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.

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).

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.

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.

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.

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.