотоводства» (Фонд содействия инновациям, проект 3851ГС1/63224, 2020-2021 гг.).

ГЛАВА 1

АНАЛИЗ СОСТОЯНИЯ ПРЕДМЕТНОЙ ОБЛАСТИ. ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ

1.1 Актуальность задачи мониторинга поведения и автоматического оценивания физических и морфологических характеристик биологических макрообъектов

Достижения сенсорных технологий за последние два десятилетия облегчили жизнь человека, например, в случае с животноводством [42]. Эффективное управление скотом требует больших навыков, поскольку необходимо удовлетворять различные потребности животных, чтобы не только сохранить их здоровыми, но и обеспечить оптимальные показатели с точки зрения роста, воспроизводства, продуктивности и т.д. Датчики помогают с различной интенсивностью в совершенствовании управленческих навыков животноводов, в зависимости от типов и количества используемых датчиков, как это обычно бывает в более крупных стадах. Это даже помогает в стандартизации различных методов ведения хозяйства, что приводит к эффективному использованию энергии / питательных веществ для терморегуляции и других производственных показателей. Использование датчиков на основе современного искусственного интеллекта (ИИ) и других информационных технологий (ИТ), включая приложения интернета вещей (1оТ), привело к переходу традиционного животноводства в точное животноводство (РЬР), также известное как "Умное животноводство". Большинство ранее разработанных датчиков были сосредоточены на признаках, влияющих на экономические показатели животных, т.е. на физиологии и здоровье (температура тела, жвачка, хромота, оценка состояния тела, потребление корма, выявление заболеваний и т.д.), производство (молоко, выход клетчатки) и воспроизводство (определение температуры, осеменение, диагностика беременности). В последнее время акцент сместился на изучение особенностей поведения и благополучия, а также на решение растущих проблем промышленного животноводства посредством оценки показателей благополучия животных (А^), особенно с появлением биосенсоров. Несмотря на то, что на рынке доступны сотни инструментов на основе датчиков для помощи в управлении скотом, часть проверки по-прежнему нуждается в существенном усилении, поскольку ак-

селерометры обычно превосходят камеры, тензодатчики и множество других датчиков. Использование датчиков в животноводческом секторе до настоящего времени оставалось ограниченным из-за ряда факторов, таких как потребность в дополнительной инфраструктуре для поддержки использования датчиков, навыки от средних до более высоких, необходимые для использования и интерпретации результатов датчиков, финансовые ограничения, недостаточная доступность датчиков и сложность / невозможность достижения точки безубыточности использования датчиков в небольших стадах и т.д. И это имеет место в большинстве слаборазвитых и развивающихся стран. Проблемы, связанные с более широким использованием сенсорных технологий, такие как автоматизация против безработицы, автоматизация против благополучия скота и многое другое, похоже, исчезает, а выгоды перевешивают опасения из-за параллельной индустриализации и эволюции более дешевых сенсорных инструментов. Таким образом, тенденция к более медленному внедрению РЬР, похоже, обратится вспять в ближайшем будущем из-за роста информационной грамотности по всему миру, снижения стоимости датчиков и ИТ-инструментов, постепенной замены традиционного земледелия специализированным, нехватки квалифицированной рабочей силы для животноводства и т.д., что приведет к трансформации сектора животноводства в ближайшие годы благодаря невообразимому потенциалу датчиков.

Список литературы диссертационного исследования доктор наук Ручай Алексей Николаевич, 2024 год

СПИСОК ЛИТЕРАТУРЫ

1. A technology of contactless three-dimensional reconstruction of animal models using depth cameras / Alexey Ruchay, Konstantin Dorofeev, Vsevolod Kalschikov et al. // 2021 International Conference on Information Technology and Nanotechnology (ITNT). - 2021. - Pp. 1-5.

2. Ruchay A., Fedorova M. Fast algorithm of 3D object volume calculation from point cloud // Proceedings of SPIE - The International Society for Optical Engineering. - Vol. 11842. - 2021. - P. 118421Q.

3. Ruchay A., Dorofeev K. Fast approximate geodesic distance on point cloud // Proceedings of SPIE - The International Society for Optical Engineering. - Vol. 11842. - 2021. - P. 1184229.

4. Accurate body measurement of live cattle using three depth cameras and non-rigid 3-D shape recovery / Alexey Ruchay, Vitaly Kober, Konstantin Dorofeev et al. // Computers and Electronics in Agriculture. - 2020. - Vol. 179. -P. 105821.

5. Accuracy analysis of 3D object reconstruction using mesh filtering / Alexey Ruchay, Konstantin Dorofeev, Vsevolod Kalschikov, Vladimir Kolpakov // 2020 International Conference on Information Technology and Nanotechnology (ITNT). - 2020. - Pp. 1-5.

6. Accuracy analysis of surface reconstruction from point clouds / Alexey Ruchay, Konstantin Dorofeev, Vsevolod Kalschikov, Anastasia Kober // 2020 International Conference on Information Technology and Nanotechnology (IT-NT). - 2020. - Pp. 1-4.

7. Ruchay Alexey, Dorofeev Konstantin, Kalschikov Vsevolod. Real-time dense 3D object reconstruction using RGB-D sensor // Applications of Digital Image Processing XLIII / Ed. by Andrew G. Tescher, Touradj Ebrahimi; International Society for Optics and Photonics. - Vol. 11510. - SPIE, 2020. -Pp. 565-571.

8. A depth camera-based system for automatic measurement of live cattle body parameters / A.N. Ruchay, K.A. Dorofeev, V.V. Kalschikov et al. // IOP Conference Series: Earth and Environmental Science. - Vol. 341. - IOP Publishing, 2019. - P. 012148.

9. Accurate 3D shape recovery of live cattle with three depth cameras / A.N. Ruchay, K.A. Dorofeev, V.V. Kalschikov et al. // IOP Conference Series: Earth and Environmental Science. - Vol. 341. - IOP Publishing, 2019. -P. 012147.

10. Ruchay A.N., Dorofeev K.A., Kolpakov V.I. Fusion of information from multiple Kinect sensors for 3D object reconstruction // Computer Optics. — 2018.

- Vol. 42, no. 5. — Pp. 898-903.

11. Ruchay Alexey, Dorofeev Konstantin, Kober Anastasia. 3D object reconstruction using multiple Kinect sensors and initial estimation of sensor parameters // Proc.SPIE. — Vol. 10752. — 2018. — Pp. 1075222-8.

12. Ruchay Alexey, Dorofeev Konstantin, Kober Anastasia. An efficient detection of local features in depth maps // Proc. SPIE. — Vol. 10752. — 2018. — Pp. 1075223-8.

13. Ruchay Alexey, Dorofeev Konstantin, Kober Anastasia. Accuracy analysis of 3D object reconstruction using RGB-D sensor // Proceedings of the International Conference Information Technology and Nanotechnology. Session Image Processing and Earth Remote Sensing. — Vol. 2210 of CEUR Workshop Proceedings. — 2018. — Pp. 82-88.

14. Ruchay Alexey, Dorofeev Konstantin, Kober Anastasia. Accurate reconstruction of the 3D indoor environment map with a RGB-D camera based on multiple ICP // Proceedings of the International Conference Information Technology and Nanotechnology. Session Image Processing and Earth Remote Sensing.

— Vol. 2210 of CEUR Workshop Proceedings. — 2018. — Pp. 300-308.

15. 2-D/3-D fusion-based robust pose normalisation of 3-D livestock from multiple RGB-D cameras / Jie Lu, Hao Guo, Ao Du et al. // Biosystems Engineering. — 2022. — Vol. 223(B). — Pp. 129-141.

16. Ruchay A., Gladkov A., Chelabiev R. Fast 3D object pose normalization for point cloud // Proceedings of SPIE - The International Society for Optical Engineering. — Vol. 11842. — 2021. — P. 118421R.

17. Fast 3D object symmetry detection for point cloud / A. Ruchay, V. Kalschikov, A. Gridnev, H. Guo // Proceedings of SPIE - The International Society for Optical Engineering. — Vol. 11842. — 2021. — P. 118421S.

18. Automated method for measuring body size parameters of live pigs based on non-rigid registration of point clouds / Zicheng Gao, Jie Lei, Jianhuan Wu et al. // 2023 IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor). — 2023. — Pp. 472-477.

19. Automatic livestock body measurement based on keypoint detection with multiple depth cameras / Ao Du, Hao Guo, Jie Lu et al. // Computers and Electronics in Agriculture. — 2022. — Vol. 198. — P. 107059.

20. Automatic heart girth measurement for cattle based on deep learning / Ao Du, Hao Guo, Jie Lu et al. // 2021 IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor). — 2021. — Pp. 27-31.

21. A Comparative Study of Machine Learning Methods for Predicting Live Weight of Duroc, Landrace, and Yorkshire Pigs / Alexey Ruchay, Svetlana Grit-senko, Evgenia Ermolova et al. // Animals. — 2022. — Vol. 12, no. 9. — P. 1152.

22. Live Weight Prediction of Cattle Based on Deep Regression of RGB-D Images / Alexey Ruchay, Vitaly Kober, Konstantin Dorofeev et al. // Agriculture. — 2022. — Vol. 12, no. 11. — P. 1794.

23. Comparative analysis of machine learning algorithms for predicting live weight of Hereford cows / Alexey Ruchay, Vitaly Kober, Konstantin Dorofeev et al. // Computers and Electronics in Agriculture. — 2022. — Vol. 195. — P. 106837.

24. Predicting the body weight of Hereford cows using machine learning / A N Ruchay, V I Kolpakov, V V Kalschikov et al. // IOP Conference Series: Earth and Environmental Science. — Vol. 624. — IOP Publishing, 2021. — P. 012056.

25. Live weight prediction of cattle using deep image regression / Alexey Ruchay, Konstantin Dorofeev, Vsevolod Kalschikov et al. // 2021 IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor). — 2021. — Pp. 32-36.

26. Recent Advancements in Precision Livestock Farming / Gang Liu, Hao Guo, Alexey Ruchay, Andrea Pezzuolo // Agriculture. — 2023. — Vol. 13, no. 9. — P. 1652.

27. Curve Skeleton Extraction from Incomplete Point Clouds of Livestock and Its Application in Posture Evaluation / Yihu Hu, Xinying Luo, Zicheng Gao et al. // Agriculture. — 2022. — Vol. 12, no. 7. — P. 998.

28. Ручай А.Н. Обзор исследований в области оценки физических и морфологических характеристик биологических макрообъектов по изображениям / / Прикаспийский журнал: управление и высокие технологии. — 2023. — Vol. 62, no. 2. — Pp. 107-118.

29. Automatic method for quantitatively analyzing the body condition of livestock from 3D shape / Jialong Zhang, Jie Lei, Jianhuan Wu et al. // Computers and Electronics in Agriculture. — 2023. — Vol. 214. — P. 108307.

30. On-Barn Forecasting Beef Cattle Production Based on Automated Non-Contact Body Measurement System / Svetlana Gritsenko, Alexey Ruchay, Vladimir Kolpakov et al. // Animals. — 2023. — Vol. 13, no. 4. — P. 611.

31. Genome-Wide Associative Study of Phenotypic Parameters of the 3D Body Model of Aberdeen Angus Cattle with Multiple Depth Cameras / Alexey Ruchay, Vladimir Kolpakov, Dianna Kosyan et al. // Animals. — 2022. — Vol. 12, no. 16. — P. 2128.

32. Колпаков В.И., Ручай А.Н., Мирошников С.А. Свидетельство о государственной регистрации программы для ЭВМ № 2021669674. Быстрое вычисление геодезического расстояния на трехмерной модели животного.

— Заявка № 2021669228 от 24.11.2021; дата государственной регистрации в Реестре программ для ЭВМ 01.12.2021. — 1 с.

33. Колпаков В.И., Ручай А.Н., Мирошников С.А. Свидетельство о государственной регистрации программы для ЭВМ № 2021680388. Автоматическое выравнивание позы трехмерной модели животного. — Заявка № 2021669668 от 01.12.2021; дата государственной регистрации в Реестре программ для ЭВМ 09.12.2021. — 1 с.

34. Ручай А.Н., Дорофеев К.А., Колпаков В.И. & й1 Свидетельство о государственной регистрации программы для ЭВМ № 2019614479. Трехмерные математические инварианты для замены субъективных оценок экстерьера животного. — Заявка № 2019613117 от 26.03.2019; дата государственной регистрации в Реестре программ для ЭВМ 26.03.2019. — 1 с.

35. Ручай А.Н., Кальщиков В.В., Колпаков В.И. & й1 Свидетельство о государственной регистрации программы для ЭВМ № 2019614397. Оценка живой массы крупного рогатого скота с использованием методов бесконтактной трехмерной реконструкции форм животных. — Заявка № 2019613102 от 26.03.2019; дата государственной регистрации в Реестре программ для ЭВМ 26.03.2019. — 1 с.

36. Ручай А.Н., Колпаков В.И., Дорофеев К.А. Свидетельство о государственной регистрации базы данных № 2022623200. База данных ИСБ-Э изображений и ручных промеров экспериментальной группы животных.

— Заявка № 2022623136 от 24.11.2022; дата государственной регистрации в Реестре базы данных 02.12.2022. — 1 с.

37. Ручай А.Н., Колпаков В.И., Дорофеев К.А. Свидетельство о государственной регистрации базы данных № 2022623242. Данные биометрических исследований, включающие результаты выявления зависимостей отдельных статей экстерьера, индексов, 3Э-моделей поверхности тела животных и присутствия отдельных генетических признаков. — Заявка № 2022623150 от 24.11.2022; дата государственной регистрации в Реестре базы данных 05.12.2022. — 1 с.

38. Ручай А.Н., Дорофеев К.А., Колпаков В.И. & й1 Свидетельство о государственной регистрации базы данных № 2021622534.База данных ИСБ-Э изображений и ручных промеров племенных животных абердин-ангусской породы. — Заявка № 2021622460 от 12.11.2021; дата государственной регистрации в Реестре базы данных 18.11.2021. — 1 с.

39. Колпаков В.И., Ручай А.Н., Мирошников С.А. Свидетельство о государственной регистрации базы данных № 2021622896. База данных RGB-D изображений и ручных промеров племенных животных Bos Taurus. — Заявка № 2021622743 от 24.11.2021; дата государственной регистрации в Реестре базы данных 10.12.2021. — 1 с.

40. Ручай А.Н., Колпаков В.И., Герасимов Н.П. et al. Свидетельство о государственной регистрации базы данных № 2021622569. Данные биометрических исследований, включающие результаты выявления зависимостей отдельных статей экстерьера, индексов, 3-D моделей поверхности тела животных и присутствия отдельных генетических признаков. — Заявка № 2021622475 от 12.11.2021; дата государственной регистрации в Реестре базы данных 19.11.2021. — 1 с.

41. Колпаков В.И., Ручай А.Н., Джуламанов К.М. et al. Свидетельство о государственной регистрации базы данных № 2019622142. Параметры экстерьера племенных животных герефордкой породы разных эколого-генетических групп. — Заявка № 2019621923 от 26.10.2019; дата государственной регистрации в Реестре базы данных 21.10.2019. — 1 с.

42. Applications of sensors in livestock management / Sandeep Kaswan, Gau-ri A. Chandratre, Deepak Upadhyay et al. // Engineering Applications in Livestock Production / Ed. by Ayon Tarafdar, Ashok Pandey, Gyanendra Kumar Gaur et al. — Academic Press, 2024. — Pp. 63-92.

43. RGB-D datasets using microsoft kinect or similar sensors: a survey / Ziyun Cai, Jungong Han, Li Liu, Ling Shao // Multimedia Tools and Applications.

— 2017. — Vol. 76, no. 3. — Pp. 4313-4355.

44. 3D scanning deformable objects with a single RGBD sensor / M. Dou, J. Taylor, H. Fuchs et al. // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2015. — Pp. 493-501.

45. Real-Time Geometry, Albedo, and Motion Reconstruction Using a Single RGB-D Camera / Kaiwen Guo, Feng Xu, Tao Yu et al. // ACM Trans. Graph.

— 2017. — Vol. 36, no. 3. — Pp. 32:1-32:13.

46. Point Cloud Mapping Measurements Using Kinect RGB-D Sensor and Kinect Fusion for Visual Odometry / N. Namitha, S.M. Vaitheeswaran, V.K. Jayasree, M.K. Bharat // Procedia Computer Science. — 2016. — Vol. 89, no. Supplement C. — Pp. 209—212.

47. Towards a Realistic Indoor World Reconstruction: Preliminary Results for an Object-Oriented 3D RGB-D Mapping / ChangHyun Jun, Jaehyeon Kang, Suyong Yeon et al. // Intelligent Automation & Soft Computing. — 2017. — Vol. 23, no. 2. — Pp. 207-218.

48. Susanto Wandi, Rohrbach Marcus, Schiele Bernt. 3D Object Detection with Multiple Kinects // Computer Vision - ECCV 2012. Workshops and Demonstrations: Florence, Italy, October 7-13, 2012, Proceedings, Part II. — Berlin, Heidelberg: Springer Berlin Heidelberg, 2012. — Pp. 93-102.

49. Kowalski Marek, Naruniec Jacek, Daniluk Michal. Livescan3D: A Fast and Inexpensive 3D Data Acquisition System for Multiple Kinect v2 Sensors // 2015 International Conference on 3D Vision (3DV). — Los Alamitos, CA, USA: IEEE Computer Society, 2015. — Pp. 318-325.

50. A multiple camera calibration and point cloud fusion tool for Kinect {V2} / Diana-Margarita Cordova-Esparza, Juan R. Terven, Hugo Jimenez-Hernandez, Ana-Marcela Herrera-Navarro // Science of Computer Programming.

— 2017. — Vol. 143. — Pp. 1—8.

51. Automated calculation of udder depth and rear legB angle in Holstein-Friesian cows using a multi-Kinect cow scanning system / Jennifer Salau, Jan H. Haas, Wolfgang Junge, Georg Thaller // Biosystems Engineering. — 2017.

— Vol. 160. — Pp. 154-169.

52. A multi-Kinect cow scanning system: Calculating linear traits from manually marked recordings of Holstein-Friesian dairy cows / Jennifer Salau, Jan H. Haas, Wolfgang Junge, Georg Thaller // Biosystems Engineering. — 2017.

— Vol. 157. — Pp. 92-98.

53. 3-D Imaging Systems for Agricultural Applications: A Review / Manuel Vazquez-Arellano, Hans W. Griepentrog, David Reiser, Dim-itris S. Paraforos // Sensors. — 2016. — Vol. 16, no. 5. — P. 618.

54. Nasirahmadi Abozar, Edwards Sandra A., Sturm Barbara. Implementation of machine vision for detecting behaviour of cattle and pigs // Livestock Science. — 2017. — Vol. 202. — Pp. 25-38.

55. Tasdemir Sakir, Urkmez Abdullah, Inal Seref. Determination of body measurements on the Holstein cows using digital image analysis and estimation of live weight with regression analysis // Computers and Electronics in Agriculture.

— 2011. — Vol. 76, no. 2. — Pp. 189-197.

56. 3D Model Generation of Cattle by Shape-from-Silhouette Method for ICT Agriculture / Y. Xiang, S. Nakamura, H. Tamari et al. // 2016 10th International Conference on Complex, Intelligent, and Software Intensive Systems (CISIS). — 2016. — Pp. 611-616.

57. Image feature extraction for classification of aggressive interactions among pigs / S. Viazzi, G. Ismayilova, M. Oczak et al. // Computers and Electronics in Agriculture. — 2014. — Vol. 104. — Pp. 57-62.

58. A preliminarily study for predicting body weight and milk properties in lactating Holstein cows using a three-dimensional camera system / Yukako Kuzuhara, Kensuke Kawamura, Rena Yoshitoshi et al. // Computers and Electronics in Agriculture. — 2015. — Vol. 111. — Pp. 186-193.

59. Implementation of an automatic 3D vision monitor for dairy cow locomotion in a commercial farm / Tom Van Hertem, Andres Schlageter Tello, Stefano Viazzi et al. // Biosystems Engineering. — 2018. — Vol. 173. — Pp. 166-175.

— Advances in the Engineering of Sensor-based Monitoring and Management Systems for Precision Livestock Farming.

60. Non-Contact Body Measurement for Qinchuan Cattle with LiDAR Sensor / Lvwen Huang, Shuqin Li, Anqi Zhu et al. // Sensors. — 2018. — Vol. 18, no. 9. — P. 3014.

61. 3D Computer-vision system for automatically estimating heifer height and body mass / Oron Nir, Yisrael Parmet, Daniel Werner et al. // Biosystems Engineering. — 2018. — Vol. 173. — Pp. 4-10. — Advances in the Engineering of Sensor-based Monitoring and Management Systems for Precision Livestock Farming.

62. Framework of Cow Calving Monitoring System Using a Single Depth Camera / K. Sumi, T. T. Zin, I. Kobayashi, Y. Horii // 2018 International Conference on Image and Vision Computing New Zealand (IVCNZ). — 2018. — Pp. 1-7.

63. Automated body weight prediction of dairy cows using 3-dimensional vision / X. Song, E.A.M. Bokkers, P.P.J. van der Tol et al. // Journal of Dairy Science. — 2018. — Vol. 101, no. 5. — Pp. 4448-4459.

64. Live animal assessments of rump fat and muscle score in Angus cows and steers using 3-dimensional imaging / M. J. McPhee, B. J. Walmsley, L. M. Cafe et al. // Journal of Animal Science. — 2017. — 04. — Vol. 95, no. 4. — Pp. 18471857.

65. LSSA CAU: An interactive 3d point clouds analysis software for body measurement of livestock with similar forms of cows or pigs / Hao Guo, Xi-aodong Ma, Qin Ma et al. // Computers and Electronics in Agriculture. — 2017.

— Vol. 138. — Pp. 60-68.

66. Three-Dimensional Shape Measurement System for Black Cattle Using KINECT Sensor / Kikuhito Kawasue, T. Ikeda, Tadaaki Tokunaga, H. Harada // International Journal of Circuits, Systems and Signal Processing. — 2013. — 01.

— Vol. 7. — Pp. 222-230.

67. Black cattle body shape and temperature measurement using thermogra-phy and KINECT sensor / Kikuhito Kawasue, Khin Dagon Win, Kumiko Yoshida,

Tadaaki Tokunaga // Artificial Life and Robotics. — 2017. — Dec. — Vol. 22, no. 4. — Pp. 464-470.

68. A Feasibility Study on the Use of a Structured Light Depth-Camera for Three-Dimensional Body Measurements of Dairy Cows in Free-Stall Barns / Andrea Pezzuolo, Marcella Guarino, Luigi Sartori, Francesco Marinello // Sensors. — 2018. — Vol. 18, no. 2. — P. 673.

69. Automated body condition scoring of dairy cows using 3-dimensional feature extraction from multiple body regions / X. Song, E.A.M. Bokkers, S. van Mourik et al. // Journal of Dairy Science. — 2019. — Vol. 102, no. 5. — Pp. 4294-4308.

70. 3D Model Generation of Cattle Using Multiple Depth-Maps for ICT Agriculture / Naoto Maki, Shohei Nakamura, Shigeru Takano, Yoshihiro Okada // Complex, Intelligent, and Software Intensive Systems / Ed. by Leonard Barolli, Olivier Terzo. — Cham: Springer International Publishing, 2018. — Pp. 768-777.

71. High-precision scanning system for complete 3D cow body shape imaging and analysis of morphological traits / Y. Le Cozler, C Allain, A. Caillot et al. // Computers and Electronics in Agriculture. — 2019. — Vol. 157. — Pp. 447-453.

72. Cattle detection and counting in UAV images based on convolutional neural networks / Wen Shao, Rei Kawakami, Ryota Yoshihashi et al. // International Journal of Remote Sensing. — 2020. — Vol. 41, no. 1. — Pp. 31-52.

73. Evaluation of low-cost depth cameras for agricultural applications / Isabella C.F.S. Condotta, Tami M. Brown-Brandl, Santosh K. Pitla et al. // Computers and Electronics in Agriculture. — 2020. — Vol. 173. — P. 105394.

74. Estimation of backfat thickness using extracted traits from an automatic 3D optical system in lactating Holstein-Friesian cows / Astrid Weber, Jennifer Salau, Jan Henning Haas et al. / / Livestock Science. — 2014. — Vol. 165. — Pp. 129 - 137. — URL: http://www.sciencedirect.com/science/article/pii/S1871141314001747.

75. Early and non-intrusive lameness detection in dairy cows using 3-dimensional video / K. Abdul Jabbar, Mark F. Hansen, Melvyn L. Smith, Lyndon N. Smith // Biosystems Engineering. — 2017. — Vol. 153. — Pp. 63 -69.

76. Validation of an Automated Body Condition Scoring System Using 3D Imaging / Niall O' Leary, Lorenzo Leso, Frank Buckley et al. // Agriculture. — 2020. — Vol. 10, no. 6. — P. 246.

77. Body Condition Score Estimation Based on Regression Analysis Using a 3D Camera / Thi Thi Zin, Pann Thinzar Seint, Pyke Tin et al. // Sensors. — 2020. — Vol. 20, no. 13. — P. 3705.

78. Segmentation of body parts of cows in RGB-depth images based on template matching / Nan Jia, Gert Kootstra, Peter Groot Koerkamp et al. // Computers and Electronics in Agriculture. — 2021. — Vol. 180. — P. 105897.

79. Shi Chen, Zhang Jianlong, Teng Guanghui. Mobile measuring system based on LabVIEW for pig body components estimation in a large-scale farm // Computers and Electronics in Agriculture. — 2019. — Vol. 156. — Pp. 399-405.

80. Sfikas Konstantinos, Theoharis Theoharis, Pratikakis Ioannis. ROSy+: 3D Object Pose Normalization Based on PCA and Reflective Object Symmetry with Application in 3D Object Retrieval // International Journal of Computer Vision. — 2011. — 02. — Vol. 91. — Pp. 262-279.

81. 3D local feature BKD to extract road information from mobile laser scanning point clouds / Bisheng Yang, Yuan Liu, Zhen Dong et al. // ISPRS Journal of Photogrammetry and Remote Sensing. — 2017. — Vol. 130, no. Supplement C. — Pp. 329 - 343.

82. Automatic extraction of building boundaries using aerial LiDAR data / Ruisheng Wang, Yong Hu, Huayi Wu, Jian Wang // Journal of Applied Remote Sensing. — 2016. — Vol. 10. — Pp. 10-20.

83. Vosselman George, Coenen Maximilian, Rottensteiner Franz. Contextual segment-based classification of airborne laser scanner data // ISPRS Journal of Photogrammetry and Remote Sensing. — 2017. — Vol. 128, no. Supplement C. — Pp. 354-371.

84. A voting-based statistical cylinder detection framework applied to fallen tree mapping in terrestrial laser scanning point clouds / Przemyslaw Polewski, Wei Yao, Marco Heurich et al. // ISPRS Journal of Photogrammetry and Remote Sensing. — 2017. — Vol. 129, no. Supplement C. — Pp. 118-130.

85. Thomson Charles, Boehm Jan. Automatic Geometry Generation from Point Clouds for BIM // Remote Sensing. — 2015. — Vol. 7, no. 9. — Pp. 1175311775.

86. Luhmann Thomas. Close range photogrammetry for industrial applications // ISPRS Journal of Photogrammetry and Remote Sensing. — 2010. — Vol. 65, no. 6. — Pp. 558-569. — ISPRS Centenary Celebration Issue.

87. Martens Jan, Blankenbach Jorg. An evaluation of pose-normalization algorithms for point clouds introducing a novel histogram-based approach // Advanced Engineering Informatics. — 2020. — Vol. 46. — P. 101132.

88. A bilateral symmetry based pose normalization framework applied to livestock body measurement in point clouds / Hao Guo, ZhenBo Li, Qin Ma et al. // Computers and Electronics in Agriculture. — 2019. — Vol. 160. — Pp. 59-70.

89. Sfikas Konstantinos, Theoharis Theoharis, Pratikakis Ioannis. Pose normalization of 3D models via reflective symmetry on panoramic views // The Visual Computer. — 2014. - 11. - Vol. 30. - Pp. 1261-1274.

90. Ecins Aleksandrs, Ferm?ller Cornelia, Aloimonos Yiannis. Detecting Re-flectional Symmetries in 3D Data Through Symmetrical Fitting // 2017 IEEE International Conference on Computer Vision Workshops (ICCVW). — 2017. — Pp. 1779-1783.

91. Wu Zhelun, Jiang Hongyan, He Siyun. Symmetry detection of occluded point cloud using deep learning // Procedia Computer Science. — 2021. — Vol. 183. — Pp. 32-39. — Proceedings of the 10th International Conference of Information and Communication Technology.

92. Dominant Symmetry Plane Detection for Point-Based 3D Models / Chen He, Lei Wang, Yonghui Zhang, Chunmeng Wang // Advances in Multimedia. — 2020. — 10. — Vol. 2020. — Pp. 1-8.

93. Nagar Rajendra, Raman Shanmuganathan. 3DSymm: Robust and Accurate 3D Reflection Symmetry Detection // Pattern Recognition. — 2020. — Vol. 107. — P. 107483.

94. PRS-Net: Planar Reflective Symmetry Detection Net for 3D Models / Lin Gao, Ling-Xiao Zhang, Hsien-Yu Meng et al. // IEEE Transactions on Visualization and Computer Graphics. — 2020. — 06. — Vol. PP. — Pp. 1-1.

95. Gothandaraman Rajkumar, Sreekumar M. Virtual models in 3D digital reconstruction: detection and analysis of symmetry // Journal of Real-Time Image Processing. — 2021. — 05.

96. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation / R. Girshick, J. Donahue, T. Darrell, J. Malik // 2014 IEEE Conference on Computer Vision and Pattern Recognition. — 2014. — Pp. 580-587.

97. Girshick R. Fast R-CNN //2015 IEEE International Conference on Computer Vision (ICCV). — 2015. — Pp. 1440-1448.

98. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks / S. Ren, K. He, R. Girshick, J. Sun // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2017. — Vol. 39, no. 6. — Pp. 11371149.

99. You Only Look Once: Unified, Real-Time Object Detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2016. — Pp. 779-788.

100. Pruning multi-view stereo net for efficient 3D reconstruction / Xiang Xi-ang, Zhiyuan Wang, Shanshan Lao, Baochang Zhang // ISPRS Journal of Pho-togrammetry and Remote Sensing. — 2020. — Vol. 168. — Pp. 17-27.

101. Learning sequential slice representation with an attention-embedding network for 3D shape recognition and retrieval in MLS point clouds / Zhipeng Luo, Di Liu, Jonathan Li et al. // ISPRS Journal of Photogrammetry and Remote Sensing. - 2020. - Vol. 161. - Pp. 147-163.

102. Acharya Debaditya, Khoshelham Kourosh, Winter Stephan. BIM-PoseNet: Indoor camera localisation using a 3D indoor model and deep learning from synthetic images // ISPRS Journal of Photogrammetry and Remote Sensing.

- 2019. - Vol. 150. - Pp. 245-258.

103. A Frustum-based probabilistic framework for 3D object detection by fusion of LiDAR and camera data / Zheng Gong, Haojia Lin, Dedong Zhang et al. // ISPRS Journal of Photogrammetry and Remote Sensing. - 2020. - Vol. 159. -Pp. 90-100.

104. Multi-level monitoring of three-dimensional building changes for megac-ities: Trajectory, morphology, and landscape / Shisong Cao, Mingyi Du, Wen-ji Zhao et al. // ISPRS Journal of Photogrammetry and Remote Sensing. - 2020.

- Vol. 167. - Pp. 54-70.

105. Frustum pointnets for 3d object detection from rgb-d data / Charles R Qi, Wei Liu, Chenxia Wu et al. // Proceedings of the IEEE conference on computer vision and pattern recognition. - 2018. - Pp. 918-927.

106. Shen Xiaoke, Stamos Ioannis. Frustum VoxNet for 3D object detection from RGB-D or Depth images // The IEEE Winter Conference on Applications of Computer Vision. - 2020. - Pp. 1698-1706.

107. Lahoud J., Ghanem B. 2D-Driven 3D Object Detection in RGB-D Images // 2017 IEEE International Conference on Computer Vision (ICCV). - 2017.

- Pp. 4632-4640.

108. ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images / Zhuoyi Wang, Saeed Shadpour, Esther Chan et al. // Journal of Animal Science. - 2021. - Vol. 99, no. 2.

109. OZKAYA S. The prediction of live weight from body measurements on female Holstein calves by digital image analysis // The Journal of Agricultural Science. - 2013. - Vol. 151, no. 4. - P. 570-576.

110. Tasdemir Sakir, Ozkan Ilker Ali. ANN approach for estimation of cow weight depending on photogrammetric body dimensions // International Journal of Engineering and Geosciences. - 2019. - Vol. 4. - Pp. 36-44.

111. Prediction of Girolando cattle weight by means of body measurements extracted from images / Vanessa Weber, Fabricio Weber, Rodrigo Gomes et al. // Revista Brasileira de Zootecnia. - 2020. - 03. - Vol. 49.

112. Cattle breed identification and live weight evaluation on the basis of machine learning and computer vision / Oleg Rudenko, Yuri Megel, Oleksandr Bez-sonov, Antonina Rybalka // CMIS. - 2020.

113. Mortensen Anders Krogh, Lisouski Pavel, Ahrendt Peter. Weight prediction of broiler chickens using 3D computer vision // Computers and Electronics in Agriculture. - 2016. - Vol. 123. - Pp. 319-326.

114. On-Barn Pig Weight Estimation Based on Body Measurements by Structure-from-Motion (SfM) / Andrea Pezzuolo, Veronica Milani, Dehai Zhu et al. // Sensors. - 2018. - Vol. 18.

115. Automatic weight measurement of pigs based on 3D images and regression network / Hengxiang He, Yulong Qiao, Ximeng Li et al. // Computers and Electronics in Agriculture. - 2021. - Vol. 187. - P. 106299.

116. Deep Learning Techniques for Beef Cattle Body Weight Prediction / Mikel Gjergji, Vanessa de Moraes Weber, Luiz Otavio Campos Silva et al. // 2020 International Joint Conference on Neural Networks (IJCNN). - 2020. -Pp. 1-8.

117. Jun Kyungkoo, Kim Si Jung, Ji Hyun Wook. Estimating pig weights from images without constraint on posture and illumination // Computers and Electronics in Agriculture. - 2018. - Vol. 153. - Pp. 169-176.

118. On-barn pig weight estimation based on body measurements by a Kinect v1 depth camera / Andrea Pezzuolo, Marcella Guarino, Luigi Sartori et al. // Computers and Electronics in Agriculture. - 2018. - Vol. 148. - Pp. 29-36.

119. Comparison of a three-dimensional and two-dimensional camera system for automated measurement of back posture in dairy cows / S. Viazzi, C. Bahr, T. Van Hertem et al. // Computers and Electronics in Agriculture. - 2014. -Vol. 100. - Pp. 139-147.

120. 3D SCANNING OF LIVE PIGS SYSTEM AND ITS APPLICATION IN BODY MEASUREMENTS / Guo Hao, Ke Wang, W. Su et al. // ISPRS -International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - 2017. - 09. - Vol. XLII-2/W7. - Pp. 211-217.

121. A portable and automatic Xtion-based measurement system for pig body size / Ke Wang, Hao Guo, Qin Ma et al. // Computers and Electronics in Agriculture. - 2018. - Vol. 148. - Pp. 291-298.

122. Research on 3D surface reconstruction and body size measurement of pigs based on multi-view RGB-D cameras / Shi Shuai, Yin Ling, Liang Shihao et al. // Computers and Electronics in Agriculture. - 2020. - Vol. 175. - P. 105543.

123. Shi Chen, Zhang Jianlong, Teng Guanghui. Mobile measuring system based on LabVIEW for pig body components estimation in a large-scale farm // Computers and electronics in agriculture. - 2019. - Vol. 156. - Pp. 399-405.

124. Automatic lameness detection based on consecutive 3D-video recordings / Tom Van Hertem, Stefano Viazzi, Machteld Steensels et al. // Biosystems Engineering. — 2014. — Vol. 119. — Pp. 108-116.

125. Volume and surface area of Holstein dairy cows calculated from complete 3D shapes acquired using a high-precision scanning system: Interest for body weight estimation / Y. Le Cozler, C. Allain, C. Xavier et al. // Computers and Electronics in Agriculture. — 2019. — Vol. 165. — P. 104977.

126. 3d skeletons: A state-of-the-art report / Andrea Tagliasacchi, Thomas Delame, Michela Spagnuolo et al. // Computer Graphics Forum / Wiley Online Library. — Vol. 35. — 2016. — Pp. 573-597.

127. Bai Xiang, Latecki Longin Jan, Liu Wen-Yu. Skeleton pruning by contour partitioning with discrete curve evolution // IEEE transactions on pattern analysis and machine intelligence. — 2007. — Vol. 29, no. 3. — Pp. 449-462.

128. Bai Xiang, Latecki Longin Jan. Discrete skeleton evolution // International Workshop on Energy Minimization Methods in Computer Vision and Pattern Recognition / Springer. — 2007. — Pp. 362-374.

129. Mean curvature skeletons / Andrea Tagliasacchi, Ibraheem Alhashim, Matt Olson, Hao Zhang // Computer Graphics Forum / Wiley Online Library.

— Vol. 31. — 2012. — Pp. 1735-1744.

130. Point cloud skeletons via laplacian based contraction / Junjie Cao, Andrea Tagliasacchi, Matt Olson et al. // 2010 Shape Modeling International Conference / IEEE. — 2010. — Pp. 187-197.

131. Tagliasacchi Andrea, Zhang Hao, Cohen-Or Daniel. Curve skeleton extraction from incomplete point cloud // ACM SIGGRAPH 2009 papers. — 2009.

— Pp. 1-9.

132. L1-medial skeleton of point cloud. / Hui Huang, Shihao Wu, Daniel Cohen-Or et al. // ACM Trans. Graph. — 2013. — Vol. 32, no. 4. — Pp. 65-1.

133. Skeleton based shape matching and retrieval / Hari Sundar, Deborah Silver, Nikhil Gagvani, Sven Dickinson // 2003 Shape Modeling International. / IEEE. — 2003. — Pp. 130-139.

134. Shape deformation using a skeleton to drive simplex transformations / Han-Bing Yan, Shimin Hu, Ralph R Martin, Yong-Liang Yang // IEEE Transactions on Visualization and Computer Graphics. — 2008. — Vol. 14, no. 3. — Pp. 693-706.

135. Seylan Caglar, Sahillioglu Yusuf. 3D skeleton transfer for meshes and clouds // Graphical Models. — 2019. — Vol. 105. — P. 101041.

136. Point2Skeleton: Learning Skeletal Representations from Point Clouds / C. Lin, C. Li, Y. Liu et al. // 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). - IEEE Computer Society, 2021. - Pp. 42754284.

137. Garcia Frederic, Ottersten Bjorn. Real-time curve-skeleton extraction of human-scanned point clouds // International Conference on Computer Vision Theory and Applications (VISAPP 2015). - 2015. - Pp. 54-60.

138. Barros Jilliam Maria Diaz, Garcia Frederic, Sidibé Désiré. Real-time Human Pose Estimation from Body-scanned Point Clouds // VISAPP 2015 -Proceedings of the 10th International Conference on Computer Vision Theory and Applications, Volume 1, Berlin, Germany, 11-14 March, 2015 / Ed. by Jose Braz, Sebastiano Battiato, Francisco H. Imai. - SciTePress, 2015. - Pp. 553-560.

139. Constraint-Based Optimized Human Skeleton Extraction from Single-Depth Camera / Ruotong Li, Weixin Si, Michael Weinmann, Reinhard Klein // Sensors. - 2019. - Vol. 19, no. 11. - P. 2604.

140. Automatic reconstruction of tree skeletal structures from point clouds / Yotam Livny, Feilong Yan, Matt Olson et al. // ACM SIGGRAPH Asia 2010 papers. - 2010. - Pp. 1-8.

141. An accurate skeleton extraction approach from 3D point clouds of maize plants / Sheng Wu, Weiliang Wen, Boxiang Xiao et al. // Frontiers in plant science. - 2019. - Vol. 10.

142. 3D articulated skeleton extraction using a single consumer-grade depth camera / Xuequan Lu, Zhigang Deng, Jun Luo et al. // Computer Vision and Image Understanding. - 2019. - Vol. 188. - P. 102792.

143. Skeleton extraction by mesh contraction / Oscar Kin-Chung Au, Chiew-Lan Tai, Hung-Kuo Chu et al. // ACM transactions on graphics (TOG). - 2008.

- Vol. 27, no. 3. - Pp. 1-10.

144. Automatic estimation of dairy cow body condition score based on attention-guided 3D point cloud feature extraction / Wei Shi, Baisheng Dai, Weizheng Shen et al. // Computers and Electronics in Agriculture. - 2023.

- Vol. 206. - P. 107666.

145. Invited review: Body condition score and its association with dairy cow productivity, health, and welfare / J.R. Roche, N.C. Friggens, J.K. Kay et al. // Journal of Dairy Science. - 2009. - Vol. 92, no. 12. - Pp. 5769-5801.

146. An Improved Approach to Automated Measurement of Body Condition Score in Dairy Cows Using a Three-Dimensional Camera System / Rodrigo I. Albornoz, Khageswor Giri, Murray C. Hannah, William J. Wales // Animals. -2022. - Vol. 12, no. 1. - P. 72.

147. Body condition estimation on cows from depth images using Convolution-al Neural Networks / Juan Rodriguez Alvarez, Mauricio Arroqui, Pablo Mangudo et al. // Computers and Electronics in Agriculture. — 2018. — Vol. 155. — Pp. 12-22.

148. Automatic body condition scoring for dairy cows based on efficient net and convex hull features of point clouds / Kaixuan Zhao, Meng Zhang, Weizheng Shen et al. // Computers and Electronics in Agriculture. — 2023.

— Vol. 205. — P. 107588.

149. Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identification via body parts and estimation of body condition score / Sun Yukun, Huo Pengju, Wang Yujie et al. // Journal of Dairy Science. — 2019. — Vol. 102, no. 11. — Pp. 10140-10151.

150. 3D point cloud data to quantitatively characterize size and shape of shrub crops / Yu Jiang, Changying Li, Fumiomi Takeda et al. // Horticulture Research.

— 2019. — Vol. 6, no. 43.

151. Robust cortical encoding of 3D tongue shape during feeding in macaques / Jeffrey D. Laurence-Chasen, Callum F. Ross, Fritzie I. Arce-McShane, Nicholas G. Hatsopoulos // Nature Communications. — 2023. — Vol. 14, no. 1.

— P. 2991.

152. Relationships between body condition score change, prior mid-lactation phenotypic residual feed intake, and hyperketonemia onset in transition dairy cows / Francesca Rathbun, Ryan Pralle, Sandra Bertics et al. // Journal of Dairy Science. — 2017. — Vol. 100. — Pp. 3685-3696.

153. Effect of stocking rate and animal genotype on dry matter intake, milk production, body weight, and body condition score in spring-calving, grass-fed dairy cows / Emma Louise Coffey, Luc Delaby, S. Fitzgerald et al. // Journal of Dairy Science. — 2017. — Vol. 100. — Pp. 7556-7568.

154. Chebel Ricardo, Mendonca Luis, Baruselli Pietro. Association between body condition score change during the dry period and postpartum health and performance // Journal of Dairy Science. — 2018. — Vol. 101. — Pp. 4595-4614.

155. Automatic recognition of lactating sow postures from depth images by deep learning detector / Chan Zheng, Xunmu Zhu, Xiaofan Yang et al. // Computers and Electronics in Agriculture. — 2018. — Vol. 147. — Pp. 51-63.

156. Automatic recognition of lactating sow behaviors through depth image processing / F. Lao, T. Brown-Brandl, J.P. Stinn et al. // Computers and Electronics in Agriculture. — 2016. — Vol. 125. — Pp. 56 - 62.

157. MacKay Jill R.D., Deag John M., Haskell Marie J. Establishing the extent of behavioural reactions in dairy cattle to a leg mounted activity monitor // Applied Animal Behaviour Science. — 2012. — Vol. 139, no. 1. — Pp. 35-41.

158. Real-time recognition of cattle using animal biometrics / Santosh Kumar, Sanjay Kumar Singh, Ravi Shankar Singh et al. // Journal of Real-Time Image Processing. - 2017. - Sep. - Vol. 13, no. 3. - Pp. 505-526.

159. RGB-D video-based individual identification of dairy cows using gait and texture analyses / Fumio Okura, Saya Ikuma, Yasushi Makihara et al. // Computers and Electronics in Agriculture. - 2019. - Vol. 165. - P. 104944.

160. Savran Arman, Sankur Bijlent. Non-rigid registration based model-free 3D facial expression recognition // Computer Vision and Image Understanding.

- 2017. - Vol. 162. - Pp. 146-165.

161. Active nonrigid ICP algorithm / S. Cheng, I. Marras, S. Zafeiriou, M. Pan-tic // 2015 11th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition (FG). - Vol. 1. - 2015. - Pp. 1-8.

162. Schnabel Ruwen, Wahl Roland, Klein Reinhard. Efficient RANSAC for point-cloud shape detection // Comput. Graph. Forum. - 2007. - 06. - Vol. 26.

- Pp. 214-226.

163. Besl P.J., McKay Neil D. A method for registration of 3-D shapes // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1992. -Vol. 14, no. 2. - Pp. 239-256.

164. Boubou S., Narikiyo T., Kawanishi M. Adaptive filter for denoising 3D data captured by depth sensors // 2017 3DTV Conference: The True Vision -Capture, Transmission and Display of 3D Video (3DTV-CON). - 2017. - Pp. 14.

165. Accuracy analysis of 3D object shape recovery using depth filtering algorithms / A. Ruchay, K. Dorofeev, A. Kober et al. // Proc. SPIE. - Vol. 10752.

- 2018. - Pp. 1075221-10.

166. Rusu R. B, Cousins S. 3D is here: Point Cloud Library (PCL) //2011 IEEE International Conference on Robotics and Automation. - 2011. - Pp. 1-4.

167. Ruchay A.N., Dorofeev K.A., Kalschikov V. V. A novel switching bilateral filtering algorithm for depth map // Computer Optics. - 2019. - Vol. 43, no. 6.

- Pp. 1001-1007.

168. Maddalena Lucia, Petrosino Alfredo. Background Subtraction for Moving Object Detection in RGBD Data: A Survey // Journal of Imaging. - 2018. -Vol. 4, no. 5. - P. 71.

169. Crum W R, Hartkens T, Hill D L G. Non-rigid image registration: theory and practice // British Journal of Radiology. - 2004. - Vol. 77, no. SPEC. ISS. 2. - Pp. S140 - S153.

170. Amberg Brian, Romdhani Sami, Vetter Thomas. Optimal Step Nonrigid ICP Algorithms for Surface Registration. // CVPR. - IEEE Computer Society, 2007.

171. Calibration of multiple Kinect depth sensors for full surface model reconstruction / Kwan Pang Tsui, Kin Hong Wong, Changling Wang et al. // Proc.SPIE. — Vol. 10011. — 2016. — Pp. 10011-6.

172. Moller Tomas, Hughes John F. Efficiently Building a Matrix to Rotate One Vector to Another // Journal of Graphics Tools. — 1999. — Vol. 4, no. 4. — Pp. 1-4.

173. Zhong Yu. Intrinsic shape signatures: A shape descriptor for 3D object recognition // 2009 IEEE 12th International Conference on Computer Vision Workshops, ICCV Workshops. — 2009. — Pp. 689-696.

174. Yu Hongchuan, Zhang Jian, Jiao Zheng. Geodesics on Point Clouds // Mathematical Problems in Engineering. — 2014. — 04. — Vol. 2014. — Pp. 1-12.

175. Ruchay Alexey. The full database with RGB-D data and manual measurements for 154 Hereford cattle. — https://github.com/ruchaya/CowDB. — 2021.

176. A Feasibility Study on the Use of a Structured Light Depth-Camera for Three-Dimensional Body Measurements of Dairy Cows in Free-Stall Barns / Andrea Pezzuolo, Marcella Guarino, Luigi Sartori, Francesco Marinello // Sensors.

— 2018. — Vol. 18, no. 2. — P. 673.

177. Guo Hao, Lu Jie. 2D/3D fusion-based robust pose normalization of 3D livestock from multiple RGB-D cameras. — https://gitee.com/guohaolys/robust-pose-normalization-of-3D-livestock. — 2021.

178. On the growth and form of the gut / Thierry Savin, Natasza A. Kurpios, Amy E. Shyer et al. // NATURE. — 2011. — Vol. 476, no. 7358. — Pp. 57-62.

179. Klingenberg Christian Peter. Evolution and development of shape: integrating quantitative approaches // Nature Reviews Genetics. — 2010. — Vol. 11, no. 9. — Pp. 623-635.

180. Objective estimation of body condition score by modeling cow body shape from digital images / G. Azzaro, M. Caccamo, J.D. Ferguson et al. // Journal of Dairy Science. — 2011. — Vol. 94, no. 4. — Pp. 2126-2137.

181. Brandl Nabil, Jorgensen Erik. Determination of live weight of pigs from dimensions measured using image analysis // Computers and Electronics in Agriculture. — 1996. — Vol. 15, no. 1. — Pp. 57-72.

182. Marchant J. A., Schofield C. P., White R. P. Pig growth and conformation monitoring using image analysis // Animal Science. — 1999. — Vol. 68, no. 1. — Pp. 141-150.

183. Wongsriworaphon Apirachai, Arnonkijpanich Banchar, Pathumnakul Su-pachai. An approach based on digital image analysis to estimate the live weights of pigs in farm environments // Computers and Electronics in Agriculture. — 2015.

— Vol. 115. — Pp. 26-33.

184. Yilmaz Onur, Cemal Ibrahim, Karaca Orhan. Estimation of mature live weight using some body measurements in Karya sheep // TROPICAL ANIMAL HEALTH AND PRODUCTION. - 2013. - Vol. 45, no. 2. - Pp. 397-403.

185. A low-cost stereovision system to estimate size and weight of live sheep / Paolo Menesatti, Corrado Costa, Francesca Antonucci et al. // Computers and Electronics in Agriculture. - 2014. - Vol. 103. - Pp. 33-38.

186. Comparison between manual and stereovision body traits measurements of Lipizzan horses / Federico Pallottino, Roberto Steri, Paolo Menesatti et al. // Computers and Electronics in Agriculture. - 2015. - Vol. 118. - Pp. 408-413.

187. Mortensen Anders Krogh, Lisouski Pavel, Ahrendt Peter. Weight prediction of broiler chickens using 3D computer vision // Computers and Electronics in Agriculture. - 2016. - Vol. 123. - Pp. 319-326.

188. GRNet: Geometric relation network for 3D object detection from point clouds / Ying Li, Lingfei Ma, Weikai Tan et al. // ISPRS Journal of Photogram-metry and Remote Sensing. - 2020. - Vol. 165. - Pp. 43-53.

189. L0-regularization-based skeleton optimization from consecutive point sets of kinetic human body / Yong Zhang, Bowei Shen, Shaofan Wang et al. // ISPRS Journal of Photogrammetry and Remote Sensing. - 2018. - Vol. 143. - Pp. 124133. - ISPRS Journal of Photogrammetry and Remote Sensing Theme Issue "Point Cloud Processing".

190. Lichti Derek D., Qi Xiaojuan, Ahmed Tanvir. Range camera self-calibration with scattering compensation // ISPRS Journal of Photogrammetry and Remote Sensing. - 2012. - Vol. 74, no. Supplement C. - Pp. 101-109.

191. A computer vision approach based on deep learning for the detection of dairy cows in free stall barn / Patrizia Tassinari, Marco Bovo, Stefano Benni et al. // Computers and Electronics in Agriculture. - 2021. - Vol. 182. -P. 106030.

192. Bochkovskiy Alexey, Wang Chien-Yao, Liao Hong-Yuan Mark. YOLOv4: Optimal Speed and Accuracy of Object Detection // arXiv preprint arX-iv:2004.10934. - 2020.

193. Microsoft COCO: Common Objects in Context / Tsung-Yi Lin, Michael Maire, Serge J. Belongie et al. // CoRR. - 2014. - Vol. abs/1405.0312. - URL: http://arxiv.org/abs/1405.0312.

194. Andrew Alex M. Multiple view geometry in computer vision // Kyber-netes. - 2001.

195. Eggert D.W., Lorusso Alice, Fisher Robert. Estimating 3-D Rigid Body Transformations: A Comparison of Four Major Algorithms // Machine Vision and Applications. - 1997. - 03. - Vol. 9. - Pp. 272-290.

196. Automated calculation of heart girth measurement in pigs using body surface point clouds / Ke Wang, Dehai Zhu, Hao Guo et al. // Computers and Electronics in Agriculture. — 2019. — Vol. 156. — Pp. 565-573.

197. Automated pig counting using deep learning / Mengxiao Tian, Hao Guo, Hong Chen et al. // Computers and Electronics in Agriculture. — 2019. — Vol. 163. — P. 104840.

198. Deep learning-based hierarchical cattle behavior recognition with spatio-temporal information / Alvaro Fuentes, Sook Yoon, Jongbin Park, Dong Sun Park // Computers and Electronics in Agriculture. — 2020. — Vol. 177. — P. 105627.

199. Using DeepLabCut for 3D markerless pose estimation across species and behaviors / Tanmay Nath, Alexander Mathis, An Chi Chen et al. // Nature Protocols. — 2019. — URL: 10.1038/s41596-019-0176-0.

200. Deepcut: Joint subset partition and labeling for multi person pose estimation / Leonid Pishchulin, Eldar Insafutdinov, Siyu Tang et al. // Proceedings of the IEEE conference on computer vision and pattern recognition. — 2016. — Pp. 4929-4937.

201. Deep residual learning for image recognition / Kaiming He, Xi-angyu Zhang, Shaoqing Ren, Jian Sun // Proceedings of the IEEE conference on computer vision and pattern recognition. — 2016. — Pp. 770-778.

202. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning / Alexander Mathis, Pranav Mamidanna, Kevin M Cury et al. // Nature neuroscience. — 2018. — Vol. 21, no. 9. — Pp. 1281-1289.

203. Pose estimation and behavior classification of broiler chickens based on deep neural networks / Cheng Fang, Tiemin Zhang, Haikun Zheng et al. // Computers and Electronics in Agriculture. — 2021. — Vol. 180. — P. 105863.

204. Liu He, Reibman Amy R., Boerman Jacquelyn P. Video analytic system for detecting cow structure // Computers and Electronics in Agriculture. — 2020. — Vol. 178. — P. 105761.

205. Hao Guo. Body measurement with 2d 3d fusion. —

https://github.com/LiveStockShapeAnalysis/body-measurement-with-3d-2d-fusion. —

2021.

206. Imagenet: A large-scale hierarchical image database / Jia Deng, Wei Dong, Richard Socher et al. // 2009 IEEE conference on computer vision and pattern recognition / IEEE. — 2009. — Pp. 248-255.

207. Microsoft. ICoordinateMapper::MapColorFrameToCameraSpace Method. — https://docs.microsoft.com/en-us/previous-versions/windows/kinect/dn758861(v=ieb.10)#remarks. — 2014.

208. Sugiura Tsukasa. Kinect2Sampled. — https://github.com/UnaNancyOwen/Kinect2S

- 2019.

209. Hao Guo. Point clouds processing software for livestock body measurement. — https://github.com/LiveStockShapeAnalysis. — 2017.

210. Juhasz Imre, Hoffmann Miklos. On the family of B-spline surfaces obtained by knot modification // Mathematical Communications. — 2006. — Vol. 11, no. 1. — Pp. 9-16.

211. ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images / Zhuoyi Wang, Saeed Shadpour, Esther Chan et al. // Journal of Animal Science. — 2021. — Vol. 99, no. 2.

212. Sawanon Suriya, Boonsaen Phoompong, Innurak Preecha. Body Measurements of Male Kamphaeng Saen Beef Cattle as Parameters for Estimation of Live Weight // Kasetsart Journal - Natural Science. — 2011. — Vol. 45. — Pp. 428-434.

213. Wangchuk Kesang, Wangdi Jigme, Mindu Mindu. Comparison and reliability of techniques to estimate live cattle body weight // Journal of Applied Animal Research. — 2017. — Vol. 46. — P. 4.

214. Vanvanhossou Fridaius, Diogo Rodrigue, Dossa Luc. Estimation of live bodyweight from linear body measurements and body condition score in the West African Savannah Shorthorn Cattle in North-West Benin // Cogent Food And Agriculture. — 2018. — Vol. 4: 1549767.

215. Huma Zil, Iqbal Farhat. Predicting the body weight of Balochi sheep using a machine learning approach // Turkish journal of veterinary and animal sciences. — 2019. — Vol. 43. — Pp. 500-506.

216. Hempstalk Kathryn, Mcparland Sin?ad, Berry D.P. Machine learning algorithms for the prediction of conception success to a given insemination in lac-tating dairy cows // Journal of dairy science. — 2015. — Vol. 98.

217. Using 3D Imaging and Machine Learning to Predict Liveweight and Carcass Characteristics of Live Finishing Beef Cattle / Gemma A. Miller, James J. Hyslop, David Barclay et al. // Frontiers in Sustainable Food Systems.

— 2019. — Vol. 3. — P. 30.

218. Machine learning application in growth and health prediction of broiler chickens / B. Milosevic, Slavica Ciric, N. Lalic et al. // World's Poultry Science Journal. — 2019. — Vol. 75. — Pp. 401-410.

219. Deep Active Learning for Image Regression / Hiranmayi Ranganathan, Hemanth Venkateswara, Shayok Chakraborty, Sethuraman Panchanathan // Deep Learning Applications. — Singapore: Springer Singapore, 2020. — Pp. 113135.

220. Breed Recognition and Estimation of Live Weight of Cattle Based on Methods of Machine Learning and Computer Vision / Oleksandr Bezsonov, Oleh Lebediev, Valentyn Lebediev et al. // Eastern-European Journal of Enterprise Technologies. — 2021. — Vol. 6/9. — P. 64-74.

221. Ruchay Alexey, Kober Vitaly. Clustered impulse noise removal from color images with spatially connected rank filtering // Proc. SPIE. — Vol. 9971. — 2016.

— Pp. 99712Y-10.

222. Ruchay Alexey, Kober Vitaly. Removal of impulse noise clusters from color images with local order statistics // Proc. SPIE. — Vol. 10396. — 2017. — Pp. 1039626-10.

223. Ruchay Alexey, Kober Vitaly. Impulsive noise removal from color video with morphological filtering // Proc. SPIE. — Vol. 10396. — 2017. — Pp. 10396279.

224. Ruchay Alexey, Kober Vitaly. Impulsive Noise Removal from Color Images with Morphological Filtering // Analysis of Images, Social Networks and Texts. — Cham: Springer International Publishing, 2018. — Pp. 280-291.

225. Ruchay A.N., Dorofeev K.A., Kalschikov V.V. Accuracy analysis of 3D object reconstruction using point cloud filtering algorithms. — Vol. 2391. — 2019.

— Pp. 169-174.

226. Chollet François et al. Keras. — https://github.com/fchollet/keras. — 2015.

227. Tan Mingxing, Le Quoc. EfficientNet: Rethinking Model Scaling for Con-volutional Neural Networks // Proceedings of the 36th International Conference on Machine Learning / Ed. by Kamalika Chaudhuri, Ruslan Salakhutdinov. — Vol. 97 of Proceedings of Machine Learning Research. — PMLR, 2019. — Pp. 61056114.

228. Moreira Adriano J. C., Santos Maribel Yasmina. Concave hull: A k-nearest neighbours approach for the computation of the region occupied by a set of points // GRAPP 2007, Proceedings of the Second International Conference on Computer Graphics Theory and Applications, Barcelona, Spain, March 8-11, 2007, Volume GM/R / Ed. by Jose Braz, Pere-Pau Vazquez, Joao Madeiras Pereira. — INSTICC - Institute for Systems and Technologies of Information, Control and Communication, 2007. — Pp. 61-68.

229. Voxel cloud connectivity segmentation-supervoxels for point clouds / Jeremie Papon, Alexey Abramov, Markus Schoeler, Florentin Worgotter // Proceedings of the IEEE conference on computer vision and pattern recognition. — 2013. — Pp. 2027-2034.

230. Kazhdan Michael, Hoppe Hugues. Screened Poisson Surface Reconstruction // ACM Trans. Graph. — 2013. — Vol. 32, no. 3. — Pp. 29:1-29:13.

231. Kazhdan Michael, Bolitho Matthew, Hoppe Hugues. Poisson Surface Reconstruction // Proceedings of the Fourth Eurographics Symposium on Geometry Processing. — SGP '06. — Aire-la-Ville, Switzerland, Switzerland: Eurographics Association, 2006. — Pp. 61-70.

232. Hormann Kai, Agathos Alexander. The point in polygon problem for arbitrary polygons // Computational Geometry. — 2001. — Vol. 20, no. 3. — Pp. 131-144.

233. A Survey on Shape Correspondence / Oliver van Kaick, Hao Zhang, Ghassan Hamarneh, Daniel Cohen-Or // Computer Graphics Forum. — 2011. — Vol. 30, no. 6. — Pp. 1681-1707.

234. Aigerman Noam, Lipman Yaron. Orbifold Tutte embeddings // ACM Trans. Graph. — 2015. — nov. — Vol. 34, no. 6. — 12 pp.

235. Active Shape Models-Their Training and Application / T.F. Cootes, C.J. Taylor, D.H. Cooper, J. Graham // Computer Vision and Image Understanding. — 1995. — Vol. 61, no. 1. — Pp. 38-59.

236. Kendall David G. A Survey of the Statistical Theory of Shape // Statistical Science. — 1989. — Vol. 4, no. 2. — Pp. 87-99.

237. How shape-based anthropometry can complement traditional anthropo-metric techniques: a cross-sectional study / Michael Thelwell, Chuang-Yuan Chiu, Alice Bullas et al. // Scientific Reports. — 2020. — Vol. 10. — P. 12125.

ПРИЛОЖЕНИЯ

¡РСХООТЙКОКАН ФВДИРАШЩШ

СВИДЕТЕЛЬСТВО

о государственной регистрации базы данных

№ 2019622142

«Параметры экстерьера племенных животных герефордской породы разных эколого-генетических групп»

Правообладатель:

и агротехнологий Российской академии наук» (Я11)

Авторы: Колпаков Владимир Иванович (Я11), Ручай Алексей Николаевич (Я V), Джул аминов Киниспай Мурзагулович (Я11), Кобер Анастасия Викторовна (ЯП), Мирошников Иван Сергеевич (Я II)

Заявка № 2019621923 ^^вотазо^ Дата поступления 26 октября 2019 Г.

Дата государственной регистрации

в Реестре баз данных 21 Ноября 2019 г.

Руководитель Федеральной службы по интеллектуальной собственности

Т.П. Ивлиев

Р©ШШ]Ш(0ЖАМ ФВДИРДЩШШ

СВИДЕТЕЛЬСТВО

о государственной регистрации базы данных

№ 2021622534

База данных RGB-D изображений и ручных промеров племенных животных абердин-ангусской породы

Правообладатель: Федеральное государственное бюджетное научное учреждение "Федеральный научный центр биологических систем и агротехнологий Российской академии наук" (Я^

Авторы: Ручай Алексей Николаевич Дорофеев Константин Андреевич Колпаков Владимир Иванович Кальщиков Всеволод Владимирович Лебедев Святослав Валерьевич Рахматуллин Шамиль Гафиуллович ^^

Заявка № 2021622460

Дата поступления 12 ноября 2021 Г.

Дата государственной регистрации

в Реестре баз данных 18 ноября 2021 г.

Руководитель Федеральной службы по интеллектуальной собственности

Сертификат Ох02А5СРВ.СШТгр59А40А2Р08092Е9А118 Владелец Ивлиев Григорий Петрович

Действителен с 13|яЫ!о21 по 15.01.2035

Г.П. Ивлиев

тЖШШШАШ ФВДЕРАЩШШ

СВИДЕТЕЛЬСТВО

о государственной регистрации базы данных

№ 2021622569

Данные биометрических исследований, включающие результаты выявления зависимостей отдельных статей экстерьера, индексов, 3-0 моделей поверхности тела животных и присутствия отдельных генетических признаков

Правообладатель: Федеральное государственное бюджетное научное учреждение "Федеральный научный центр биологических систем и агротехнологий Российской академии наук" (Яи) Авторы: Ручай Алексей Николаевич (Яи), Колпаков Владимир Иванович (Яи), Герасимов Николай Павлович (Яи), Джуламанов Киниспай Мурзагулович (Яи), Косян Дианна Багдасаровна (Яи), Рахматуллин Шамиль Гафиуллович (ЯУ)

Заявка № 2021622475

Дата поступления 12 ноября 2021 Г. Дата государственной регистрации

в Реестре баз данных 19 ноября 2021 г.

Руководитель Федеральной службы по интеллектуальной собственности

Сертификат Ох02А5СРВ.СШТгр59А40А2Р08092Е9А118 Владелец Ивлиев Григорий Петрович

Действителен с 13|яЫ!о21 по 15.01.2035

Г.П. Ивлиев

тЖШШШАШ ФВДЕРАЩШШ

СВИДЕТЕЛЬСТВО

о государственной регистрации базы данных

№ 2021622896

База данных RGB-D изображений и ручных промеров племенных животных Bos Taurus

Правообладатель: ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "ЗОО-ИНЖИНИРИНГ" (RU)

Авторы: Колпаков Владимир Иванович (RU), Ручай Алексей Николаевич (RU), Мирошников Сергей Александрович (RU)

Заявка № 2021622743

Дата поступления 24 ноября 2021 Г.

Дата государственной регистрации в Реестре баз данных 10 декабря 2021 г.

Руководитель Федеральной службы по интеллектуальной собственности

Сертификат Ox02A5CFB.CTD06liipF59A40A2F08092E9A118 Владелец Ивлиев Григорий Петрович

Действителен с 13|яЫ!о21 по 15.01.2035

Г.П. Ивлиев

тЖШШШАШ ФВДЕРАЩШШ

СВИДЕТЕЛЬСТВО

о государственной регистрации базы данных

№ 2021622926

Банк ДНК экспериментальной группы молодняка абердин-ангусской породы, оцененного по показателям мясной и откормочной продуктивности, для генотипирования по SNP-маркерам

Правообладатель: Федеральное государственное бюджетное научное учреждение «Федеральный научный центр биологических систем и агротехнологий Российской академии наук» ^^

Авторы: Ручай Алексей Николаевич Колпаков Владимир Иванович Дорофеев Константин Андреевич Мирошников Иван Сергеевич Рахматуллин Шамиль Гафиуллович ^^

Заявка № 2021622458

Дата поступления 12 ноября 2021 Г.

Дата государственной регистрации

в Реестре баз данных 13 декабря 2021 г.

Руководитель Федеральной службы по интеллектуальной собственности

Сертификат ОхО2А5СГ0^й^1АСЙ9А4ОА2РО8О92Е9А118 Г П ИвЛЫвв

Владелец Ивлиев Григорий Петрович

Действителен с >.§И|^021 по 15.01.2035

ГООТШПЙСОКАЖ ФВДШРАЩШШ

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2021669674

Быстрое вычисление геодезического расстояния на трехмерной модели животного

Правообладатель: Общество с ограниченной ответственностью "ЗОО-ИНЖИНИРИНГ" (Яи)

Авторы: Колпаков Владимир Иванович Ручай Алексей Николаевич (RU), Мирошников Сергей Александрович

т)

Заявка № 2021669228

Дата поступления 24 ноября 2021 Г.

Дата государственной регистрации в Реестре программ для ЭВМ 01 декабря 2021 г.

Руководитель Федеральной службы по интеллектуальной собственности

Сертификат Ох02А5СРВС'ООВГАСР59А40А2Р08092Е9А118 Владелец Ивлиев Григорий Петрович

Действителен с ^»¿2021 по 15.01.2035

Г.П. Ивлиев

ГООТШПЙСОКАЖ ФВДШРАЩШШ

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2021680388

Автоматическое выравнивание позы трехмерной модели животного

Правообладатель: ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "ЗОО-ИНЖИНИРИНГ" (яи)

Авторы: Колпаков Владимир Иванович Ручай Алексей Николаевич (RU), Мирошников Сергей Александрович

т)

Заявка № 2021669668

Дата поступления 01 декабря 2021 Г.

Дата государственной регистрации

в реестре программ для эвм 09 декабря 2021 г.

Руководитель Федеральной службы по интеллектуальной собственности

Сертификат Ох02А5СРВСООВГАСР59А40А2Р08092Е9А118 Владелец Ивлиев Григорий Петрович

Действителен с ^»¿2021 по 15.01.2035

Г.П. Ивлиев

тЖШШШАШ ФВДЕРАЩШШ

СВИДЕТЕЛЬСТВО

о государственной регистрации базы данных

№ 2022623200

База данных RGB-D изображений и ручных промеров экспериментальной группы животных

Правообладатель: Федеральное государственное бюджетное научное учреждение «Федеральный научный центр биологических систем и агротехнологий Российской академии наук» ^^

Авторы: Ручай Алексей Николаевич (КЦ), Колпаков Владимир Иванович (КЦ), Дорофеев Константин Андреевич (КЦ)

Заявка № 2022623136

Дата поступления 24 ноября 2022 Г.

Дата государственной регистрации

в Реестре баз данных 02 декабря 2022 г.

Руководитель Федеральной службы по интеллектуальной собственности

документ подлисансэЯектрОннои подписью

Сертификат 68Ь8бСЙ Владелец 35 Действителен

(4ес1Ьс124145с15с7 |й Сергеевич

ь?. по 26.65:2023

Ю.С. Зубов

тЖШШШАШ ФВДЕРАЩШШ

СВИДЕТЕЛЬСТВО

о государственной регистрации базы данных

№ 2022623242

Данные биометрических исследований, включающие результаты выявления зависимостей отдельных статей экстерьера, индексов, 3D-моделей поверхности тела животных и присутствия отдельных генетических признаков

Правообладатель: Федеральное государственное бюджетное научное учреждение «Федеральный научный центр биологических систем и агротехнологий Российской академии наук» ^^

Авторы: Ручай Алексей Николаевич №и), Колпаков Владимир Иванович №и), Дорофеев Константин Андреевич ^и)