УДК 636.934.55
DOI: 10.36871/vet.zoo.bio.202604215

Авторы

Наталья Афанасьевна Верезубова,
Татьяна Викторовна Реусова,
Михаил Вячеславович Новиков,
Артур Анатольевич Чекулаев,
Московская государственная академия ветеринарной медицины и биотехнологии – МВА имени К. И. Скрябина, Москва, Россия

Аннотация

В статье приведены результаты исследований потенциала применения современных технологий машинного обучения для совершенствования процессов оценки качества продукции в пушном звероводстве. Рассматривается проблема субъективности традиционных методов экспертизы пушного сырья и их влияние на экономические показатели отрасли, имеющей стратегическое значение для российской экономики. Представлен подход к автоматизации выявления дефектов пушного сырья с использованием методов глубокого обучения и компьютерного зрения. Исследование базируется на анализе визуальных данных с применением современных архитектур нейронных сетей и двухэтапной стратегии обучения, включающей методы самообучения и контролируемого обучения. Особое внимание уделено вопросам оптимизации процесса обучения моделей в условиях ограниченного объема размеченных данных. Полученные результаты демонстрируют перспективность интеграции интеллектуальных систем в процессы оценки качества сырья животного происхождения, что может способствовать повышению объективности экспертной оценки и совершенствованию механизмов ценообразования. Предложенный подход может быть адаптирован для решения аналогичных задач в смежных областях агропромышленного комплекса.

Ключевые слова

пушное звероводство, дефекты пушного сырья, нейронные сети, SimCLR, оценка качества, искусственный интеллект

Список литературы

  1. Гойал Д. М., Тимофеев В. С. Обнаружение дефектов в продукции методом машинного обучения // Наука. Технологии. Инновации: сборник научных трудов (Новосибирск, 03–07 декабря 2018 г.) / под ред. А. В. Гадюкиной: в 9 ч. Ч. 2. Новосибирск: Новосибирский государственный технический университет, 2018. С. 227– 230. EDN ZENUDB.
  2. Михалев О. Н., Янюшкин А. С. Искусственный интеллект в автоматизации технологических процессов // Актуальные проблемы в машиностроении. 2021. Т. 8. № 1–2. С. 7–13. EDN BVUXWM.
  3. Новиков М. В., Реусова Т. В., Балакирев Н. А. Особенности строения волосяного покрова шкурок шиншиллы разных цветовых типов // Ветеринария, зоотехния и биотехнология. 2021. № 2. С. 55–64. DOI: 10.36871/vet.zoo.bio.202102008. EDN SJCYXH.
  4. Реусова Т. В. Формирование товарных свойств мехового полуфабриката из шкур северного оленя: дис. … канд. техн. наук. М., 2004. 130 с. EDN NMXZJR.
  5. Реусова Т. В., Верезубова Н. А., Новиков М. В. Оценка качества шкурок пушных зверей с помощью компьютерного зрения: ключевые параметры // Трансформации современного общества: теоретические и практические аспекты: материалы VII Международной научно-практической конференции (Москва, 24–25 апреля 2025 г.). М.: Московский институт экономики, политики и права, 2025. С. 157–161.
  6. Реусова Т. В., Горбачева М. В., Новиков М. В. Оценка качества и поиск нового подхода к сортировке невыделанных шкур северного оленя для рационального их использования и переработки // Ветеринария, зоотехния и биотехнология. 2019. № 7. С. 41–48. DOI: 10.26155/vet.zoo. bio.201907006. EDN SUPCDS.
  7. Реусова Т. В., Новиков М. В., Стрепетова О. А. Исследование свойств шкурок самцов норки, полученных от зверей с различной степенью интенсивности инвазии // Ветеринария, зоотехния и биотехнология. 2021. № 8. С. 69–76. DOI: 10.36871/vet.zoo.bio.202108008. EDN RWCCGY.
  8. Реусова Т. В., Новиков М. В., Стрепетова О. А. Исследование свойств волосяного покрова шкурок лисопесцового гибрида «блюфрост» // Ветеринария, зоотехния и биотехнология. 2022. № 8. С. 66–76. DOI: 10.36871/vet.zoo.bio.202208008. EDN LZHEOH.
  9. Реусова Т. В., Стрепетова О. А. Основные свойства шкурок соболя, формирующие качество, спрос и ценовую политику меховых товаров // Костюмология. 2020. Т. 5. № 4. С. 15. EDN WOTJOY.
  10. Реусова Т. В., Стрепетова О. А., Балакирев Н. А. и др. Основные товарные свойства шкурок фермерского помесного соболя // Крестьяноведение. 2024. Т. 9. № 1. С. 124–140. DOI: 10.22394/2500-1809-2024- 9-1-124-140. EDN ESUDZP.
  11. Стрепетова О. А., Горбачева М. В., Реусова Т. В. Влияние видовых особенностей на структурно-геометрические характеристики свойств полуфабриката фишера // Костюмология. 2022. Т. 7. № 3. EDN JYGWOK.
  12. Bunyang S., Thedwichienchai N., Pintong K. et al. Self-supervised learning advanced plant disease image classification with SimCLR // Advances in Computational Intelligence. 2023. Vol. 3. No. 5. Р. 18. DOI: 10.1007/ s43674-023-00065-z. EDN OFOEGK.
  13. Kumar P., Chauhan S. Investigation of temperature change (au) for SimCLRbased activity recognition // Signal, Image and Video Processing. 2022. Vol. 16. No. 6. Pр. 1667–1672. DOI: 10.1007/s11760-021- 02122-x. EDN IEPUFM.
  14. Li Ch., Li F., Zhang L. et al. Intrusion Detection for Industrial Control Systems Based on Improved Contrastive Learning SimCLR // Applied Sciences (Switzerland). 2023. Vol. 13. No. 16. р. 9227. DOI: 10.3390/ app13169227. EDN JOSGXZ.
  15. Popov V. P., Dudorov V. E., Sidorenko G. A. et al. Economic assessment of the need for processing of raw materials of animal origin // IOP Conference Series: Materials Science and Engineering (Novosibirsk, 12–14 december 2018). Vol. 560. Novosibirsk: Institute of Physics Publishing, 2019. 012199 р. DOI: 10.1088/1757-899X/560/1/012199. EDN SSUCBZ.
  16. Turnbull R., Mannix E. Detecting and recognizing characters in Greek papyri with YOLOv8, DeiT and SimCLR // International Journal on Document Analysis and Recognition. 2024. Vol. 28. DOI: 10.1007/ s10032-024-00504-8. EDN FZVQBN.