Российский АПК ежегодно теряет около 30 млрд рублей из-за болезней крупного рогатого скота — прежде всего из-за того, что патологии опорно-двигательного аппарата обнаруживаются слишком поздно. Специалисты Тимирязевской академии совместно с Университетским консорциумом исследователей больших данных разработали платформу цифрового фенотипирования, которая переводит наблюдение за животными с ручного режима на автоматический анализ видеопотока.
Система работает по принципу компьютерного зрения: камеры фиксируют движение животных, алгоритм отслеживает 45 ключевых точек на теле каждой особи и анализирует биомеханические паттерны походки. Если модель выявляет отклонения от нормы, она включает животное в список для дополнительного осмотра ветеринаром или зоотехником. Такой подход позволяет перейти от реагирования на уже выраженное заболевание к профилактическому вмешательству на ранней стадии, когда лечение обходится дешевле и эффективнее.
| Параметр | Система Тимирязевской академии | Аналоги на рынке |
|---|---|---|
| Количество контролируемых точек на теле животного | 45 | 24 |
| Точность модели | более 97% | не указана |
| Синхронизация с RFID | есть | не указана |
| Камеры глубины | используются | не указано |
Ключевое техническое отличие от существующих аналогов — именно количество контролируемых точек. Большинство схожих систем на рынке работают с 24 точками; Тимирязевская разработка использует 45. По словам техлида команды Сергея Лапшина, это решает сразу несколько практических проблем: система корректно анализирует походку, когда животные перекрывают друг друга в кадре, и сохраняет точность, если особь движется не по прямой линии. Задекларированная точность модели — более 97%.
Платформа отслеживает 45 точек на теле животного — вдвое больше, чем у аналогов с 24 точками.
Помимо мониторинга здоровья, платформа автоматизирует линейную оценку экстерьера КРС. На основе RGB-изображений и данных камер глубины система восстанавливает геометрию тела животного, рассчитывает экстерьерные измерения и формирует цифровой профиль особи. Эти данные востребованы в селекционно-племенной работе и при принятии управленческих решений на уровне стада — задачах, которые традиционно требуют ручных замеров и значительных трудозатрат.
Полевые испытания системы проводились на животноводческих площадках в Рязанской и Калининградской областях. В июне 2026 года команда тестирует алгоритмы в хозяйствах Воронежской области: проверяется работа модели из 45 ключевых точек, алгоритмов обработки данных камер глубины, идентификации животных и синхронизации видеопотока с RFID-метками. Интеграция с RFID позволяет автоматически привязывать результаты анализа к конкретной особи в базе данных хозяйства, что делает систему практически применимой в условиях крупных молочных и мясных ферм.
