EA045177B1 - DETERMINATION OF ANIMAL WEIGHT BASED ON 3D IMAGES - Google Patents

Description

Настоящее изобретение относится к определению веса животного, особенно крупного рогатого скота, в сарае на основе технологии машинного зрения, в частности трехмерного изображения.The present invention relates to determining the weight of an animal, especially cattle, in a barn based on computer vision technology, in particular three-dimensional imaging.

Уровень техникиState of the art

При ведении крупного земледелия с большим количеством отдельных животных сложно постоянно быть в курсе благополучия каждого животного. Благополучие животного очень важно как с гуманной точки зрения фермера, несущего ответственность за благополучие этих животных, так и потому, что здоровые, упитанные животные обеспечивают большую продуктивность и имеют большую ценность для фермера. Самочувствие животного сильно зависит от веса животного, особенно от стабильности веса взрослого животного и прибавки в весе у все еще растущего животного. Следовательно, очень важно часто контролировать вес животного.When running a large-scale farming operation with many individual animals, it is difficult to be constantly aware of the welfare of each animal. Animal welfare is very important both from the humane point of view of the farmer, who is responsible for the welfare of these animals, and because healthy, well-fed animals provide greater productivity and are of greater value to the farmer. The animal's well-being is highly dependent on the animal's weight, especially the stability of the weight of an adult animal and the weight gain of a still growing animal. Therefore, it is very important to monitor the animal's weight frequently.

Процесс взвешивания сельскохозяйственных животных обычно осуществляется путем физического размещения животного на весах и ручного или цифрового измерения веса этого конкретного животного. Часто это трудоемкий и длительный процесс, так как современные фермы содержат большое количество животных, а это означает, что каждого из них нужно будет индивидуально выращивать на весах, одно за другим, чтобы регистрировать индивидуальный вес каждого животного. Кроме того, в процессе необходимо будет идентифицировать животное, чтобы приписать правильный вес правильному животному. Эта идентификация может происходить, например, с помощью идентификационных меток на животном, что еще больше продлевает процесс. Кроме того, если животные живут в сарае или поле, где они могут свободно передвигаться самостоятельно, еще труднее отслеживать, какие животные были взвешены, а какие нет. Из-за сложности процесса взвешивания животного, взвешивание не имеет широкого распространения, а количество данных, доступных для оценки изменения веса каждого животного, ограничено или даже отсутствует.The process of weighing farm animals is typically accomplished by physically placing the animal on a scale and manually or digitally measuring the weight of that specific animal. This is often a labor-intensive and time-consuming process, as modern farms house large numbers of animals, meaning each one will need to be raised individually on scales, one by one, to record each animal's individual weight. In addition, the process will need to identify the animal in order to assign the correct weight to the correct animal. This identification can occur, for example, using identification marks on the animal, which further prolongs the process. Additionally, if animals live in a barn or field where they are free to move around on their own, it is even more difficult to keep track of which animals have been weighed and which have not. Due to the complexity of the process of weighing an animal, weighing is not widely used, and the amount of data available to estimate the change in weight of each animal is limited or even non-existent.

WO 2014/026765 раскрывает подход, основанный на мобильных 3D-камерах, для определения параметров домашнего скота, таких как вес, вес порции или доля постного мяса. В этом способе записывается трехмерное изображение домашнего скота для создания трехмерной модели, которая анализируется на основе ранее определенных контрольных значений для вывода и/или хранения информации, полученной от проанализированного домашнего скота.WO 2014/026765 discloses an approach based on mobile 3D cameras for determining livestock parameters such as weight, portion weight or lean percentage. In this method, a three-dimensional image of livestock is recorded to create a three-dimensional model, which is analyzed based on previously determined reference values to output and/or store information obtained from the analyzed livestock.

WO 2010/127023 описывает бесконтактную систему и способ оценки объема, массы или веса животного. Предпочтительно, чтобы изображение животного отображалось стереоскопической камерой, и трехмерное представление целевого животного получают из стереоскопических изображений. Программный модуль предназначен для изменения формы виртуальной модели с использованием набора независимо конфигурируемых переменных формы, чтобы приблизительно соответствовать пространственному представлению отдельного животного. Масса или вес животного оценивается как функция переменных формы, характеризующих измененную виртуальную модель.WO 2010/127023 describes a non-contact system and method for assessing the volume, mass or weight of an animal. Preferably, the image of the animal is displayed by a stereoscopic camera, and a three-dimensional representation of the target animal is obtained from the stereoscopic images. A software module is designed to change the shape of a virtual model using a set of independently configurable shape variables to approximate the spatial representation of an individual animal. The mass or weight of the animal is estimated as a function of shape variables characterizing the modified virtual model.

WO 2015/156833 раскрывает способ оценки веса тела по изображениям животного. Система использует маркеры для характеристики веса, здоровья и других параметров животного. Система настроена на регистрацию этих параметров во временной базе данных.WO 2015/156833 discloses a method for estimating body weight from images of an animal. The system uses markers to characterize the weight, health and other parameters of the animal. The system is configured to register these parameters in a temporary database.

Нир и др. (Biosystem engineering, 173, p. 4-10 (2018)) раскрывает способ определения веса коровы по данным изображений и оценивает форму животного по эллипсу для приблизительного расчета веса указанного животного.Nir et al. (Biosystem engineering, 173, p. 4-10 (2018)) disclose a method for determining the weight of a cow from image data and estimating the shape of the animal from an ellipse to approximate the weight of said animal.

Проблемы при использовании трехмерных изображений для определения веса часто заключаются в том, чтобы выделить каждое животное и обездвижить его на объекте трехмерной визуализации. Часто это делается путем помещения животного в небольшое стойло, в котором боковые стенки или перила ограничивают животное, так что в основном оно не может двигаться. В этом случае использование трехмерного изображения не устраняет необходимости обрабатывать каждое отдельное животное, поскольку животное должно быть индивидуально закрыто в небольшом замкнутом пространстве, и, следовательно, процесс остается длительным, трудоемким и в некоторой степени ручным. Кроме того, настройки часто бывают сложными и дорогостоящими, что делает определение веса дорогостоящим делом.Challenges in using 3D imaging to determine weight often involve isolating each animal and immobilizing it on the 3D imaging subject. This is often done by placing the animal in a small stall in which side walls or railings restrict the animal so that it is largely unable to move. In this case, the use of 3D imaging does not eliminate the need to process each individual animal, since the animal must be individually confined in a small confined space, and therefore the process remains time-consuming, labor-intensive and somewhat manual. Additionally, settings are often complex and expensive, making weight determination an expensive proposition.

Вес, и особенно увеличение веса животного, кроме того, является важным показателем физического благополучия животного в целом. Следовательно, это также важный параметр при оценке состояния тела животного. Благополучие животного, кроме того, важно для продуктивных животных в том смысле, что сытое животное может забеременеть с раннего возраста и будет производить большее количество молока и мяса.Weight, and especially the increase in weight of an animal, is also an important indicator of the physical well-being of the animal as a whole. Therefore, it is also an important parameter when assessing the body condition of an animal. Animal welfare is also important for productive animals in the sense that a well-fed animal can become pregnant from an early age and will produce more milk and meat.

Раскрытие сущности изобретенияDisclosure of the invention

Задачей настоящего изобретения является создание системы и способа автоматического или полуавтоматического определения веса животного на основе изображения животного, предпочтительно исключительно на основе изображения животного и предпочтительно трехмерного изображения сверху животного.It is an object of the present invention to provide a system and method for automatically or semi-automatically determining the weight of an animal based on an image of the animal, preferably solely based on an image of the animal and preferably a three-dimensional overhead image of the animal.

Один аспект настоящего изобретения относится к способу определения веса животного, предпочтительно животного известной породы, причем способ включает этап получения по меньшей мере одного изображения, предпочтительно трехмерного изображения животного, предпочтительно спины животного. Ранее было показано, что на спине животного содержится много информации о конкретном живот- 1 045177 ном. Способ может дополнительно включать этап извлечения данных из указанного по меньшей мере одного изображения, предпочтительно данных, относящихся к топологии и/или топографии спины животного. Предпочтительно, вес животного может быть рассчитан путем сопоставления извлеченных данных с эталонной моделью, содержащей информацию о топологии спины по отношению к весу для породы указанного животного.One aspect of the present invention relates to a method for determining the weight of an animal, preferably an animal of a known breed, the method comprising the step of obtaining at least one image, preferably a three-dimensional image of the animal, preferably the back of the animal. It was previously shown that the back of an animal contains a lot of information about a particular animal. The method may further include the step of extracting data from said at least one image, preferably data related to the topology and/or topography of the animal's back. Preferably, the weight of the animal can be calculated by comparing the extracted data to a reference model containing information about back topology in relation to weight for the breed of said animal.

Авторами настоящего изобретения было обнаружено, что вес животного коррелирует исключительно с трехмерной формой, то есть топологией и/или топографией спины животного. Т.е. такие параметры, как возраст животного, период лактации, анатомия и т. д., могут быть исключены из оценки. Это позволяет оценить вес животного только на основании трехмерных изображений, полученных сверху, так что топология спины животного может быть извлечена из трехмерного изображения. Это также позволяет установить описываемую здесь систему в хлеву, коровнике, свинарнике и т.п. и получать изображения животных сверху, например, когда животные едят или когда они проходят через шлюз, например, в пути по возвращении с доения. В раскрытом здесь подходе было показано, что все, что для этого требуется, - это эталонная модель для конкретной породы животного, то есть эталонная модель, которая коррелирует топологию спины животного с весом животного. Также было показано, что только очень ограниченное количество предикторов топологии, извлеченных из полученного трехмерного изображения, достаточно для точного определения веса животного. Это избавляет от необходимости выделять каждое животное и вручную помещать его на весы или в ограниченное стойло, чтобы получить информацию о его весе. Кроме того, это позволяет постоянно контролировать массу тела животных изо дня в день и даже несколько раз в день.The present inventors have discovered that the weight of an animal correlates solely with the three-dimensional shape, that is, the topology and/or topography of the animal's back. Those. Parameters such as animal age, lactation period, anatomy, etc. may be excluded from the assessment. This allows the weight of the animal to be estimated only from 3D images taken from above, so that the topology of the animal's back can be extracted from the 3D image. This also allows the system described here to be installed in a barn, barn, pigsty, etc. and receive overhead views of the animals, for example when the animals are eating or as they pass through the airlock, for example on the way back from milking. In the approach disclosed here, it was shown that all that is required is a breed-specific reference model of the animal, that is, a reference model that correlates the animal's back topology with the animal's weight. It has also been shown that only a very limited number of topology predictors extracted from the resulting 3D image are sufficient to accurately determine an animal's weight. This eliminates the need to isolate each animal and manually place it on a scale or in a confined stall to obtain its weight information. In addition, this makes it possible to constantly monitor the body weight of animals day after day and even several times a day.

В частности, изобретателями было обнаружено, что контурные точки, извлеченные из данных трехмерного изображения спины животного, очень хорошо коррелируют с весом животного, в частности крупного рогатого скота. Следовательно, данные могут быть предпочтительно извлечены в виде дискретного числа контурных точек из указанного по меньшей мере одного трехмерного изображения. Контурные точки можно, например, выделить относительно линии локальных максимумов вдоль спины животного, обычно определяемой как позвоночник животного, определяющий продольное направление на трехмерном изображении животного. Эксперименты показали, что менее 20 контурных точек достаточно для точного предсказания веса животного, как правило, с учетом эталонной модели, которая также основана на контурных точках. Следовательно, только контурные точки, извлеченные из трехмерного изображения спины животного, напрямую коррелируют с весом животного. Т.е. нет необходимости в сложных трехмерных моделях облаков точек или включении специфических параметров животных.In particular, the inventors have discovered that contour points extracted from 3D image data of an animal's back correlate very well with the weight of the animal, particularly cattle. Therefore, the data may preferably be extracted in the form of a discrete number of contour points from the at least one three-dimensional image. Contour points can, for example, be identified relative to a line of local maxima along the animal's back, usually defined as the animal's spine defining the longitudinal direction in a three-dimensional image of the animal. Experiments have shown that fewer than 20 contour points are sufficient to accurately predict an animal's weight, typically given a reference model that is also based on contour points. Therefore, only the contour points extracted from the 3D image of the animal's back directly correlate with the animal's weight. Those. there is no need for complex 3D point cloud models or the inclusion of animal-specific parameters.

Настоящее изобретение дополнительно относится к системе для определения веса животного известной породы, содержащей систему визуализации, конфигурированную для получения по меньшей мере одного трехмерного изображения спины животного, и блок обработки, конфигурированный для выполнения раскрытых здесь способов.The present invention further relates to a system for determining the weight of an animal of a known breed, comprising an imaging system configured to obtain at least one three-dimensional image of the animal's back, and a processing unit configured to perform the methods disclosed herein.

Раскрытые в настоящее время система и способ определения веса могут полностью исключить необходимость индивидуального обращения с каждым животным в процессе определения их веса, что дает возможность частого мониторинга каждого отдельного животного в большом стаде. Например, животное может проходить через клетку/узкий проход, соединяющий зону отдыха хлева с зоной кормления и/или доения. Проход может быть настолько узким, что одновременно может проходить только одно животное. Одно или несколько изображений спины животного затем могут быть получены одной или несколькими камерами, размещенными над проходом. Камера (камеры) может быть любого типа камеры, предоставляющей трехмерную информацию, например, но без ограничения, камерой времени полета (ToF), стереокамерой, камерой структурированного света, камерой светового поля или их комбинацией. Система формирования изображения может содержать двухмерную камеру и датчик глубины. Система формирования изображения может быть конфигурирована для получения топографических изображений.The currently disclosed system and method for determining weight can completely eliminate the need for individual handling of each animal in the process of determining their weight, allowing frequent monitoring of each individual animal in a large herd. For example, an animal may pass through a cage/narrow passage connecting the barn resting area to the feeding and/or milking area. The passage may be so narrow that only one animal can pass through at a time. One or more images of the animal's back can then be captured by one or more cameras placed above the passage. The camera(s) may be any type of camera that provides three-dimensional information, such as, but not limited to, a time of flight (ToF) camera, a stereo camera, a structured light camera, a light field camera, or a combination thereof. The imaging system may include a two-dimensional camera and a depth sensor. The imaging system may be configured to obtain topographic images.

Возможность того, что животное может идти во время получения изображения, позволяет часто контролировать вес животного, так как это может происходить без вмешательства в повседневную жизнь животных. Этот частый мониторинг веса животного также позволяет фермеру собирать статистические данные о весе животного. Эти данные можно использовать при математическом моделировании веса животного, чтобы дифференцировать вклад веса в краткосрочные колебания и долгосрочные изменения. Кратковременные колебания могут быть связаны с раздуванием и/или содержанием корма в животном и/или отеком у животного. Однако долгосрочные изменения отражают фактические изменения веса тела животного, такие как изменения в количестве мышц и жира, и/или распространение, и/или рост скелета у не полностью выросшего животного, и/или рост плода в случае беременных животных, и/или событие родов в случае беременного животного.The ability for the animal to walk while the image is being acquired allows for frequent monitoring of the animal's weight, as this can occur without interfering with the animals' daily life. This frequent monitoring of the animal's weight also allows the farmer to collect statistical data on the animal's weight. These data can be used in mathematical modeling of an animal's weight to differentiate the contribution of weight to short-term fluctuations and long-term changes. Short-term fluctuations may be due to bloat and/or feed content in the animal and/or edema in the animal. However, long-term changes reflect actual changes in the animal's body weight, such as changes in the amount of muscle and fat, and/or spread, and/or skeletal growth in the case of a non-fully grown animal, and/or fetal growth in the case of pregnant animals, and/or the event of parturition in the case of a pregnant animal.

Кратковременное увеличение веса животного, например изменения в течение дня, связано с прошедшим временем с момента последнего кормления и/или доения. Следовательно, в предпочтительном варианте осуществления время этих событий регистрируется. Таким образом можно будет создать мо- 2 045177 дель краткосрочных колебаний веса животного, зависящих от времени. В этом отношении следует отметить, что суточные колебания веса животного могут быть индикатором здоровья животного, например, большие суточные колебания могут быть индикатором проблемы со здоровьем.Short-term increases in an animal's weight, such as changes during the day, are related to the elapsed time since the last feeding and/or milking. Therefore, in a preferred embodiment, the times of these events are recorded. In this way, it will be possible to create a model of short-term time-dependent fluctuations in the animal's weight. In this regard, it should be noted that daily fluctuations in an animal's weight can be an indicator of the health of the animal, for example, large daily fluctuations can be an indicator of a health problem.

Краткое описание фигурBrief description of the figures

Ниже изобретение будет описано более подробно со ссылкой на чертежи. Чертежи являются примерными и предназначены для иллюстрации некоторых признаков настоящего способа и системы и не должны рассматриваться как ограничивающие настоящее изобретение.The invention will be described in more detail below with reference to the drawings. The drawings are exemplary and are intended to illustrate certain features of the present method and system and should not be construed as limiting the present invention.

На фиг. 1 показаны контурные линии спины животного, соответствующие перепадам высоты относительно уровня позвоночника.In fig. Figure 1 shows the contour lines of the animal’s back, corresponding to differences in height relative to the level of the spine.

На фиг. 2 показан схематический вид варианта осуществления процесса создания контурных участков спины животного.In fig. 2 shows a schematic view of an embodiment of the process of creating contoured portions of an animal's back.

На фиг. 3 показан схематический вид канального направления животных через клетку/узкий проход от одного помещения хлева к другому.In fig. 3 shows a schematic view of the channel direction of animals through a cage/narrow passage from one room of the barn to another.

На фиг. 4 показано доказательство концепции раскрытого здесь подхода. Ось X показывает фактический вес животных (в кг), измеренный с помощью весов. Ось Y показывает вес (в кг), определенный на основе контурных точек, извлеченных из трехмерных изображений животных.In fig. Figure 4 shows a proof of concept for the approach disclosed here. The X-axis shows the actual weight of the animals (in kg) measured using a scale. The Y-axis shows the weight (in kg) determined from the contour points extracted from the 3D images of the animals.

На фиг. 5 показано распределение отклонений между расчетным весом и измеренным весом (в кг). По оси Y отложено количество наблюдений.In fig. Figure 5 shows the distribution of deviations between the calculated weight and the measured weight (in kg). The Y-axis shows the number of observations.

На фиг. 6 показаны остатки (ось Y, в кг) расчетного веса относительно измеренного веса (ось X).In fig. Figure 6 shows the residuals (Y-axis, in kg) of the calculated weight relative to the measured weight (X-axis).

На фиг. 7 показаны средние измерения для животного в течение четырехнедельного периода с измеренным весом по оси X и расчетным весом по оси Y.In fig. Figure 7 shows the average measurements for an animal over a four-week period with measured weight on the x-axis and estimated weight on the y-axis.

Фиг. 8 относится к фиг. 7 и иллюстрирует разницу (ось Y, в кг) между средним измеренным (ось X) и средним расчетным весом.Fig. 8 refers to FIG. 7 and illustrates the difference (Y-axis, in kg) between the average measured (X-axis) and the average calculated weight.

На фиг. 9 показана зависимость между количеством дней после отела (ось X) и весом животных (ось Y, в кг).In fig. Figure 9 shows the relationship between the number of days after calving (X-axis) and the weight of the animals (Y-axis, in kg).

Фиг. 10 относится к фиг. 9 и иллюстрирует остатки (ось Y, в кг) между измеренным и рассчитанным весом в зависимости от количества дней после отела (ось х).Fig. 10 refers to FIG. 9 and illustrates the residuals (y-axis, in kg) between measured and calculated weights as a function of the number of days after calving (x-axis).

На фиг. 11 показаны данные для стада 2, которые соответствуют фиг. 4, где показаны данные того же типа для стада 1. На фиг. 11 показаны все полученные данные для стада 2.In fig. 11 shows data for herd 2 which corresponds to FIG. 4, which shows the same type of data for herd 1. FIG. Figure 11 shows all the data obtained for herd 2.

На фиг. 12 показаны данные для стада 2, которые соответствуют фиг. 7, где показаны данные того же типа для стада 1.In fig. 12 shows data for herd 2 which corresponds to FIG. 7, which shows the same type of data for Herd 1.

На фиг. 13 показан график зависимости среднего наблюдаемого веса от прогнозируемого для одного стада красно-молочного скота.In fig. Figure 13 shows a graph of the dependence of the average observed weight on the predicted one for one herd of red milk cattle.

На фиг. 14 показан график зависимости среднего наблюдаемого веса от предсказываемого для двух стад крупного рогатого скота джерсийской породы.In fig. Figure 14 shows a graph of average observed weight versus predicted weight for two herds of Jersey cattle.

На фиг. 15 показан график зависимости среднего наблюдаемого веса от прогнозируемого для одного стада голыптейнской породы.In fig. Figure 15 shows a graph of the dependence of the average observed weight on the predicted one for one herd of the Golyptein breed.

Осуществление изобретенияCarrying out the invention

Обычно термин топография означает изучение и описание физических особенностей или формы местности, например, ее холмов, долин или рек, или отображение этих особенностей на картах, т.е. обычно используется в географии. В этом случае топография спины животного, следовательно, понимается как форма спины животного, то есть трехмерная форма с любыми холмами и выступами, которые появляются на спине животного.Generally, the term topography means the study and description of the physical features or shape of a place, such as its hills, valleys or rivers, or the display of these features on maps, i.e. commonly used in geography. In this case, the topography of the animal's back is therefore understood as the shape of the animal's back, that is, the three-dimensional shape with any hills and protrusions that appear on the animal's back.

Используемый здесь термин топология означает анатомию конкретной области, структуры или части тела, в данном случае обычно спины животного. Анатомия животного - это структура его тела, например внешняя форма тела.As used herein, the term topology means the anatomy of a specific area, structure, or part of the body, in this case usually the back of an animal. An animal's anatomy is the structure of its body, such as the external shape of its body.

В предпочтительном варианте осуществления извлеченные данные, используемые для корреляции с опорной моделью, содержат дискретное количество контурных точек для упрощения вычислений. Предпочтительно менее 50 контурных точек, более предпочтительно менее 25 контурных точек, еще более предпочтительно менее 20 контурных точек, наиболее предпочтительно менее 15 контурных точек, например 12 контурных точек. Было показано, что только 12 правильно выбранных контурных точек, извлеченных из трехмерного изображения спины животного, может быть достаточно для определения веса животного. Т.е. от 10 до 50 контурных точек достаточно для определения веса животного.In a preferred embodiment, the extracted data used for correlation with the reference model contains a discrete number of contour points to simplify calculations. Preferably less than 50 contour points, more preferably less than 25 contour points, even more preferably less than 20 contour points, most preferably less than 15 contour points, for example 12 contour points. It has been shown that only 12 correctly selected contour points extracted from a 3D image of an animal's back can be sufficient to determine the animal's weight. Those. from 10 to 50 contour points are enough to determine the weight of the animal.

Позвоночник животного предпочтительно расположен по меньшей мере на одном трехмерном изображении спины животного. Позвоночник животного может быть определен как сквозная линия локальных максимумов высоты, как показано на фиг. 1. Следовательно, позвоночник животного можно использовать для определения продольного направления на трехмерном изображении животного.The animal's spine is preferably located in at least one three-dimensional image of the animal's back. The spine of an animal can be defined as a through line of local height maxima, as shown in FIG. 1. Therefore, the animal's spine can be used to determine the longitudinal direction in a 3D image of the animal.

В предпочтительном варианте осуществления данные извлекаются из трехмерного изображения путем нанесения контура на спине животного, тем самым создавая контурные линии относительно позвоночника. Контурная линия может быть основана на относительном падении высоты по отношению к высоте позвоночника в заданном положении вдоль позвоночника, то есть контурная линия соединяет контурные точки с одинаковой высотой. Следовательно, единственная контурная точка контурной линииIn a preferred embodiment, data is extracted from the three-dimensional image by drawing a contour on the back of the animal, thereby creating contour lines relative to the spine. The contour line may be based on the relative fall in height relative to the height of the spine at a given position along the spine, that is, the contour line connects contour points of equal height. Therefore, the only contour point of the contour line

- 3 045177 может быть определена как заранее заданное уменьшение высоты на спине животного относительно высоты позвоночника, при этом обнаруживается уменьшение высоты относительно точки на позвоночнике животного по линии, перпендикулярной позвоночнику, как показано на фиг. 2.- 3 045177 can be defined as a predetermined decrease in height on the animal's back relative to the height of the spine, whereby a decrease in height is detected relative to a point on the animal's spine along a line perpendicular to the spine, as shown in FIG. 2.

Как указано выше, изобретателями было обнаружено, что вес животного можно предсказать, используя только очень ограниченное количество точек данных, извлеченных из трехмерного изображения. В одном варианте осуществления извлеченные данные содержат менее 20 контурных точек, например менее 10 контурных точек, например от 1 до 10 контурных точек, например менее 7, 6 или 5 контурных точек, например 4 контурные точки, выбранные из позвоночника и/или менее 20 контурных точек, например менее 10 контурных точек, например менее 7, 6 или 5 контурных точек, например от 1 до 10 контурных точек, например 4 контурные точки, выбранные из каждой из менее 10 контурных линий, например менее 7, 6 или 5 контурных линий, например, от 1 до 10 контурных линий, например 3 контурных линии, относительно позвоночника. Контурные линии предпочтительно генерируются через дискретные интервалы на высоте, меньшей или равной 15 см, предпочтительно, меньшей или равной 10 см, относительно высоты позвоночника. Например, контурные линии на 2,5 см, 5 см и 10 см относительно позвоночника.As stated above, the inventors have discovered that the weight of an animal can be predicted using only a very limited number of data points extracted from a three-dimensional image. In one embodiment, the extracted data contains less than 20 contour points, such as less than 10 contour points, such as 1 to 10 contour points, such as less than 7, 6, or 5 contour points, such as 4 contour points selected from the spine and/or less than 20 contour points points, for example less than 10 contour points, for example less than 7, 6 or 5 contour points, for example 1 to 10 contour points, for example 4 contour points selected from each of less than 10 contour lines, for example less than 7, 6 or 5 contour lines, for example, from 1 to 10 contour lines, for example 3 contour lines, relative to the spine. The contour lines are preferably generated at discrete intervals at a height of less than or equal to 15 cm, preferably less than or equal to 10 cm, relative to the height of the spine. For example, contour lines at 2.5 cm, 5 cm and 10 cm relative to the spine.

Идентификация животного не требуется для определения веса, обычно должна быть известна только порода животного. Однако для дальнейшего анализа данных и мониторинга отдельного животного преимущество заключается в том, чтобы узнать личность конкретного отображаемого животного. Идентификация может быть ручной, например, путем считывания идентификационного номера ушных бирок животного, или с помощью электронных средств идентификации, таких как радиочастотный идентификатор (RFID), путем распознавания образов животного, по известной последовательности приказов животных или любое другое средство идентификации. Животное можно идентифицировать до получения изображения или после получения изображения.Animal identification is not required to determine weight; usually only the breed of the animal must be known. However, for further data analysis and monitoring of an individual animal, it is advantageous to know the identity of the specific animal being displayed. Identification may be manual, such as by reading the identification number of the animal's ear tags, or by electronic means of identification such as radio frequency identification (RFID), by recognizing the animal's patterns, by a known sequence of animal commands, or any other means of identification. The animal can be identified before the image is acquired or after the image is acquired.

Как показано в WO 2017/001538, можно (однозначно) идентифицировать животных в популяции известных животных на основе изображений спины животного. Следовательно, раскрытый здесь подход может дополнительно включать этап идентификации животного на основе указанного по меньшей мере одного трехмерного изображения.As shown in WO 2017/001538, it is possible to (unambiguously) identify animals in a population of known animals based on images of the animal's back. Therefore, the approach disclosed herein may further include the step of identifying the animal based on the at least one three-dimensional image.

Тот факт, что определение веса животного возможно на основе трехмерного изображения спины животного, позволяет получать одно или несколько изображений во время движения животного. Следовательно, в одном варианте осуществления настоящего изобретения животное движется во время получения указанного по меньшей мере одного трехмерного изображения. Можно получить более одного трехмерного изображения животного. Следовательно, упомянутое по меньшей мере одно трехмерное изображение предпочтительно основано на множестве трехмерных изображений, и они могут быть получены во время движения животного. Следовательно, анализ данных может быть основан на среднем изображении двух или более изображений.The fact that determination of an animal's weight is possible based on a three-dimensional image of the animal's back makes it possible to obtain one or more images while the animal is moving. Therefore, in one embodiment of the present invention, the animal moves while the at least one three-dimensional image is being acquired. More than one 3D image of an animal can be obtained. Therefore, said at least one three-dimensional image is preferably based on a plurality of three-dimensional images, and they can be obtained while the animal is moving. Therefore, data analysis can be based on the average of two or more images.

Пример построения контурных отметок показан на фиг. 1, на которой каждая линия указывает контурную отметку спины коровы. Средняя продольная линия образована локальными максимумами высоты на изображении и определяет позвоночник животного. В одном варианте осуществления контурные отметки представляют собой линии и/или точки вдоль спины животного, все соответствующие определенной величине падения высоты относительно позвоночника в этой конкретной области. Предпочтительно внешние контуры животного, отражающие периметр животного, означающие физическую протяженность животного, например, насколько широкая спина животного, не включаются в расчет веса. Следовательно, в предпочтительном варианте осуществления вес основан исключительно на топологии и/или топографии спины, а не на периметре и/или ширине животного. Таким образом, вес полностью зависит от топографии и/или топологии спины.An example of constructing contour marks is shown in Fig. 1, in which each line indicates the contour mark of the cow's back. The median longitudinal line is formed by local height maxima in the image and defines the animal's spine. In one embodiment, the contour marks are lines and/or dots along the animal's back, all corresponding to a certain amount of height drop relative to the spine in that particular area. Preferably, the outer contours of the animal, reflecting the perimeter of the animal, indicating the physical extent of the animal, such as how wide the animal's back is, are not included in the weight calculation. Therefore, in a preferred embodiment, the weight is based solely on the topology and/or topography of the back, and not on the perimeter and/or width of the animal. Thus, the weight depends entirely on the topography and/or topology of the back.

Одна из возможных стратегий построения такой контурной отметки проиллюстрирована на фиг. 2, на которой тело животного представлено эллипсом 20. Позвоночник находится вдоль спины животного как самая высокая часть центральной области спины, то есть локальные максимумы высоты, когда они проходят по центральной линии, соединяющей шею с хвостом. Положение позвоночника, оси позвоночника, показано пунктирной линией 21 на фиг. 2. Вдоль оси 21 позвоночника выбирается заданное количество точек интереса. На фиг. 2 были выбраны четыре точки, обозначенные как 22a-d и отмеченные крестиком вдоль позвоночника. Из выбранной точки позвоночника, скажем, 22а, проводится линия, перпендикулярная оси позвоночника, эта перпендикулярная ось обозначена как 23а на фиг. 2. От интересующей точки 22а на позвоночнике перпендикулярная линия 23 а следует в одном направлении к краю животного, например, вправо от животного. Когда достигается падение высоты на X см относительно высоты позвоночника в 22а, эта точка отмечается в базе данных. X относится к действительному числу. Затем этот процесс повторяется по мере продвижения по 23 а к противоположной стороне животного, которая, следовательно, может быть слева от животного, и такой же уровень падения высоты X см отмечается на этой противоположной стороне позвоночника. Этот процесс повторяется для всех представляющих интерес точек 22b-d вдоль позвоночника 21 и вдоль соответственно перпендикулярных линий 23b-d. После того, как все точки, представляющие заданное падение высоты на X см относительно интересующих точек 22a-d вдоль оси 21 позвоночника, были расположены, подбирается линия для наилуч- 4 045177 шего описания положения указанных точек. Эти подогнанные линии теперь представляют контур относительного падения высоты на X см относительно отдельных точек вдоль позвоночника. Если требуется больше контурных линий для разных значений перепада высоты, процесс можно повторить для других значений относительного перепада высоты относительно высоты каждой точки вдоль позвоночника. В качестве альтернативы, все соответствующие контурные точки вдоль данной перпендикулярной линии могут быть найдены до перехода к линии, перпендикулярной следующей интересующей точке вдоль позвоночника. Эти соответствующие контурные отметки могут, например, быть X см, Y см, Z см и Т см, где X, Y, Z и Т относятся к действительным числам. На фиг. 1, например, значения X, Y, Z и Т равны 3, 5, 10 и 15 см, соответственно, каждое дает их соответствующую контурную линию.One possible strategy for constructing such a contour mark is illustrated in FIG. 2, in which the body of the animal is represented by an ellipse 20. The spine is located along the back of the animal as the highest part of the central region of the back, that is, local height maxima when they pass along the central line connecting the neck to the tail. The position of the spine, the spinal axis, is shown by the dotted line 21 in FIG. 2. A specified number of points of interest are selected along the spine axis 21. In fig. 2, four points were selected, designated 22a-d and marked with a cross along the spine. From a selected point on the spine, say 22a, a line is drawn perpendicular to the axis of the spine, this perpendicular axis is designated 23a in FIG. 2. From the point of interest 22a on the spine, a perpendicular line 23a follows in one direction towards the edge of the animal, for example, to the right of the animal. When a height drop of X cm is reached relative to the spine height of 22a, this point is noted in the database. X refers to a real number. This process is then repeated as one moves along 23a to the opposite side of the animal, which may therefore be to the left of the animal, and the same level of drop in height X cm is noted on this opposite side of the spine. This process is repeated for all points of interest 22b-d along the spine 21 and along respectively perpendicular lines 23b-d. Once all the points representing a given height drop of X cm relative to the points of interest 22a-d along the spine axis 21 have been located, a line is selected to best describe the position of said points. These fitted lines now represent the contour of the relative height drop of X cm relative to individual points along the spine. If more contour lines are required for different values of height difference, the process can be repeated for other values of relative height difference relative to the height of each point along the spine. Alternatively, all relevant contour points along a given perpendicular line can be found before moving to a line perpendicular to the next point of interest along the spine. These respective contour marks may, for example, be X cm, Y cm, Z cm and T cm, where X, Y, Z and T refer to real numbers. In fig. 1, for example, the values of X, Y, Z and T are 3, 5, 10 and 15 cm, respectively, each giving their respective contour line.

Иллюстрация на фиг. 2 представляет собой упрощенную иллюстрацию с целью иллюстрации описанной стратегии построения контурного графика наиболее простым из возможных способов. Следовательно, животное изображено в виде эллипса только для простоты иллюстрации. Другими словами, форма тела животного не считается эллипсом в стратегии построения контурного графика. В реальном процессе обработки данных, как показано на фиг. 1, позвоночник не обязательно представляет собой идеальную прямую линию, поскольку животное имеет неправильную форму, а не эллипс. Следовательно, перпендикулярная линия данной точки вдоль позвоночника может быть оценена на основе количества соседних точек на позвоночнике к интересующей точке. Эти точки могут, например, соответствовать прямой линии, и перпендикулярная линия определяется на основе этой подобранной линии. Следовательно, наилучшая оценка перпендикулярной линии для данной точки неправильной линии выполняется в случае обработки истинных данных.Illustration in FIG. 2 is a simplified illustration to illustrate the described strategy for constructing a contour plot in the simplest possible manner. Therefore, the animal is depicted as an ellipse for ease of illustration only. In other words, the animal's body shape is not considered an ellipse in the contour plotting strategy. In the actual data processing process, as shown in FIG. 1, the spine is not necessarily a perfect straight line because the animal is irregularly shaped rather than an ellipse. Therefore, the perpendicular line of a given point along the spine can be estimated based on the number of adjacent points on the spine to the point of interest. These points may, for example, correspond to a straight line, and a perpendicular line is determined based on this fitted line. Therefore, the best estimate of the perpendicular line for a given point on the irregular line is performed in the case of true data processing.

Следовательно, контурные графики могут быть основаны на дискретном количестве точек и наилучшим образом соответствовать этим точкам. Таким образом, контурные графики отражают падение высоты по отношению к позвоночнику в каждой позиции вдоль спины животного, а не контурные графики с фиксированной одинаковой привязкой для всех точек контурного графика. Следовательно, в данном варианте осуществления одна контурная точка контурной линии отражает конкретное уменьшение высоты на спине относительно высоты позвоночника вдоль линии, перпендикулярной позвоночнику животного, проходящей через указанную контурную точку, так что основание контурного графика не является конечной высотой относительно заданной фиксированной точки, но каждая контурная точка рассчитывается относительно каждой отдельной точки отсчета вдоль позвоночника животного. Это также означает, что построение контурного графика спины животного может происходить по длине спины животного, то есть, другими словами, вдоль позвоночника животного. В предпочтительном варианте осуществления линии, соединяющие отдельные точки топографии спины, выполнены так, чтобы они наилучшим образом соответствовали точкам, представляющим заданный перепад высоты, и, следовательно, подогнанные линии лучше всего подходят для контурной линии.Therefore, contour plots can be based on a discrete number of points and best fit those points. Thus, contour plots reflect the fall in height relative to the spine at each position along the animal's back, rather than contour plots with a fixed equal reference for all contour plot points. Therefore, in this embodiment, one contour point of a contour line reflects a particular decrease in dorsal height relative to the height of the spine along a line perpendicular to the animal's spine passing through said contour point, so that the base of the contour plot is not the final height relative to a given fixed point, but each contour the point is calculated relative to each individual reference point along the animal's spine. This also means that the contour plot of an animal's back can occur along the length of the animal's back, that is, in other words, along the animal's spine. In a preferred embodiment, the lines connecting individual points of the back topography are designed to best fit the points representing a given height difference, and therefore the fitted lines best fit the contour line.

В одном варианте осуществления животное идет во время получения изображения. Следовательно, трехмерное изображение может быть получено во время движения животного, например, идущего по прямой линии. Возможность получения информации о весе движущегося животного является большим преимуществом, поскольку она позволяет определять вес большого количества животных в ряду и, следовательно, устраняет необходимость индивидуального обращения с отдельным животным. Когда животные идут из хлева для отдыха в зону кормления и/или доения или в противоположном направлении, животные могут проходить через узкий проход, тем самым позволяя проходить только одному животному за раз. Благодаря системе формирования изображений над этим узким проходом, животные будут проходить мимо области под камерой, которая затем может захватывать изображение каждого отдельного животного, когда они проходят через проход. Большим преимуществом этого является то, что животные не будут перекрывать друг друга, если смотреть с 3D-камеры сверху. Следовательно, животные проходят узкий проход и проходят через область кадра 3D-камеры, когда их направляют, например, из зоны отдыха в зону кормления и/или доения или в противоположном направлении. Еще одним преимуществом узкого прохода является то, что можно получить хороший контроль над потоком животных.In one embodiment, the animal walks while the image is being acquired. Therefore, a three-dimensional image can be obtained while the animal is moving, for example walking in a straight line. The ability to obtain information about the weight of a moving animal is a great advantage because it allows the weight of a large number of animals in a row to be determined and therefore eliminates the need for individual handling of an individual animal. When animals move from the resting barn to the feeding and/or milking area or in the opposite direction, the animals may pass through a narrow passage, thereby allowing only one animal to pass at a time. Thanks to an imaging system above this narrow passage, the animals will pass by an area below the camera, which can then capture an image of each individual animal as they pass through the passage. The big advantage of this is that the animals will not overlap each other when viewed from the 3D camera from above. Consequently, the animals pass through a narrow passage and pass through the 3D camera frame area when they are directed, for example, from a resting area to a feeding and/or milking area or in the opposite direction. Another advantage of a narrow passage is that good control over the flow of animals can be achieved.

Пример того, как провести животное через узкий проход, показан на фиг. 3. Здесь толстыми линиями 1 показаны границы областей, по которым животные могут перемещаться. Границы могут быть забором, стеной или аналогичным механизмом ограждения. Каждое животное для упрощения показано эллипсом на фиг. 3. Стрелка, прикрепленная к каждому животному (эллипс на чертеже), показывает направление, в котором движется животное. Животные 2 слева - это животные, которые уже прошли узкий проход, животное 3, стоящее сразу под 3D-камерой 4, - это животное, находящееся в узком проходе и в настоящее время отображаемое 3D-камерой 4. Животное 5 позади только что вошло в узкий проход и будет отображено, когда оно вскоре пройдет через область сразу под 3D-камерой 4, следовательно, когда животное 5 достигнет текущего положения животного 3. Все животные справа 6 представляют животных, все еще ожидающих входа в узкий проход, чтобы в конечном итоге войти в зону слева от прохода.An example of how to guide an animal through a narrow passage is shown in Fig. 3. Here thick lines 1 show the boundaries of the areas through which animals can move. The boundaries may be a fence, wall, or similar enclosure mechanism. For simplicity, each animal is shown as an ellipse in Fig. 3. An arrow attached to each animal (an ellipse in the drawing) shows the direction in which the animal is moving. Animals 2 on the left are animals that have already passed through the narrow passage, animal 3, standing just below 3D camera 4, is the animal in the narrow passage and currently being imaged by 3D camera 4. Animal 5 behind has just entered the narrow passage passage and will be displayed when it soon passes through the area just below the 3D camera 4, hence when animal 5 reaches the current position of animal 3. All animals on the right 6 represent animals still waiting to enter the narrow passage to eventually enter area to the left of the passage.

В варианте осуществления настоящего изобретения получают более одного изображения спины животного. Это может быть множество изображений животного, идущего под камерой, или множество изображений неподвижного животного. Если животное движется, изображения могут потребоваться до тех пор, пока у животного есть какая-либо часть тела внутри кадра изображения камеры. В качестве аль- 5 045177 тернативы, изображения могут быть получены только в течение периода времени, в течение которого все тело животного находится внутри кадра изображения камеры. Еще одна альтернатива заключается в том, что камера может получать изображения только в течение заданного, предварительно установленного периода времени, или камере может потребоваться предварительно заданное количество изображений.In an embodiment of the present invention, more than one image of the animal's back is obtained. This could be many images of an animal walking under the camera, or many images of a stationary animal. If the animal is moving, images may be required as long as the animal has any body part within the camera's image frame. As an alternative, images can only be acquired during the period of time during which the entire body of the animal is within the camera's image frame. Another alternative is that the camera may only acquire images for a given, preset period of time, or the camera may require a preset number of images.

В предпочтительном варианте осуществления анализ данных основан на среднем изображении двух или более изображений. Следовательно, все или некоторые из полученных изображений должны быть объединены для получения среднего значения формы спины животного. Термин среднее изображение относится к усредненному изображению, полученному как усредненное значение информации о топографии и/или анатомии спины животного на всех собранных изображениях. Одним из преимуществ использования такого среднего изображения является то, что движение спины животного, которое идет во время получения изображения, может быть сглажено на среднем или усредненном изображении, так что изменения топографии, вызванные ходьбой, могут быть устранены.In a preferred embodiment, the data analysis is based on an average of two or more images. Therefore, all or some of the acquired images must be combined to obtain an average of the animal's dorsal shape. The term average image refers to an average image obtained as an average of information about the topography and/or anatomy of the animal's back across all collected images. One advantage of using such an average image is that the motion of the animal's back that is walking during image acquisition can be smoothed out in the average or average image, so that changes in topography caused by walking can be eliminated.

Одно из больших преимуществ использования визуализации вместо того, чтобы животное ходило по весам, заключается в том, что животные, идущие по весам, могут иметь только некоторые, а не все ступни на весах, когда вес регистрируется. Кроме того, в такой установке животные, как правило, будут ходить очень близко друг к другу, и возможно, что несколько животных будут частично или полностью стоять на весах одновременно, что приведет к неверному показанию весов при попытке установить вес отдельных животных.One of the big advantages of using visualization instead of having an animal walk on a scale is that animals walking on a scale may only have some, rather than all, of their feet on the scale when the weight is recorded. In addition, in such a setup, animals will typically walk very close to each other, and it is possible that several animals will be partially or fully standing on the scale at the same time, causing the scale to read incorrectly when trying to determine the weight of individual animals.

В варианте осуществления животное неподвижно стоит во время сбора данных. Предпочтительно, чтобы способ был совместим как с движущимися животными, так и с неподвижными животными. Предпочтительно система формирования изображения конфигурирована для получения изображения во время ходьбы животного. В одном варианте осуществления система формирования изображения конфигурирована для получения изображения, когда животное стоит на месте. Наиболее предпочтительно, чтобы система визуализации была способна получать данные для надежного расчета веса независимо от того, движется животное или нет.In an embodiment, the animal stands still during data collection. Preferably, the method is compatible with both moving animals and stationary animals. Preferably, the imaging system is configured to acquire images while the animal is walking. In one embodiment, the imaging system is configured to acquire an image while the animal is standing still. Most preferably, the imaging system is capable of obtaining data to reliably calculate weight regardless of whether the animal is moving or not.

Удивительно, но топография и/или топология спины животного оказались настолько сильно связаны с весом животного, что другие, очевидно важные особенности, такие как высота живота животного над полом или ширина бедр и/или плеч животных являются ненужными параметрами для оценки веса животного с использованием раскрытых здесь системы и/или способа. Следовательно, авторами настоящего изобретения неожиданно было обнаружено, что форма спины животного достаточна для определения веса животного с высокой точностью.Surprisingly, the topography and/or topology of an animal's back appears to be so strongly related to the animal's weight that other apparently important features, such as the height of the animal's belly above the floor or the width of the animal's hips and/or shoulders, are unnecessary parameters for estimating the animal's weight using open here systems and/or methods. Therefore, the inventors of the present invention have surprisingly found that the shape of an animal's back is sufficient to determine the animal's weight with high accuracy.

В предпочтительном варианте осуществления получение по меньшей мере одного изображения спины животного проводят по меньшей мере один раз, предпочтительно несколько раз в день, чтобы зафиксировать изменение веса в зависимости от времени и состояния. Изменения, связанные с конкретным состоянием, могут относиться к изменениям веса, которые зависят, например, от того, что животное только что поело, только что подоено, недавно родило, беременно, не полностью выросло, наряду с другими параметрами, которые влияют на вес животного и которые могут изменяться в течение определенного периода времени, который может быть длинным или коротким. Зависящие от времени вариации могут быть, например, веса утром по сравнению с весом вечером. Таким образом, возникает вариация, поскольку утром животное уже давно не ело, а вечером животное накапливает содержимое своей пищеварительной системы в течение всего дня или по меньшей мере его части.In a preferred embodiment, at least one image of the animal's back is acquired at least once, preferably several times a day, to record changes in weight over time and condition. Condition-specific changes may refer to changes in weight that depend, for example, on whether the animal has just eaten, has just been milked, has recently given birth, is pregnant, is not fully grown, along with other parameters that affect the animal's weight and which may change over a period of time, which may be long or short. Time-dependent variations may be, for example, weight in the morning compared to weight in the evening. Thus, a variation arises because in the morning the animal has not eaten for a long time, and in the evening the animal accumulates the contents of its digestive system throughout the entire day, or at least part of it.

Предпочтительно, все полученные данные сохраняются в базе данных. Затем к данным можно будет получить доступ позже, и, кроме того, можно построить график изменения веса, зависящий от времени, что может помочь в процессе поиска нездоровых животных. Следовательно, этот способ можно комбинировать со способами распознавания образов и/или машинного обучения, чтобы проводить раннюю диагностику состояния животных, у которых наблюдается тревожное увеличение веса. В одном варианте осуществления процесс мониторинга и моделирования изменений веса животного основан на большом количестве измерений, полученных в течение длительного периода, такого как несколько дней, предпочтительно несколько недель и более предпочтительно несколько месяцев. Предпочтительно, эти данные также содержат множество точек данных в день для каждого дня в течение времени сбора данных, и в предпочтительном варианте осуществления эти данные поддерживаются графиком кормления и/или доения животного. Поскольку процесс надувания, а также потребление корма сильно зависят от времени, прошедшего с момента последнего кормления, эти данные существенно поддерживают моделирование краткосрочных колебаний, если данные о весе сопровождаются данными о количестве времени, прошедшем с момента последнего кормления и/или доения.Preferably, all received data is stored in a database. The data can then be accessed later and a graph of weight changes over time can also be plotted, which can help in the process of finding unhealthy animals. Therefore, this method can be combined with pattern recognition and/or machine learning methods to provide early diagnosis for animals that are experiencing alarming weight gain. In one embodiment, the process of monitoring and modeling changes in an animal's weight is based on a large number of measurements obtained over a long period, such as several days, preferably several weeks, and more preferably several months. Preferably, this data also contains multiple data points per day for each day during the data collection time, and in a preferred embodiment, this data is supported by the animal's feeding and/or milking schedule. Because the inflation process as well as feed intake is highly dependent on the time since last feeding, these data provide significant support for modeling short-term fluctuations if weight data is accompanied by data on the amount of time since last feeding and/or milking.

В предпочтительном варианте осуществления настоящего изобретения время последних событий кормления/доения сохраняется вместе с полученными данными, относящимися к весу животного. Эта информация может быть включена в алгоритм расчета веса.In a preferred embodiment of the present invention, the time of the last feeding/milking events is stored along with the obtained data relating to the weight of the animal. This information can be included in the weight calculation algorithm.

При оценке развития веса может быть интересно оценить краткосрочные вариации и долгосрочныеWhen assessing weight development, it may be of interest to assess short-term variations and long-term

- 6 045177 вариации по отдельности. Предпочтительно, история данных используется для создания модели для разделения вычисленного измерения веса на вклады, по меньшей мере, долгосрочных изменений и краткосрочных колебаний. Более предпочтительно, рассчитанные измерения веса используются для математического моделирования краткосрочных колебаний и долгосрочных изменений при определении веса. Следовательно, модель может подразделить вариации в измерениях веса на краткосрочные колебания и долгосрочные изменения. В варианте осуществления настоящего изобретения краткосрочные колебания измерения веса представляют собой изменения в течение дня или на повседневной основе. Эти кратковременные колебания в определении веса можно приписать надуванию и/или содержанию корма в кишечной системе и/или отеку животного. Долгосрочные изменения в определении веса можно рассматривать как постепенные изменения в течение периода по меньшей мере нескольких дней, предпочтительно, в течение нескольких недель, более предпочтительно, в течение нескольких месяцев. Эти долгосрочные изменения веса животного могут быть приписаны росту/деградации тела небеременного животного, тогда как долгосрочные изменения могут быть приписаны росту/деградации тела, мышц, жира и/или скелета.- 6 045177 variations individually. Preferably, the data history is used to create a model for dividing the calculated weight measurement into contributions of at least long-term changes and short-term fluctuations. More preferably, the calculated weight measurements are used to mathematically model short-term fluctuations and long-term changes in weight determination. Therefore, the model can subdivide variations in weight measurements into short-term fluctuations and long-term changes. In an embodiment of the present invention, short-term fluctuations in weight measurement are changes throughout the day or on a daily basis. These short-term fluctuations in weight determination can be attributed to bloating and/or feed content in the intestinal system and/or edema of the animal. Long-term changes in weight determination can be considered as gradual changes over a period of at least several days, preferably over several weeks, more preferably over several months. These long-term changes in the animal's weight can be attributed to the growth/degradation of the body of the non-pregnant animal, while long-term changes can be attributed to the growth/degradation of the body, muscle, fat and/or skeleton.

В общем, раскрытый здесь подход может определять вес животного независимо от возраста животного, количества лактаций и от того, беременно ли животное или больно. Например, с точки зрения беременности, в течение определенного периода времени произойдет значительное увеличение веса, но поскольку увеличение веса из-за беременности приведет к увеличению топографии/топологии спины, увеличение веса будет обнаружено в раскрытом здесь подходе. Следовательно, раскрытый здесь подход может использоваться для обнаружения беременности и/или наблюдения за беременностью в течение периода беременности.In general, the approach disclosed herein can determine the weight of an animal regardless of the animal's age, number of lactations, and whether the animal is pregnant or sick. For example, from a pregnancy perspective, significant weight gain will occur over a period of time, but since weight gain due to pregnancy will result in increased back topography/topology, weight gain will be detected in the approach disclosed herein. Therefore, the approach disclosed herein can be used to detect pregnancy and/or monitor pregnancy during pregnancy.

В другом варианте осуществления беременность включена в модель определения веса. Т.е. как только становится известно, что конкретное животное беременно, это может быть учтено в модели, то есть для повышения точности определения веса с целью более тщательного наблюдения за беременным животным. Следовательно, беременность может быть компенсирована и/или включена, и/или иным образом включена в моделирование веса, чтобы процесс роста плода не путался с набором веса самого животного, и чтобы влияние беременности на контур спины животного можно было правильно включить в модель. В дополнительном варианте осуществления долгосрочные изменения беременного животного приписывают росту/деградации тела и росту плода беременного животного. Предпочтительно, беременность включена в алгоритм определения массы тела животного на основе данных, полученных с оптического датчика. Возможная беременность животного может быть зарегистрирована в системе вручную для этого конкретного животного. В течение периода беременности изменение веса животного может регистрироваться с той оговоркой, что у животного растет плод. Также при беременности могут измениться параметры алгоритма расчета веса, чтобы рассчитанный вес лучше подходил для беременного животного.In another embodiment, pregnancy is included in the weight determination model. Those. Once it is known that a particular animal is pregnant, this can be taken into account in the model, that is, to improve the accuracy of weight determination in order to more closely monitor the pregnant animal. Therefore, pregnancy can be compensated for and/or included and/or otherwise included in the weight modeling so that the growth process of the fetus is not confused with the weight gain of the animal itself, and so that the effect of pregnancy on the animal's back contour can be correctly included in the model. In a further embodiment, long-term changes in the pregnant animal are attributed to body growth/degradation and fetal growth of the pregnant animal. Preferably, pregnancy is included in an algorithm for determining the animal's body weight based on data obtained from the optical sensor. Possible pregnancy of an animal can be registered in the system manually for that specific animal. During pregnancy, changes in the animal's weight can be recorded with the caveat that the animal's fetus is growing. Also, during pregnancy, the parameters of the weight calculation algorithm may change so that the calculated weight is better suited for the pregnant animal.

Событие родов может быть зарегистрировано в данных и компенсировано в математической модели или иным образом отмечено в базе данных, чтобы не путать это событие с внезапной резкой деградацией организма сельскохозяйственных животных. Кроме того, потеря веса, приписываемая событию родов, в варианте осуществления настоящего изобретения используется для оценки доли увеличения веса во время беременности, которая может быть приписана росту плода. Следовательно, этот вклад в увеличение веса может быть ретроспективно введен в математическую модель. Соответственно, в варианте осуществления настоящего изобретения событие родов регистрируется в данных и включается в математическую модель для обеспечения правильного расчета текущего веса животного, а также, возможно, для других целей. Один из подходов к регистрации события рождения заключается в том, что после того, как животное родило, событие рождения регистрируется в блоке обработки. Регистрация может происходить вручную или автоматически. Падение веса после родов может быть использовано для расчета прибавки веса животного за период беременности, которая произошла из-за увеличения веса, связанного с беременностью. Увеличение веса, связанное с беременностью, может быть связано с такими элементами, как рост одного или более плодов и одной или более плацент, увеличение объема крови и дополнительные жировые отложения среди других параметров. В описываемом здесь подходе сравнивают вес до и во время беременности с весом после родов.The birth event can be recorded in the data and compensated for in a mathematical model or otherwise noted in the database so as not to confuse the event with a sudden, severe deterioration of a farm animal. Additionally, weight loss attributable to the birth event is used in an embodiment of the present invention to estimate the proportion of weight gain during pregnancy that can be attributed to fetal growth. Therefore, this contribution to weight gain can be retrospectively entered into the mathematical model. Accordingly, in an embodiment of the present invention, the birth event is recorded in the data and included in a mathematical model to ensure correct calculation of the animal's current weight, and possibly for other purposes. One approach to recording a birth event is that after the animal has given birth, the birth event is recorded in a processing block. Registration can occur manually or automatically. The postpartum weight loss can be used to calculate the animal's gestational weight gain that occurred due to pregnancy-related weight gain. Pregnancy-related weight gain may be due to elements such as the growth of one or more fetuses and one or more placentas, increased blood volume, and additional fat deposits among other parameters. The approach described here compares weight before and during pregnancy with weight after birth.

Система формирования изображения обычно включает в себя по меньшей мере оптическое устройство, например камеру, и для того, чтобы поддерживать в чистоте по меньшей мере одно оптическое устройство, устройство, возможно, придется в конечном итоге очистить и/или, возможно, защитить от грязи в помещении. Одно из возможных решений - использовать защитную крышку, защищающую оптическое устройство от грязи. В предпочтительном варианте осуществления по меньшей мере одно оптическое устройство защищено защитным кожухом, чтобы грязь не покрывала непосредственно функционирующие части оптического устройства. В дополнительном варианте осуществления крышка по меньшей мере одного оптического детектора очищается с использованием автоматизированной системы очистки, такой как автоматический стеклоочиститель. Следовательно, если крышка оптического устройства становится слишком грязной для захвата желаемых данных, крышку можно очистить автоматически, запустив систему очистки, такую как автоматический стеклоочиститель.The imaging system typically includes at least an optical device, such as a camera, and in order to keep the at least one optical device clean, the device may have to be eventually cleaned and/or may need to be protected from dirt in indoors. One possible solution is to use a protective cover that protects the optical device from dirt. In a preferred embodiment, the at least one optical device is protected by a protective housing so that dirt does not cover the directly functioning parts of the optical device. In a further embodiment, the cover of the at least one optical detector is cleaned using an automated cleaning system, such as an automatic windshield wiper. Therefore, if the optical device cover becomes too dirty to capture the desired data, the cover can be cleaned automatically by running a cleaning system such as an automatic windshield wiper.

Другой подход к поддержанию чистоты по меньшей мере одного оптического детектора состоит,Another approach to maintaining the cleanliness of at least one optical detector is

- 7 045177 например, в том, что по меньшей мере один оптический детектор защищен воротами или затвором, открывающимся только на короткий период времени после сбора данных. Следовательно, детектор будет открыт только в течение очень короткого промежутка времени после сбора данных по меньшей мере одним оптическим детектором. Таким образом, в одном варианте осуществления по меньшей мере один оптический детектор защищен воротами или затвором, открывающимся только на короткий период времени после сбора данных. Следовательно, ворота или затвор ненадолго откроется для получения изображения, а затем снова закроется, чтобы избежать загрязнения оптического устройства. В последнем случае оптическое устройство будет содержать как защитную крышку, так и ворота/затвор, следовательно, ворота/ затвор предотвращает слишком быстрое загрязнение крышки оптического устройства. Чтобы оптимизировать время, в течение которого оптический детектор подвергается воздействию для сбора данных, следовательно, для оптимизации времени затвора, чтобы открыть ворота или затвор, система может включать другую систему обратной связи, чтобы определить, когда животное стоит в надлежащем положении для получение данных. Эта система обратной связи может быть независимой системой на основе датчика, размещенного рядом с 3D-камерой. Положение животных может быть определено с помощью другого детектора и/или датчика, не закрытого затвором или воротами, и определяется, когда животное находится в надлежащем положении для визуализации. Когда это произойдет, затвор откроется, и будут сделаны изображения диапазона, после чего затвор немедленно закроется. Также возможно получить серию изображений до закрытия затвора.- 7 045177 for example, in that the at least one optical detector is protected by a gate or shutter that opens only for a short period of time after data collection. Consequently, the detector will only be open for a very short period of time after data has been collected by at least one optical detector. Thus, in one embodiment, the at least one optical detector is protected by a gate or shutter that is opened only for a short period of time after data collection. Consequently, the gate or shutter will open briefly to capture the image and then close again to avoid contamination of the optical device. In the latter case, the optical device will contain both a protective cover and a gate/shutter, hence the gate/shutter prevents the optical device cover from becoming dirty too quickly. To optimize the time that the optical detector is exposed to collect data, hence optimizing the shutter time to open a gate or gate, the system may include another feedback system to determine when the animal is standing in the proper position for data acquisition. This feedback system may be an independent system based on a sensor placed near the 3D camera. The position of the animals can be determined using another detector and/or sensor not covered by the shutter or gate and is determined when the animal is in the proper position for imaging. When this happens, the shutter will open and range images will be taken, after which the shutter will immediately close. It is also possible to take a series of images before the shutter closes.

В дополнительном варианте осуществления по меньшей мере один оптический детектор включает в себя систему предупреждения об очистке, определяющую, когда датчик необходимо очистить, и уведомляет пользователя через указанную систему предупреждения, такую как включение света, воспроизведение шума или беспроводной сигнал, передаваемый на компьютер. Это особенно полезно, если устройство не имеет автоматизированной системы очистки или если его недостаточно для полной очистки устройства. В этом случае система оповещения проинформирует пользователя о необходимости дальнейшей очистки устройства или крышки устройства. Затем пользователь может вручную очистить устройство или активировать автоматизированную систему очистки. В этом случае процесс очистки может быть автоматическим или ручным. Если процесса автоматической очистки достаточно, может не потребоваться уведомление пользователя, и этот шаг можно пропустить, пока система может эффективно самоочиститься.In a further embodiment, the at least one optical detector includes a cleaning warning system that determines when the sensor needs to be cleaned and notifies the user through said warning system, such as turning on a light, playing a noise, or a wireless signal transmitted to a computer. This is especially useful if the device does not have an automated cleaning system or if it is not sufficient to completely clean the device. In this case, the alert system will inform the user that further cleaning of the device or the device cover is necessary. The user can then manually clean the device or activate an automated cleaning system. In this case, the cleaning process can be automatic or manual. If the automatic cleaning process is sufficient, it may not be necessary to notify the user and this step can be skipped as long as the system can effectively clean itself.

В контексте настоящего описания животным может быть крупный рогатый скот, предпочтительно включая коров, быков, как взрослых, так и новорожденных животных.As used herein, the animal may be cattle, preferably including cows, bulls, both adult and newborn animals.

Следовательно, порода животных может быть выбрана из групп: джерсейская порода, голштинская порода, голштинская фризская порода крупного рогатого скота, голштинская порода крупного рогатого скота швартбонт (Swartbont), немецкая голштинская порода крупного рогатого скота шварцбунт (Schwarzbunt), американская голштинская порода крупного рогатого скота, красная и белая голштинская порода, немецкая голштинская порода крупного рогатого скота шварцбунт (Schwarzbunt), датская красная порода, финская эйрширская порода, шведская красная и белая порода, датская голштинская порода, шведская красная и белая порода и скандинавская красная порода.Therefore, the animal breed can be selected from the groups: Jersey, Holstein, Holstein Friesian cattle, Holstein Swartbont cattle, German Holstein Schwarzbunt cattle, American Holstein cattle , Red and White Holstein, German Holstein Schwarzbunt cattle, Danish Red, Finnish Ayrshire, Swedish Red and White, Danish Holstein, Swedish Red and White and Scandinavian Red.

ПримерыExamples

Пример 1.Example 1.

Для создания эталона крупного рогатого скота джерсийской породы спины отдельных животных стада из 102 голов джерсийской породы были визуализированы в течение четырех недель с использованием системы и способа согласно настоящему изобретению. Животные стада имели средний вес 460 кг и диапазон веса от 350 до 650 кг. В течение 4 недель было проведено 1329 измерений спины животных стада, количество измерений на одно животное варьировалось от 3 до 15 в течение 4 недель. Из 1329 измерений 1149 из них были выполнены утром, а 180 - днем в любой день в течение 4-недельного периода. Изображения были получены одновременно (в течение одной минуты) с измерением веса животного с использованием весов. Таким образом, после создания эталонной модели появилась возможность протестировать и проверить заявленный здесь подход.To create a standard Jersey cattle, the backs of individual animals from a herd of 102 Jerseys were imaged over a four week period using the system and method of the present invention. Animals in the herd had an average weight of 460 kg and a weight range from 350 to 650 kg. Over the course of 4 weeks, 1329 measurements of the backs of herd animals were taken, the number of measurements per animal varied from 3 to 15 over 4 weeks. Of the 1329 measurements, 1149 were taken in the morning and 180 were taken in the afternoon on any day during the 4-week period. Images were acquired simultaneously (within one minute) while the animal's weight was measured using a scale. Thus, after creating the reference model, it became possible to test and validate the approach stated here.

На каждой стороне позвоночника были созданы по три контурные линии, расположенные с помощью описанного здесь способа построения контуров. Три контурные линии, относящиеся к уменьшению на 2,5 см, 5 см и 10 см по отношению к позвоночнику, с использованием подхода каждой точки, представляющего такое же относительное уменьшение высоты по отношению к позвоночнику, имеют каждая точку отсчета вдоль позвоночника, как описано выше. В этом примере было обнаружено 100 точек вдоль позвоночника и зарегистрировано 100 точек для каждого падения высоты, обнаруженного относительно позвоночника. Следовательно, по 300 точек на каждой стороне позвоночника были использованы для оценки контурных графиков, использованных для создания эталонной модели.Three contour lines were created on each side of the spine using the contouring method described here. Three contour lines referring to a decrease of 2.5 cm, 5 cm and 10 cm with respect to the spine, using a each point approach representing the same relative decrease in height with respect to the spine, each having a reference point along the spine as described above . In this example, 100 points were detected along the spine and 100 points were recorded for each drop in height detected relative to the spine. Therefore, 300 points on each side of the spine were used to evaluate the contour plots used to create the reference model.

Модель, использованная в этом примере, является моделью частичных наименьших квадратов (PLS). 400 переменных контура спины коровы анализируются с помощью модели частичных наименьших квадратов. Это связано с автокорреляцией между переменными. Использование всех 400 переменных в модели было бы чрезмерно подогнанной моделью, и большинство переменных не добавили бы дополнительной информации в модель. Модель предсказания может быть сгенерирована с числом пре- 8 045177 дикторов, которое объясняет более 98% вариации веса. Предсказание веса оценивается с использованием количества переменных, предложенных моделью. Остатки определяются как разница между предсказанными и наблюдаемыми переменными для каждого индивидуального фенотипа веса. Для всех фенотипов доступна как регистрация веса, так и описание контура спины коровы.The model used in this example is the partial least squares (PLS) model. 400 cow back contour variables are analyzed using a partial least squares model. This is due to autocorrelation between variables. Using all 400 variables in the model would be an overfitting model, and most variables would not add additional information to the model. The prediction model can be generated with a number of predictors of 8,045,177 speakers, which explains more than 98% of the weight variation. Weight prediction is evaluated using the number of variables suggested by the model. The residuals are defined as the difference between the predicted and observed variables for each individual weight phenotype. For all phenotypes, both weight recording and a description of the contour of the cow's back are available.

В примерах упомянутых здесь 1 и 2 оказалось, что только 12 контурных точек, выбранных из позвоночника, и трех контурных линий было достаточно для предсказания веса с достаточной точностью. В конкретном случае четыре точки, выбранные вдоль позвоночника, три контурные точки от контурной линии на расстоянии 2,5 см, одна контурная точка от контурной линии 5 см и четыре точки от контурной линии 10 см. Позвоночник был сгенерирован 100 контурными точками, и каждая из трех контурных линий была построена из 100 контурных точек каждая. Точками предсказания были следующие: С0_5, С0_32, С0_64 и С0_90 от позвоночника, С1_24, С1_54 и С1_85 от контурной линии 2,5 см, С2_48 от контурной линии 5 см и С3_11, СЗ_40, С3_72 и С3_98 от контурной линии 10 см. Как видно по точкам предсказания, они распределены по контурным линиям, чтобы покрыть большую площадь спины животного.In examples 1 and 2 mentioned here, it turned out that only 12 contour points selected from the spine and three contour lines were sufficient to predict weight with reasonable accuracy. In the specific case, four points were selected along the spine, three contour points from a contour line at a distance of 2.5 cm, one contour point from a 5 cm contour line, and four points from a 10 cm contour line. The spine was generated with 100 contour points, and each of three contour lines were constructed from 100 contour points each. The prediction points were the following: C0_5, C0_32, C0_64 and C0_90 from the spine, C1_24, C1_54 and C1_85 from the contour line of 2.5 cm, C2_48 from the contour line of 5 cm and C3_11, SZ_40, C3_72 and C3_98 from the contour line of 10 cm. As can be seen according to the prediction points, they are distributed along contour lines to cover a large area of the animal's back.

Аналогичные результаты могут быть получены с другими контурными точками, но принцип заключается в том, что только ограниченное количество контурных точек, выбранных из ограниченного числа контурных линий (включая позвоночник), достаточны для адекватного описания трехмерной формы животного с целью определения веса.Similar results can be obtained with other contour points, but the principle is that only a limited number of contour points selected from a limited number of contour lines (including the spine) are sufficient to adequately describe the three-dimensional shape of the animal for the purpose of determining weight.

На фиг. 4 показаны все 1329 полученных данных для настоящего примера. Следовательно, каждая точка данных отражает измеренный вес на весах одного животного в одном случае и соответствующий расчетный вес того же животного на основе раскрытого здесь подхода. Данные нанесены на график как рассчитанный вес, зависящий от веса, измеренного на весах. Как правило, данные отражают идеальное соответствие между рассчитанной массой и измеренной массой животного, демонстрируя надежность раскрытого здесь подхода, даже когда другие соответствующие параметры, такие как возраст, продолжительность с момента отела или количество потомков, рожденных животным, не учитывались при определении веса. Следовательно, в этом примере вычисления основаны исключительно на 12 предикторах контурных точек, извлеченных из изображений спины животных, и ни на чем другом.In fig. Figure 4 shows all 1329 acquired data for this example. Therefore, each data point reflects the measured scale weight of one animal on one occasion and the corresponding estimated weight of that same animal based on the approach disclosed herein. The data is plotted as calculated weight versus weight measured on a scale. Generally, the data reflected perfect agreement between the calculated weight and the measured weight of the animal, demonstrating the reliability of the approach disclosed here, even when other relevant parameters such as age, duration since calving, or the number of offspring born to the animal were not taken into account when determining weight. Therefore, in this example, the calculations are based solely on the 12 contour point predictors extracted from the animal back images and nothing else.

Учитывая отклонение рассчитанного веса от измеренного, все еще относительно разреженный набор данных отражает относительно симметричное отклонение нормального распределения между рассчитанным и измеренным набором данных. Это показано на фиг. 5. Почти идеально симметричное распределение отклонения около 0 демонстрирует отсутствие систематической ошибки, связанной с анализом данных. Эту же информацию можно вычесть из фиг. 6, на которой остатки нанесены в зависимости от измеренного веса. В целом видно, что распределение относительно симметрично относительно остатка, равного 0, и нет сильной тенденции, указывающей на то, что остатки систематически неверные для данной подгруппы животных по весу.Given the deviation of the calculated weight from the measured one, the still relatively sparse data set reflects a relatively symmetric deviation of the normal distribution between the calculated and measured data set. This is shown in Fig. 5. An almost perfectly symmetrical deviation distribution around 0 demonstrates the absence of systematic error associated with data analysis. The same information can be subtracted from FIG. 6, on which the residues are plotted depending on the measured weight. Overall, it appears that the distribution is relatively symmetrical around a residual of 0, and there is no strong trend indicating that the residuals are systematically incorrect for this subgroup of animals by weight.

Взяв средний расчетный вес и средний измеренный вес каждого животного из всех измерений, проведенных на указанном животном в течение 4-недельного периода времени (каждое животное имеет от 3 до 15 пар измерений и расчетов), мы приходим к представленным на фиг. 7 данным. Как видно, согласованность между измеренным и рассчитанным весом каждого животного становится лучше, что также ожидается с учетом того, что каждая точка теперь отражает больший объем данных. Каждая точка (102 точки) на фиг. 7, следовательно, отражает средний вес (вычисленный и измеренный) одного отдельного животного в стаде. Фиг. 8 отражает разницу между средним измеренным весом и средним рассчитанным весом в зависимости от среднего измеренного веса. На этом чертеже показано, что отклонение между измеренным и рассчитанным весом не зависит от веса.Taking the average estimated weight and the average measured weight of each animal from all measurements taken on that animal over a 4-week period of time (each animal has between 3 and 15 pairs of measurements and calculations), we arrive at the figures shown in FIG. 7 data. As can be seen, the agreement between the measured and calculated weights of each animal is improving, which is also expected given that each point now represents more data. Each point (102 points) in Fig. 7 therefore reflects the average weight (calculated and measured) of one individual animal in the herd. Fig. 8 shows the difference between the average measured weight and the average calculated weight as a function of the average measured weight. This drawing shows that the deviation between measured and calculated weight is independent of weight.

Известно, что животное будет худеть в первые дни после родов, так как животному нужны все его ресурсы, в том числе дополнительные жировые отложения, накопленные во время беременности, для выработки молока. Следовательно, оно будет медленно разрушать отложения своего тела. Примерно через 50 дней животное начнет набирать вес, поскольку производство молока снижается, и теперь животное может съесть достаточно, чтобы фактически восстановить свои жировые отложения. Значит, животное снова наберет вес. Также по прошествии достаточно длительного времени животное снова забеременеет и начнет набирать вес. Следовательно, в качестве проверки работоспособности текущей модели этого примера 1329 измерений и вычислений веса были нанесены в зависимости от количества дней с момента последнего отела конкретного животного. Данные представлены на фиг. 9 и показывает медленное увеличение массы тела животного в зависимости от количества дней после отела. Следует отметить, что данные на фиг. 9 отражают вес животных, взятых за этот 4-недельный период времени, и, следовательно, ни одно животное не наблюдалось в течение периода времени, достаточно длительного, чтобы составить карту значимого изменения веса их индивидуального роста веса в зависимости от количества дней после отела. Остатки расчетов веса и измерений в зависимости от количества дней после отела показаны на фиг. 10, и снова в данных о весе не появляется четкой систематической ошибки, также не в зависимости от количества дней после отела. Таким образом, модель кажется стабильной в отношении систематической ошибки в зависимости от веса и количества дней с момента отела на основе данных, полученных в этом примере.It is known that the animal will lose weight in the first days after giving birth, since the animal needs all its resources, including additional fat deposits accumulated during pregnancy, to produce milk. Consequently, it will slowly break down the deposits of its body. After about 50 days, the animal will begin to gain weight as milk production decreases and the animal can now eat enough to actually restore its body fat. This means that the animal will gain weight again. Also, after a sufficiently long time, the animal will become pregnant again and begin to gain weight. Therefore, as a sanity check for the current model of this example, 1329 weight measurements and calculations were plotted against the number of days since a particular animal's last calving. The data is presented in Fig. 9 and shows a slow increase in the body weight of the animal depending on the number of days after calving. It should be noted that the data in FIG. 9 reflect the weights of animals taken over this 4-week time period, and therefore no animals were observed for a period of time long enough to map a significant change in the weight of their individual weight growth as a function of the number of days after calving. The remainder of the weight calculations and measurements depending on the number of days after calving are shown in Fig. 10, again no clear bias appears in the weight data, also not as a function of days postpartum. Thus, the model appears to be robust to weight and days since calving bias based on the data obtained in this example.

- 9 045177- 9 045177

Пример 2.Example 2.

Чтобы проверить, применимы ли данные к разным стадам, тот же подход, описанный выше в примере 1, был повторен для другого стада крупного рогатого скота джерсейской породы на другой ферме. Второе стадо состояло из 162 голов крупного рогатого скота джерсейской породы со средним весом 519 кг, т.е. в среднем коровы в стаде 2 были примерно на 60 кг тяжелее.To test whether the data applied to different herds, the same approach described in Case 1 above was repeated for another herd of Jersey cattle on a different farm. The second herd consisted of 162 Jersey cattle with an average weight of 519 kg, i.e. On average, cows in Herd 2 were approximately 60 kg heavier.

На фиг. 11 показаны данные для стада 2, которые соответствуют фиг. 4, где показаны данные того же типа для стада 1. На фиг. 11 показаны все полученные данные для стада 2. Следовательно, каждая точка данных отражает измеренный вес на весах одного животного в одном случае и соответствующий расчетный вес того же животного на основе раскрытого здесь подхода. Данные нанесены на график как рассчитанный вес, зависящий от веса, измеренного на весах. Как правило, данные отражают идеальное соответствие между рассчитанным весом и измеренным весом животного, демонстрируя надежность раскрытого здесь подхода. Также, в этом примере вычисления основаны исключительно на 12 предикторах контурных точек, извлеченных из изображений спины животных в стаде 2, и ни на чем другом.In fig. 11 shows data for herd 2 which corresponds to FIG. 4, which shows the same type of data for herd 1. FIG. 11 shows all the data obtained for Herd 2. Therefore, each data point reflects the measured weight on the scale of one animal on one occasion and the corresponding estimated weight of the same animal based on the approach disclosed here. The data is plotted as calculated weight versus weight measured on a scale. Generally, the data shows perfect agreement between the calculated weight and the measured weight of the animal, demonstrating the robustness of the approach disclosed here. Also, in this example, the calculations are based solely on the 12 contour point predictors extracted from the back images of the animals in Herd 2 and nothing else.

На фиг. 12 показаны данные для стада 2, которые соответствуют фиг. 7, где показаны данные того же типа для стада 1. Как показано на фиг. 12, согласованность между измеренным и рассчитанным весом каждого животного становится лучше, что также ожидается с учетом того, что каждая точка теперь отражает больший объем данных.In fig. 12 shows data for herd 2 which corresponds to FIG. 7, which shows the same type of data for Herd 1. As shown in FIG. 12, the agreement between the measured and calculated weight of each animal becomes better, which is also expected given that each point now represents a larger amount of data.

В табл. 1 ниже приведены данные для стада 1 и стада 2.In table 1 below shows data for herd 1 and herd 2.

Таблица 1Table 1

Стадо 1 Herd 1 Стадо 2 Herd 2 Коровы Cows 102 102 162 162 Средний вес Average weight 460 460 519 519 Стандартное отклонение на наблюдаемом весе между коровами Standard deviation on observed weight between cows 40 40 28 28 Стандартное отклонение на предсказываемом весе Standard deviation on predicted weight 36 36 25 25 между коровами between cows Стандартное отклонение по наблюдаемому весу у коров Standard Deviation of Observed Weights in Cows 5,9 5.9 7,0 7.0 Стандартное отклонение по прогнозируемой массе коров Standard deviation of predicted cow weight 5,4 5.4 6,4 6.4

Как видно из вышеприведенной таблицы, стандартное отклонение между коровами было больше в стаде 1, где коровы в среднем были самыми маленькими.As can be seen from the table above, the standard deviation between cows was greater in Herd 1, where the cows were the smallest on average.

Модель PLS использовалась для предсказания веса на основе 400 контуров спины коров обоих стад. Значение ^r2 между предсказанным и наблюдаемым весом составляло 0,90, а исследование с перекрестной проверкой, в котором коров случайным образом распределяли по пяти различным группам по лактации и стаду, показало надежность модели 0,82, а также среднеквадратичную ошибку 0,54. Результаты не зависят от дней или количества молока и лактации, а основаны только на информации, доступной на изображениях.The PLS model was used to predict weight from 400 back contours of cows from both herds. The ^r2 value between predicted and observed weights was 0.90, and a cross-validation study in which cows were randomly assigned to five different lactation and herd groups showed a model reliability of 0.82 as well as a root mean square error of 0.54. The results do not depend on days or quantity of milk and lactation, but are based only on the information available in the images.

Пример 3.Example 3.

Чтобы проверить, применимы ли данные к разным породам крупного рогатого скота, тот же подход, который описан выше в примерах 1 и 2, был повторен для разных стад джерсейской, голштинской и красной молочной породы скота соответственно. Данные по весу были записаны для четырех стад (два стада крупного рогатого скота джерсейской породы, одно стадо красной молочной породы и одно стадо голштинской породы) в течение шести недель. Размеры стад не были равными, что приводило к неравномерному распределению данных между стадами, но это не повлияло на результаты. Используя подход, описанный здесь, с менее чем пятью контурными точками, выбранными из позвоночника, и менее чем пятью контурными точками, выбранными из каждой из менее чем пяти контурных линий относительно позвоночника, вес был предсказан посредством трехмерного изображения спины животного, данные показывают, что в среднем разница между наблюдаемым и предсказанным весом очень мала. При 10кратной перекрестной проверке была оценена среднеквадратичная ошибка (RSME), и данные представлены в табл. 2 ниже и на фиг. 13-15, где показан график зависимости среднего наблюдаемого веса от предсказанногог веса для скота красной молочной породы (фиг. 13), скота джерсейской породы (фиг. 14) и скота голштинской породы (фиг. 15).To test whether the data applied to different cattle breeds, the same approach described in Examples 1 and 2 above was repeated for different herds of Jersey, Holstein, and Red Dairy cattle, respectively. Weight data were recorded for four herds (two Jersey herds, one Red Dairy herd and one Holstein herd) over a six-week period. Herd sizes were not equal, resulting in uneven distribution of data between herds, but this did not affect the results. Using the approach described here, with less than five contour points selected from the spine, and less than five contour points selected from each of the less than five contour lines relative to the spine, weight was predicted from a 3D image of the animal's back, data showing that in On average, the difference between observed and predicted weights is very small. Using 10-fold cross-validation, the root mean square error (RSME) was estimated and the data are presented in Table. 2 below and in FIG. 13-15, which plot average observed weight versus predicted weight for Red Dairy cattle (FIG. 13), Jersey cattle (FIG. 14), and Holstein cattle (FIG. 15).

- 10 045177- 10 045177

Таблица 2table 2

Порода Breed животных animals Средний пред, вес Average pre, weight Средний набл. вес Average obs. weight Стандартное отклонение Standard deviation Среднеквадратичная ошибка кг/% RMS error kg/% КМП KMP 101 101 625 625 624 624 59,6 59.6 22,7/3,60 22.7/3.60 Голш. Golsh. 398 398 676 676 678 678 84,2 84.2 37/5,38 37/5.38 Джер. Jer. 300 300 508 508 508 508 48,8 48.8 23,5/4,60 23.5/4.60

Случайная дисперсия животных, общая дисперсия и повторяемость полученных данных показаны в табл. 3 ниже. Как видно из табл. 3, повторяемость измерений выше 0,9, т.е. очень высокая.The random dispersion of animals, the total dispersion and repeatability of the data obtained are shown in table. 3 below. As can be seen from table. 3, the repeatability of measurements is higher than 0.9, i.e. very high.

Таблица 3Table 3

Порода Breed Отклонение Животное Deviation Animal Дисперсия остатка Residue variance Цикличность Cyclicality количество животных quantity animals КМП KMP 2991 2991 249 249 0,92 0.92 101 101 Голш. Golsh. 5566 5566 553 553 0,91 0.91 398 398 Джер. Jer. 2073 2073 164 164 0,93 0.93 300 300

Чтобы проанализировать, можно ли дополнительно улучшить предсказание путем включения времени года и данных, относящихся к количеству лактации и неделям лактации отдельного животного, данные о массе были проанализированы с использованием следующей модели:To analyze whether the prediction could be further improved by including time of year and data related to the number of lactations and weeks of lactation of an individual animal, weight data was analyzed using the following model:

вес = среднее значение + стадо + неделя в году + количество лактации + неделя лактации + животное + остаток.weight = average + herd + week of the year + number of lactation + week of lactation + animal + remainder.

Случайная дисперсия животных, общая дисперсия и повторяемость были рассчитаны снова, и результаты представлены ниже в табл. 4.Animal random variance, total variance and repeatability were calculated again and the results are presented in Table 1 below. 4.

Таблица 4Table 4

Порода Breed Отклонение Животное Deviation Animal Дисперсия остатка Residue variance Цикличность Cyclicality количество животных quantity animals КМП KMP 2216 2216 233 233 0,90 0.90 101 101 Голш. Golsh. 2527 2527 512 512 0,83 0.83 398 398 Джер. Jer. 950 950 153 153 0,86 0.86 300 300

Как видно из табл. 4, модель лишь немного улучшена за счет включения дополнительных параметров, специфичных для животных, дисперсия уменьшается; воспроизводимость даже незначительно увеличивается. Следует сделать вывод, что описанный здесь подход, основанный только на дискретном количестве контурных точек, извлеченных из трехмерного изображения спины животного, достаточен для точного предсказания веса животного, если доступна конкретная эталонная модель, в частности эталонная модель для конкретной породы, т.е. параметры, специфичные для животных, могут быть исключены из предсказания веса, что делает практическую реализацию возможной в реальных условиях.As can be seen from table. 4, the model is only slightly improved by including additional animal-specific parameters, the variance is reduced; reproducibility increases even slightly. It is concluded that the approach described here, based only on a discrete number of contour points extracted from a 3D image of the animal's back, is sufficient to accurately predict the animal's weight if a specific reference model is available, in particular a breed-specific reference model, i.e. animal-specific parameters can be excluded from weight prediction, making practical implementation possible in real-world settings.

Дополнительная информация.Additional Information.

1. Способ определения веса животного известной породы, включающий следующие этапы: получают по меньшей мере одно трехмерное изображение спины животного, извлечения данных из указанного по меньшей мере одного трехмерного изображения, относящихся к топологии спины животного, и вычисляют вес указанного животного путем сопоставления извлеченных данных с эталонной моделью, содержащей информацию о топологии спины по отношению к весу для породы указанного животного.1. A method for determining the weight of an animal of a known breed, comprising the following steps: obtaining at least one three-dimensional image of the animal's back, extracting data from said at least one three-dimensional image related to the topology of the animal's back, and calculating the weight of said animal by comparing the extracted data with a reference model containing information about the topology of the back in relation to weight for the breed of the specified animal.

2. Способ по п.1, в котором извлеченные данные содержат дискретное количество контурных точек, предпочтительно менее 50 контурных точек, более предпочтительно менее 25 контурных точек, еще более предпочтительно менее 20 контурных точек, наиболее предпочтительно менее 15 контурных точек, например, 12 контурных точек.2. The method of claim 1, wherein the extracted data contains a discrete number of contour points, preferably less than 50 contour points, more preferably less than 25 contour points, even more preferably less than 20 contour points, most preferably less than 15 contour points, for example 12 contour points points.

3. Способ по любому из предыдущих пунктов, в котором позвоночник животного располагается по меньшей мере на одном трехмерном изображении спины животного.3. A method as claimed in any one of the preceding claims, wherein the animal's spine is located on at least one three-dimensional image of the animal's back.

4. Способ по любому из предыдущих пунктов, в котором позвоночник животного определяется как сквозная линия локальных максимумов.4. The method according to any of the previous paragraphs, in which the spine of the animal is defined as an end-to-end line of local maxima.

5. Способ по любому из предыдущих пунктов, в котором позвоночник животного определяет продольное направление трехмерного изображения.5. The method as claimed in any one of the preceding claims, wherein the spine of the animal determines the longitudinal direction of the three-dimensional image.

6. Способ по любому из предыдущих пунктов, в котором данные извлекаются из трехмерного изображения путем построения контура спины животного для создания контурных линий относительно позвоночника.6. A method as claimed in any one of the preceding claims, wherein data is extracted from the three-dimensional image by contouring the animal's back to create contour lines relative to the spine.

- 11 045177- 11 045177

7. Способ по любому из предыдущих пунктов, в котором контурные точки на контурной линии основаны на относительном падении высоты по отношению к высоте позвоночника в данном месте вдоль позвоночника.7. The method of any of the preceding claims, wherein the contour points on the contour line are based on the relative fall in height relative to the height of the spine at a given location along the spine.

8. Способ по любому из предыдущих пунктов, в котором извлеченные данные содержат от 1 до 10 контурных точек, например 4 контурные точки, выбранных из позвоночника, и/или от 1 до 10 контурных точек, например 4 контурные точки, выбранные из каждой от 1 до 10 контурных линий, например 3 контурных линий, относительно позвоночника.8. The method as claimed in any one of the preceding claims, wherein the extracted data comprises 1 to 10 contour points, such as 4 contour points selected from a spine, and/or 1 to 10 contour points, such as 4 contour points selected from each of 1 up to 10 contour lines, for example 3 contour lines, relative to the spine.

9. Способ по любому из предшествующих пп.6-8, в котором контурные линии создают через дискретные интервалы на высоте, меньшей или равной 15 см, предпочтительно меньшей или равной 10 см, относительно высоты позвоночника.9. The method according to any of the preceding claims 6 to 8, wherein the contour lines are created at discrete intervals at a height of less than or equal to 15 cm, preferably less than or equal to 10 cm, relative to the height of the spine.

10. Способ по любому из предшествующих пунктов, в котором единственную контурную точку контурной линии определяют как предварительно определенное снижение высоты на спине животного относительно высоты позвоночника, при этом снижение высоты относительно точки на позвоночнике животного располагается по линии, перпендикулярной позвоночнику.10. The method of any one of the preceding claims, wherein the single contour point of the contour line is defined as a predetermined decrease in height on the animal's back relative to the height of the spine, wherein the decrease in height relative to a point on the animal's spine is located along a line perpendicular to the spine.

11. Способ по любому из предшествующих пунктов, содержащий этап идентификации животного на основе указанного по меньшей мере одного трехмерного изображения.11. The method as claimed in any one of the preceding claims, comprising the step of identifying the animal based on said at least one three-dimensional image.

12. Способ по любому из предшествующих пунктов, в котором животное движется во время получения указанного по меньшей мере одного трехмерного изображения.12. A method as claimed in any one of the preceding claims, wherein the animal moves while the at least one three-dimensional image is obtained.

13. Способ по любому из предыдущих пунктов, в котором получают более одного трехмерного изображения животного.13. The method according to any of the previous claims, wherein more than one three-dimensional image of the animal is obtained.

14. Способ по любому из предшествующих пунктов, в котором указанное по меньшей мере одно трехмерное изображение основано на множестве трехмерных изображений, полученных во время движения животного.14. The method according to any one of the preceding claims, wherein said at least one three-dimensional image is based on a plurality of three-dimensional images obtained during movement of the animal.

15. Способ по любому из предыдущих пунктов, в котором анализ данных основан на среднем изображении из двух или более изображений.15. The method as claimed in any one of the preceding claims, wherein the data analysis is based on an average image of two or more images.

16. Способ по любому из предшествующих пунктов, в котором животное представляет собой крупный рогатый скот, предпочтительно включая как коров, так и быков, как взрослых, так и новорожденных животных.16. The method according to any of the preceding claims, wherein the animal is a bovine animal, preferably including both cows and bulls, both adult and newborn animals.

17. Способ по любому из предшествующих пунктов, в котором порода животных выбрана из следующих групп: джерсейская порода, фризская порода крупного рогатого скота, голштинская порода крупного рогатого скота швартбонт (Swartbont), немецкая голштинская порода крупного рогатого скота шварцбунт (Schwarzbunt), американская голштинская порода крупного рогатого скота, красная и белая голштинская порода, немецкая голштинская порода крупного рогатого скота шварцбунт (Schwarzbunt), датская красная порода, финская эйрширская порода, шведская красная и белая порода, датская голштинская порода, шведская красная и белая порода и скандинавская красная порода.17. The method according to any of the preceding paragraphs, in which the animal breed is selected from the following groups: Jersey breed, Friesian cattle breed, Holstein Swartbont cattle breed, German Holstein Schwarzbunt cattle breed, American Holstein cattle breed cattle breed, Red and White Holstein, German Holstein Schwarzbunt cattle, Danish Red, Finnish Ayrshire, Swedish Red and White, Danish Holstein, Swedish Red and White and Scandinavian Red.

18. Система определения веса животного известной породы, содержащая систему визуализации, конфигурированную для получения по меньшей мере одного трехмерного изображения спины животного, блок обработки, конфигурированный для извлечения данных из указанного по меньшей мере одного трехмерного изображения, относящихся к топологии спины животного, и вычисления веса указанного животного путем сопоставления указанных контурных точек с эталонной моделью, содержащей информацию о топологии спины по отношению к весу для породы указанного животного.18. A system for determining the weight of an animal of a known breed, comprising an imaging system configured to obtain at least one three-dimensional image of the back of the animal, a processing unit configured to extract data from the at least one three-dimensional image related to the topology of the animal's back, and calculate the weight of said animal by matching said contour points to a reference model containing information about the topology of the back in relation to weight for the breed of said animal.

19. Система в соответствии с п.18, конфигурированная так, что получается по меньшей мере одно трехмерное изображение сверху животного, таким образом отображая животных в виде сверху.19. The system of claim 18, configured to produce at least one three-dimensional image from above of the animal, thereby displaying the animals in a top view.

20. Система по любому из пп.18-19, конфигурированная для получения указанного по меньшей мере одного трехмерного изображения, когда животное стоит в клетке и/или проходит через нее.20. The system according to any one of claims 18-19, configured to obtain said at least one three-dimensional image while the animal is standing in and/or passing through the cage.

21. Система по любому из пп.18-19, конфигурированная для получения указанного по меньшей мере одного трехмерного изображения при запуске указанным животным, приближающимся к клетке и/или входящим в нее.21. The system according to any one of claims 18-19, configured to obtain said at least one three-dimensional image when triggered by said animal approaching and/or entering the cage.

22. Система по любому из пп.18-21, в которой блок обработки выполнен с возможностью выполнения способа по любому из пп.1-17.22. The system according to any one of claims 18-21, in which the processing unit is configured to carry out the method according to any of claims 1-17.

Claims (18)

1. Реализуемый компьютером способ определения веса животного известной породы, включающий следующие этапы:1. A computer-implemented method for determining the weight of an animal of a known breed, including the following steps: получают по меньшей мере одно трехмерное изображение спины животного, причем указанное по меньшей мере одно трехмерное изображение получают сверху животного, извлекают данные в виде дискретного количества контурных точек из указанного по меньшей мере одного трехмерного изображения, относящиеся к топологии спины животного, причем контурные точки извлекают относительно линии локальных максимумов вдоль спины животного, и вычисляют вес указанного животного путем прямого сопоставления только указанных контурных точек с эталонной моделью, содержащей информацию о топологии спины по отношению к весу для породы указанного животного.at least one three-dimensional image of the animal's back is obtained, wherein said at least one three-dimensional image is obtained from above the animal, data is extracted in the form of a discrete number of contour points from said at least one three-dimensional image related to the topology of the animal's back, wherein contour points are extracted relative to lines of local maxima along the back of the animal, and calculate the weight of the specified animal by directly comparing only the specified contour points with a reference model containing information about the topology of the back in relation to weight for the breed of the specified animal. 2. Способ по п.1, в котором извлеченные данные содержат от 5 до 30 контурных точек.2. The method according to claim 1, wherein the extracted data contains from 5 to 30 contour points. 3. Способ по любому из предшествующих пунктов, в котором извлеченные данные содержат менее 20 контурных точек.3. The method as claimed in any one of the preceding claims, wherein the extracted data contains less than 20 contour points. 4. Способ по любому из предшествующих пунктов, в котором извлеченные данные содержат от 10 до 20 контурных точек.4. The method as claimed in any one of the preceding claims, wherein the extracted data contains from 10 to 20 contour points. 5. Способ по любому из предшествующих пунктов, в котором данные извлекают из трехмерного изображения путем построения контура спины животного для создания контурных линий относительно позвоночника, который определяют как сквозную линию локальных максимумов, при этом контурные точки на контурной линии основаны на относительном падении высоты по отношению к высоте позвоночника в данном месте вдоль позвоночника.5. The method of any one of the preceding claims, wherein data is extracted from a three-dimensional image by constructing a contour of the animal's back to create contour lines relative to the spine, which are defined as a through line of local maxima, wherein the contour points on the contour line are based on a relative fall in height relative to to the height of the spine at a given location along the spine. 6. Способ по любому из предшествующих пунктов, в котором извлеченные данные содержат менее 5 контурных точек, выбранных из позвоночника, и менее 5 контурных точек, выбранных из каждой из менее 5 контурных линий относительно позвоночника.6. The method as claimed in any one of the preceding claims, wherein the extracted data comprises less than 5 contour points selected from the spine and less than 5 contour points selected from each of the less than 5 contour lines relative to the spine. 7. Способ по любому из предшествующих пунктов, в котором извлеченные данные содержат от 1 до 10 контурных точек, выбранных из линии локальных максимумов вдоль спины животного, например 4 контурные точки, выбранные из линии локальных максимумов вдоль спины животного, и от 1 до 10 контурных точек, например 4 контурные точки, выбранные из каждой из от 1 до 10 контурных линий, например 3 контурные линии, относительно линии локальных максимумов вдоль спины животного.7. The method as claimed in any one of the preceding claims, wherein the extracted data comprises from 1 to 10 contour points selected from a line of local maxima along the animal's back, for example 4 contour points selected from a line of local maxima along the animal's back, and from 1 to 10 contour points points, eg 4 contour points selected from each of 1 to 10 contour lines, eg 3 contour lines, relative to a line of local maxima along the animal's back. 8. Способ по любому из предшествующих пунктов, в котором единственную контурную точку контурной линии определяют как предварительно определенное снижение высоты на спине животного относительно высоты позвоночника, при этом снижение высоты относительно точки на позвоночнике животного располагается по линии, перпендикулярной позвоночнику.8. The method of any one of the preceding claims, wherein the single contour point of the contour line is defined as a predetermined decrease in height on the animal's back relative to the height of the spine, wherein the decrease in height relative to a point on the animal's spine is located along a line perpendicular to the spine. 9. Способ по любому из пп.5-8, в котором контурные линии создают через дискретные интервалы на высоте, меньшей или равной 15 см, предпочтительно меньшей или равной 10 см, относительно высоты позвоночника.9. The method according to any one of claims 5 to 8, wherein the contour lines are created at discrete intervals at a height of less than or equal to 15 cm, preferably less than or equal to 10 cm, relative to the height of the spine. 10. Способ по любому из предшествующих пунктов, включающий этап идентификации животного на основе указанного по меньшей мере одного трехмерного изображения.10. The method as claimed in any one of the preceding claims, comprising the step of identifying the animal based on said at least one three-dimensional image. 11. Способ по любому из предшествующих пунктов, в котором животное движется во время получения указанного по меньшей мере одного трехмерного изображения.11. A method as claimed in any one of the preceding claims, wherein the animal moves while the at least one three-dimensional image is obtained. 12. Способ по любому из предшествующих пунктов, в котором указанное по меньшей мере одно трехмерное изображение основано на множестве трехмерных изображений, полученных во время движения животного.12. The method according to any of the preceding claims, wherein said at least one three-dimensional image is based on a plurality of three-dimensional images obtained during movement of the animal. 13. Способ по любому из предшествующих пунктов, в котором животное представляет собой крупный рогатый скот, предпочтительно включая как коров, так и быков, как взрослых, так и новорожденных животных.13. The method according to any of the preceding claims, wherein the animal is a bovine animal, preferably including both cows and bulls, both adult and newborn animals. 14. Способ по любому из предшествующих пунктов, в котором порода животных выбрана из следующих групп: джерсейская порода, фризская порода крупного рогатого скота, голштинская порода крупного рогатого скота швартбонт (Swartbont), немецкая голштинская порода крупного рогатого скота шварцбунт (Schwarzbunt), американская голштинская порода крупного рогатого скота, красная и белая голштинская порода, немецкая голштинская порода крупного рогатого скота шварцбунт (Schwarzbunt), датская красная порода, финская эйрширская порода, шведская красная и белая порода, датская голштинская порода, шведская красная и белая порода и скандинавская красная порода.14. The method according to any of the preceding claims, in which the animal breed is selected from the following groups: Jersey breed, Friesian cattle breed, Holstein Swartbont cattle breed, German Holstein Schwarzbunt cattle breed, American Holstein cattle breed cattle breed, Red and White Holstein, German Holstein Schwarzbunt cattle, Danish Red, Finnish Ayrshire, Swedish Red and White, Danish Holstein, Swedish Red and White and Scandinavian Red. 15. Система определения веса животного известной породы, содержащая систему визуализации, конфигурированную для получения по меньшей мере одного трехмерного изображения спины животного сверху животного, так что система визуализации конфигурирована для отображения указанных животных в виде сверху, блок обработки, конфигурированный для извлечения данных в виде дискретного количества контурных точек из указанного по меньшей мере одного трехмерного изображения, относящихся к топологии спины животного, причем контурные15. A system for determining the weight of an animal of a known breed, comprising an imaging system configured to obtain at least one three-dimensional image of the back of an animal from above the animal, such that the imaging system is configured to display said animals in a top view, a processing unit configured to extract data in the form of a discrete number of contour points from said at least one three-dimensional image related to the topology of the animal’s back, wherein the contour points - 13 045177 точки извлекаются относительно линии локальных максимумов вдоль спины животного, и вычисления веса указанного животного путем прямого сопоставления только контурных точек с эталонной моделью, содержащей информацию о топологии спины по отношению к весу для указанной породы указанного животного.- 13 045177 points are extracted relative to a line of local maxima along the back of the animal, and the weight of said animal is calculated by directly matching only the contour points to a reference model containing information about the topology of the back in relation to weight for a specified breed of said animal. 16. Система по п.15, конфигурированная для получения указанного по меньшей мере одного трехмерного изображения, когда животное стоит в клетке и/или проходит через нее.16. The system of claim 15, configured to obtain said at least one three-dimensional image while the animal is standing in and/or walking through the cage. 17. Система по п.15 или 16, конфигурированная для получения указанного по меньшей мере одного трехмерного изображения при запуске указанным животным, приближающимся к клетке и/или входящим в нее.17. The system of claim 15 or 16, configured to obtain said at least one three-dimensional image when triggered by said animal approaching and/or entering the cage. 18. Система по любому из пп.15-17, в которой блок обработки выполнен с возможностью выполнения способа по любому из пп.1-14.18. The system according to any one of claims 15 to 17, in which the processing unit is configured to carry out the method according to any of claims 1 to 14.