Ученые Проектного института цифровой трансформации (лаборатория VR) разработали виртуальный тренажёр для выполнения линейной экстерьерной оценки крупного рогатого скота (КРС) в рамках стратегического проекта по программе «Приоритет-2030». Инновация предназначена для повышение качества подготовки будущих бонитёров и специалистов зоотехнического профиля.
Линейная экстерьерная оценка представляет собой стандартизированную методику описания и измерения основных статей животного по установленным шкалам и правилам промеров. Её применяют в племенной работе и управлении стадом: она позволяет корректно отбирать особей, формировать селекционные группы, прогнозировать продуктивность и поддерживать стабильные показатели в молочном и мясном сегментах животноводства. В агропромышленном комплексе такая точность критична, поскольку напрямую влияет на эффективность селекционных программ и экономику хозяйств.
В реальной практике молодым специалистам бывает сложно выполнять промеры: животное двигается, меняет стойку, реагируя на окружение, а для определения анатомических ориентиров нужен опыт и уверенная техника.
VR‑тренажёр предоставляет возможность отрабатывать базовые навыки без стресса для животного и без рисков для обучающегося — с возможностью многократного повторения и детального анализа типичных ошибок.
В тренажёре виртуальная корова моделирует поведение настоящего животного: она двигается, изменяет положение корпуса и конечностей, что затрудняет выбор точки для промера и приближает обучение к реальным условиям на производстве. Такой подход позволяет «поставить руку» и сформировать профессиональный алгоритм действий ещё перед работой на ферме.
Отдельной целью развития разработки является применение результатов тренажёра как цифрового источника данных. Помимо методики подготовки специалистов к ручной бонитировке, VR-среда может сообщить обширный массив синтетических данных на основе 3D-моделей коров: параметризованные варианты экстерьера, разметка контрольных точек промеров, сценарии поз, движений и условий наблюдения. Такой подход закладывает основу для расширения базы данных и последующего обучения моделей искусственного интеллекта на синтетических примерах — прежде всего для задач автоматического распознавания экстерьерных признаков, определения ориентиров и поддержки принятия решений в племенной работе.
Дальнейшее развитие разработки предусматривает расширение обучающих сценариев, повышение реалистичности поведенческих моделей и внедрение систем контроля прогресса обучающихся, а также создание унифицированных наборов синтетических данных для перспективных AI‑моделей в животноводстве.
Источник: РГАУ-МСХА имени К.А.Тимирязева.