Содержание
Перейти к:
Создание интеллектуальной системы диагностирования ацидоза рубца у коров. Часть 2: Компьютерная реализация
https://doi.org/10.23947/2949-4826-2026-25-1-26-33
EDN: GHJLEA
Аннотация
Введение. В первой части работы обоснована актуальность совершенствования методов диагностирования ацидоза рубца у коров на базе интеллектуальных систем и предложено использовать в качестве инструментария такой системы теорию нечетких множеств. Была разработана структура интеллектуальной системы иерархического типа и выполнена формализация задач. На втором этапе исследований выполнена компьютерная реализация интеллектуальной нечеткой системы на нечеткой логике диагностирования ацидоза в среде Xcos приложения Scilab, а для практического применения — разработана компьютерная программа в среде Scilab+Scinotes.
Материалы и методы. Исследование проведено в Уральском государственном аграрном университете и Государственном аграрном университете Северного Зауралья в период с 2022 по 2025 гг. Использованы методы интеллектуальных систем, теории нечетких множеств, нечеткой логики, нечеткий вывод выполнен методом Мамдани. Программная реализация модели оценки патологии рубца в обобщенной интеллектуальной системе выполнена средствами Xcos приложения Scilab. Компьютерная реализация интеллектуальной системы выполнена в среде Scilab+Scinotes.
Результаты исследования. Созданы базы продукционных правил для задачи интеллектуальной системы иерархического типа, включающие различные сочетания диагностических параметров и соответствующие им степени патологии ацидоза рубца. Проведен синтез нечетких систем в среде SciFLT приложения Scilab. Разработана обобщенная модель интеллектуальной системы диагностирования ацидоза рубца у коров в среде Xcos приложения Scilab. Выполнена компьютерная реализация интеллектуальной системы диагностирования в программах Scilab и Scinotes.
Обсуждение и заключение. Предложенная авторами модель интеллектуальной системы обладает новизной и может быть рекомендована для практического использования в советующих экспертных системах, для автоматизации рабочего места врача-ветеринара, в современных технологиях ветеринарной телемедицины.
Ключевые слова
ацидоз рубца у коров,
патология ацидоза рубца,
диагностирование,
интеллектуальная система диагностирования,
теория нечетких множеств,
компьютерная реализация
Для цитирования:
Побединский В.В., Побединский А.А., Иовлев Г.А. Создание интеллектуальной системы диагностирования ацидоза рубца у коров. Часть 2: Компьютерная реализация. Ветеринарная патология. 2026;25(1):26-33. https://doi.org/10.23947/2949-4826-2026-25-1-26-33. EDN: GHJLEA
For citation:
Pobedinskiy V.V., Pobedinskiy A.A., Iovlev G.A. Development of an Intelligent System for Diagnosing Rumen Acidosis in Cows. Part 2: Computer Implementation. Russian Journal of Veterinary Pathology. 2026;25(1):26-33. https://doi.org/10.23947/2949-4826-2026-25-1-26-33. EDN: GHJLEA
Введение. Обеспечение устойчивого развития животноводства является ключевой задачей государственной программы развития сельского хозяйства РФ [1]. При этом на правительственном уровне признается, что главной задачей отрасли на ближайшее будущее является ежегодный прирост поголовья КРС и снижение его падежа1.
В структуре заболеваний КРС ацидоз рубца занимает одно из первых мест. Его называют «причиной всех проблем здоровья коров» [2] и «самой актуальной проблемой любого, и высокопродуктивного и обычного, стада» [3]. Все это говорит о необходимости совершенствования диагностирования ацидоза на любой стадии заболевания. С этой целью нами создана интеллектуальная система диагностирования ацидоза рубца у коров. На первом этапе работы [4] выполнена формализация задач на основе концепции нечеткой логики: обоснован комплекс диагностических показателей для оценки степени патологии ацидоза; разработана структура интеллектуальной системы иерархического типа; формализована задача с использованием методов теории нечетких множеств. Цель второй части исследования — выполнить компьютерную реализацию формализованной ранее на основе нечеткой логики интеллектуальной системы оценки патологии ацидоза рубца у коров.
Для этого были определены следующие задачи:
1) разработка баз правил для задачи интеллектуальной системы иерархического типа;
2) выполнение синтеза нечетких систем в среде SciFLT приложения Scilab;
3) разработка обобщенной модели интеллектуальной системы диагностирования в среде Xcos приложения Scilab;
4) компьютерная реализация интеллектуальной системы диагностирования в программах Scilab и Scinotes.
Материалы и методы. Исследование проведено в Уральском государственном аграрном университете (г. Екатеринбург) и Государственном аграрном университете Северного Зауралья (г. Тюмень) в период с 2022 по 2025 гг. Использованы методы ветеринарной медицины, интеллектуальных систем, теории нечетких множеств, нечеткой логики, метод Мамдани для нечёткого вывода. Синтез нечетких систем выполнен средствами Scilab+SciFLT (Scilab Consortium, Франция). Программная реализация модели оценки патологии рубца в обобщенной интеллектуальной системе выполнена средствами Xcos приложения Scilab. Компьютерная реализация интеллектуальной системы выполнена в среде Scilab+Scinotes.
Результаты исследования
1. Создание баз продукционных правил. Для создания баз принимаются различные сочетания диагностических параметров и соответствующая им степень патологии ацидоза. Степень патологии будет изменяться в пределах от «Перманентная» до «Острая», а лингвистическая переменная принимает значения от «Mин» (животное здорово) до «Мах» (острая стадия).
Следует определить достоверные зависимости степени заболевания от содержания рН и жирности молока, как это описывается по правилам теории нечетких множеств («Если А=В и С=D и … то mi=nj и ….»). При этом следует опираться на известные данные [5–22].
Сформированные базы правил нечеткой продукции для вывода функции Y12 = f(pH, Ж), функции Y34 = f(ЧП, ЧД) и результирующей функции степени патологии ацидоза СПА = f(Y12, Y34) приведены в таблицах 1–3.
Таблица 1
База правил для вывода функции Y12 = f(pH, Ж)
|
Значения лингвистической переменной «рН» |
Значения выходных нечетких подмножеств «рН–жирность, Y12» при изменении нечеткой функции «Жирность, Ж» |
||||
|
Мин |
М |
Ср |
В |
Мах |
|
|
Кн |
Мах |
Мах |
В |
Ср |
М |
|
Кср |
Мах |
В |
Ср |
М |
М |
|
Нейтраль |
В |
Ср |
М |
Мин |
Мин |
|
Щср |
Ср |
М |
М |
Мин |
Мин |
|
Щн |
М |
Мин |
Мин |
Мин |
Мин |
Таблица 2
База правил для вывода функции Y34 = f(ЧП, ЧД)
|
Значения лингвистической переменной «Частота пульса, ЧП» |
Значения выходных нечетких подмножеств «Дыхание–пульс, Y34» при изменении нечеткой функции «Частота дыхания, ЧД» |
||||
|
Мин |
М |
Ср |
В |
Мах |
|
|
Мин |
Мин |
Мин |
Мин |
М |
Ср |
|
М |
М |
М |
М |
Ср |
В |
|
Ср |
М |
Ср |
Ср |
В |
Мах |
|
В |
Ср |
Ср |
В |
Мах |
Мах |
|
Мах |
Ср |
В |
Мах |
Мах |
Мах |
Таблица 3
База правил для вывода функции СПА = f(Y12, Y34) = f(рН, Ж,ЧП, ЧД)
|
Значения лингвистической переменной «рН–жирность,Y12» |
Значения выходных нечетких подмножеств «СПА» при изменении нечеткой функции «Дыхание пульс, Y34» |
||||
|
Мин |
М |
Ср |
В |
Мах |
|
|
Мин |
Мин |
Мин |
Мин |
М |
М |
|
М |
Мин |
Мин |
М |
Ср |
Ср |
|
Ср |
Мин |
М |
Ср |
В |
В |
|
В |
М |
Ср |
В |
В |
Мах |
|
Мах |
Ср |
В |
Мах |
Мах |
Мах |
2. Синтез нечетких моделей задачи. С использованием баз правил выполняются процедуры нечеткого вывода и синтез нечетких моделей задачи. Для реализации разработанной формальной постановки задачи нечетких выводов, входящих в структуру интеллектуальной системы, использована среда SciFLTEditor приложения Scilab2. Нечеткий вывод для получения результирующих функции принадлежности приведен на рис.1а-в. В соответствии с методикой3 нечеткого вывода на примере функции Y12 = f(pH, Ж) выполнялись процедуры в следующем порядке:
1) фаззификация переменных задачи (рис. 1а-1б);
2) создание базы правил (рис. 1в).
Рис. 1. Процедуры нечеткого вывода в SciFLT-формате: а) переменные рН и SZ; б) Y12 и Y34; в) база правил нечеткого вывода для функции Y12= f(pH, SZ)
После завершения нечеткого вывода и дефаззификации получены результирующие функции Y12 = f(pH, SZ); Y34 = f(CHP, CHD) и СПА = f(Y12,Y34). В графическом виде они приведены на рис. 2.
Рис. 2. Результирующие функции: а) Y12 = f(pH, SZ); б) Y34 = f(CHP, CHD); в) СПА = f(Y12,Y34)
3. Разработка обобщенной модели интеллектуальной системы диагностирования. На рис. 3 показана модель интеллектуальной системы в формате Xcos, в которой использованы визуальные блоки Constant для ввода исходных данных, мультиплексоры Mux для формирования вектора последовательных данных и передачи их в блоки Controller. В этих блоках задано обращение к соответствующим нечетким системам для получения результатов нечеткого вывода. Результаты расчетов выводятся на виртуальный электронный дисплей.
Рис. 3. Модель интеллектуальной системы в формате Xcos
4. Компьютерная реализация интеллектуальной системы диагностирования. Для практического применения модель необходимо обеспечить пользовательским интерфейсом. Для его разработки использована среда Scilab+Scinotes. Основные визуальные формы интерфейса изображены на рис. 4, где приводится информация о программе, документация, ввод-вывод данных, рекомендации по лечению ацидоза рубца в зависимости от степени его патологии.
Рис. 4. Основные формы пользовательского интерфейса программы: а) заглавная форма; б) форма ввода-вывода данных и работы с программой
Обсуждение и заключение. Перспективность развития направления искусственного интеллекта в агропромышленном комплексе не вызывает сомнений. Предложенная авторами интеллектуальная система диагностирования патологии рубца у коров обладает новизной и может быть использована в советующих экспертных системах, для автоматизации рабочего места врача-ветеринара, в современных технологиях ветеринарной телемедицины и других областях.
Особым вопросом является адекватность системы, так как традиционный, стандартный подход будет к ней не применим. В отличие от других моделей, интеллектуальные системы, основанные на правилах, т. е. нечеткие системы и нейронные сети, обучаются на протяжении всего жизненного цикла [23]. Это означает, что в процессе использования при изменении внешних условий (например, методик лечения, фармакологических средств, возникновении побочных эффектов) новые наборы правил включаются в базу правил нечеткой продукции, и работа интеллектуальной системы автоматически корректируется. Если эту процедуру делать не вручную, а автоматизировать в программе, то система становится самообучающейся.
В процедуру выдачи рекомендаций по лечению также внесены в качестве шаблона основные стандартные положения по лечению. Но обязательно предусмотрена возможность корректировки и уточнения со стороны ветеринара, так как эта система пока остается советующей системой для принятия решения ветеринаром.
Подытоживая результаты исследования, можно заключить, что предложенная интеллектуальная система достаточно точно диагностирует патологию ацидоза и является универсальной, так как обладает возможностью совершенствовать процесс диагностирования (добавлять новые правила в базы правил или другие параметры), при этом не требуя никаких изменений в программном коде.
1. Стратегия развития агропромышленного и рыбохозяйственного комплексов Российской Федерации на период до 2030 года. Утверждена распоряжением Правительства РФ от 8 сентября 2022 г. № 2567-р.
2. Scilab. https://www.scilab.org (дата обращения 19.06.2024).
3. Piegat A. Fuzzy Modeling and Control: with 96 tables. Heidelberg; New York: Physic-Verl, 2001. P.760.
Список литературы
1. Амерханов Х.А. Роль и место отрасли животноводства в обеспечении продовольственной безопасности РФ. URL: https://ran-szv.ru/index.php/doklads/amerkhanov-150524 (дата обращения 29.01.2026)
2. Самоловов А.А. Ацидоз рубца – причина всех проблем здоровья коров. Производственная болезнь. Новосибирск; 2016. 61 с.
3. Трегубов В.И. Методы устранения и предупреждения ацидоза у коров. URL: https://agbz.ru/articles/metody-ustraneniya-i-preduprezhdeniya-atsidoza-u-korov/ (дата обращения 11.02.2026)
4. Побединский В.В., Побединский А.А., Иовлев Г.А. Создание интеллектуальной системы диагностирования ацидоза рубца у коров. Часть 1: Формализация задач. Ветеринарная патология. 2025;24(4):17–26. https://doi.org/10.23947/2949-4826-2025-24-4-17-26
5. Бакиров Б., Разикулов Н.Б., Хайитов Б., Абдурасулов А.Х. Групповая профилактика ацидоза рубца у коров. Вестник ОШГУ. Сельское хозяйство: агрономия, ветеринария и зоотехния. 2023;4(5):50–56. https://doi.org/10.52754/16948696_2023_4_7
6. Владимиров В.Е., Кирсанов В.В., Павкин В.Ю. Исследование pH и температуры рубца для диагностики ацидоза у дойных коров после отела. Вестник ВНИИМЖ. 2019;4(36):196–199.
7. Воронов Д.В., Бобер Ю. Н. Показатели pH содержимого рубца у коров, больных ацидозом, при различных способах получения пробы. Ученые записки учреждения образования «Витебская ордена "Знак Почета" государственная академия ветеринарной медицины». 2017;53(3):18–21.
8. Луговой М.М., Азарнова Т.О., Подольников В.Е., Луговая И.С. Значимость поддержания водородного показателя в организме коров для профилактики метаболических нарушений и повышения молочной продуктивности. Аграрная Россия. 2019;12:3–7. https://doi.org/10.30906/1999-5636-2019-12-3-7
9. Павкин Д.Ю., Владимиров Ф.Е. Диагностика подострого ацидоза рубца у коров в послеотельный период с помощью цифровых технологий. Главный зоотехник. 2020;(12(209)):47–52.
10. Побединский А.А., Побединский В.В. Способ мониторинга пчелиных ульев и популяций пчёл. Известия Оренбургского государственного аграрного университета. 2023;(6(104)):198–204.
11. Побединский А.А. Дистанционный мониторинг определения продуктивности курнесушек в частном хозяйстве. Известия Оренбургского государственного аграрного университета. 2022;(1(93)):127–130. https://doi.org/10.37670/2073-0853-2022-93-1-127-130
12. Рыжкова Г.Ф., Евглевский А.А., Евглевская Е.П., Миненков Н.А. Перераспределение электролитов между эритроцитами и плазмой крови коров при нарушении кислотно-щелочного равновесия (ацидоз рубца). Вестник Курской государственной сельскохозяйственной академии. 2018;(4):136–139.
13. Эленшлегер А.А., Соловьева В.В. Клинико-морфологические показатели крови при ацидозе рубца у молочных коров. Вестник Алтайского государственного аграрного университета. 2016;(6(140)):112–115.
14. Abarghuei MJ, Rouzbehan Y, Salem AZМ, Zamiri МJ. Nutrient Digestion, Ruminal Fermentation and Performance of Dairy Cows Fed Pomegranate Peel Extract. Livestock Science. 2013;157(2–3):452–461.
15. AlZahal O, Kebreab E, France J, Froetschel M, McBrideet BW. Ruminal Temperature May Aid in the Detection of Subacute Ruminal Acidosis. Journal of Dairy Science. 2008;91(1):202–207. https://doi.org/10.3168/jds.2007-0535
16. Antanaitis R, Juozaitiene V, Malasauskiene D, Televicius M., Urbutis M. Biomarkers from Automatic Milking System as an Indicator of Subclinical Acidosis and Subclinical Ketosis in Fresh Dairy Cows. Polish Journal of Veterinary Science. 2019;22(4):685–693. https://doi.org/10.24425/pjvs.2019.129981
17. Asqarov SS, Yunusov XB, Roziqulov NB. Qo‘zilar Dispepsiyasining Klinik Belgilari va Ularning Etiopa-togenetik Asoslari. Veterinariya meditsinasi. 2023;8:18-19.
18. Smith BP, Van Metre DC, Pusterla N (Eds). Large Animal Internal Medicine. 6th Edition. USA: Elsevier; 2020. 1874. https://doi.org/10.1016/C2016-0-01788-6
19. Chen L, Liu Sh, Wang H, Wang М, Lihuai Yu. Relative Significances of pH and Substrate Starch Level to Roles of Streptococcus Bovis S1 in Rumen Acidosis. AMB Express. 2016;6(1):80. https://doi.org/10.1186/s13568-016-0248-2
20. Chen L, Luo Y, Wang Н, Liu Sh, Shen Y, Wang M. Effects of Glucose and Starch on Lactate Production by Newly Isolated Streptococcus Bovis S1 from Saanen Goats. Applied and Environmental Microbiology. 2016;82(19):5982–5989. https://doi.org/10.1128/AEM.01994-16
21. Millen DD, De Arrigoni MB, Pacheco RDL (Eds). Rumenology. Cham: Springer; 2016. 314 p. https://doi.org/10.1007/978-3-319-30533-2
22. McSweeney CS, Mackie RI (Eds). Improving Rumen Function: Burleigh Dodds Series in Agricultural Science. Cambridge: Burleigh Dodds Science Publishing; 2020. 862 p.
23. Эпоха самообучения: как самообучающийся ИИ меняет отрасли. URL: https://rfidunion.com/ru/information/self-learning-ai-will-create-a-new-self-era.html (дата обращения 11.02.2026)
Об авторах
В. В. Побединский
Уральский государственный лесотехнический
университет; Уральский государственный аграрный университет
Россия
Россия
Владимир Викторович Побединский, профессор, доктор технических наук, заведующий кафедрой управления в технических системах и инновационных технологий; профессор кафедры сервиса транспортных и технологических машин и оборудования АПК
620100, г. Екатеринбург, Сибирский тракт, 37;
620000, г. Екатеринбург, ул. Карла Либкнехта, стр. 42.
Web of Science ResearcherID: G-3245-2018.
Scopus ID: 57210947239.
А. А. Побединский
Тюменский государственный университет
Россия
Россия
Андрей Анатольевич Побединский, доцент кафедры лесного хозяйства, деревообработки и прикладной механики Аграрного института,
625003, г. Тюмень, ул. Рощинское шоссе, 18.
Web of Science ResearcherID: G-3777-2018.
Г. А. Иовлев
Уральский государственный аграрный университет
Россия
Россия
Григорий Александрович Иовлев, кандидат экономических наук, заведующий кафедрой сервиса транспортных и технологических машин и оборудования АПК,
620000, г. Екатеринбург, ул. Карла Либкнехта, стр. 42.
Web of Science ResearcherID: MSW-7499-2025.
Scopus ID: 57203821332.
Рецензия
Для цитирования:
Побединский В.В., Побединский А.А., Иовлев Г.А. Создание интеллектуальной системы диагностирования ацидоза рубца у коров. Часть 2: Компьютерная реализация. Ветеринарная патология. 2026;25(1):26-33. https://doi.org/10.23947/2949-4826-2026-25-1-26-33. EDN: GHJLEA
For citation:
Pobedinskiy V.V., Pobedinskiy A.A., Iovlev G.A. Development of an Intelligent System for Diagnosing Rumen Acidosis in Cows. Part 2: Computer Implementation. Russian Journal of Veterinary Pathology. 2026;25(1):26-33. https://doi.org/10.23947/2949-4826-2026-25-1-26-33. EDN: GHJLEA
Просмотров:
234
JATS XML
Послать статью по эл. почте 