А. И. Димитриева, А. П. Попов, А. В. Коваленко, В. А. Андреев, Н. Н. Белова, О. Г. Васильева,

А. В. Степанов

Чувашский государственный аграрный университет

428003, Чебоксары, Российская Федерация

машинное обучение, искусственная нейронная сеть, форменный элемент крови, база данных, машинное зрение, крупный рогатый скот.

Внедрение алгоритмов машинного обучения в ветеринарную лабораторную диагностику в сельском хозяйстве позволяет решить нехватку специалистов в отрасли, увеличивает уровень автоматизации объектов сельского хозяйства. В связи с этим, в отрасли возможна замена времязатратных методик ручной микроскопии мазка крови. В рамках настоящего исследования с использованием автоматизированной фотофиксации микроскопических изображений мазка крови собрана база данных. Изображения аннотированы с помощью ручной и полуавтоматической процедуры разметки в системе Supervise.ly. При аннотации использовано 9 классов объектов, представляющих собой форменные элементы крови крупного рогатого скота. Полученная база данных сохранена в системе управления базами данных CouchDB. Методом машинного зрения и машинного обучения с учителем проведено обучение искусственной нейронной сети в рамках 8 моделей, основанных на открытой архитектуре Yolov8, максимальная точность классификации форменных элементов крови крупного рогатого скота составила 96%. Обучение нейронной сети контролировалось по 9 основным показателям и нескольким производным зависимостям. К основным показателям относились: точность, специфичность, чувствительность, F1-мера, логарифмическая функция потерь и др. В качестве аппаратной платформы, на которой происходило обучение, использовалась рабочая станция с центральным процессором Intel Core i7, видеокартой Tesla V100, объем задействованной оперативной памяти до 64 Гб. Среднее время детектирования на моделях с малым числом параметров (до 22 млн) составило 2-3 мс на одно изображение. Полученные результаты применимы при создании системы поддержки принятия решений на основе алгоритмов дерева решений.

The introduction of machine learning algorithms in veterinary laboratory diagnostics in agriculture allows to solve the shortage of specialists in the industry, increases the level of automation of agricultural facilities. In this regard, the industry can replace the time-consuming methods of manual blood smear microscopy. In the framework of this study, a database was collected using automated photofixation of microscopic images of a blood smear. The images are annotated using manual and semi-automatic tagging procedures in the Supervise.ly system. When annotating, 9 classes of objects were used, which are blood cells of cattle. The resulting database is stored in the CouchDB database management system. Using the method of machine vision and machine learning with a teacher, an artificial neural network was trained within 8 models based on the open architecture Yolov8, the maximum accuracy of classifying blood cells in cattle was 96%. The training of the neural network was controlled by 9 main indicators and several derived dependencies. The main indicators included: accuracy, specificity, sensitivity, F1-measure, logarithmic loss function, etc. As the hardware platform on which the training took place, we used a workstation with an Intel Core i7 central processor, a Tesla V100 video card, the amount of RAM used was up to 64 GB. The average detection time on models with a small number of parameters (up to 22 million) was 2–3 mc per image. The results obtained are applicable in creating a decision support system based on decision tree algorithms.

1. ГОСТ 34.603-92 Информационная технология. Виды испытаний автоматизированных систем: утвержден и введен в действие Постановлением Комитета стандартизации и метрологии СССР от 17.02.92 N 161: дата введения 1993-01-01. – Москва : Стандартинформ, 2009.


2. ГОСТ Р 56920-2016/ISO/IEC/IEEE 29119-1:2013 Системная и программная инженерия. Тестирование программного обеспечения. Часть 1. Понятия и определения: утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии от 18 мая 2016 г. N 331-ст : дата введения 2017-06-01. – Москва : Стандартинформ, 2016. – 22 с.


3. ГОСТ Р ИСО/МЭК 20546-2019 Большие данные: утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии. – Москва : Стандартинформ, 2020. – 30 с.


4. Атлас ветеринарной гематологии / В. Д. Риган, Т. Г. Сандерс, Д. Б. Деникола: Аквариум-Принт, 2014.


5. Свидетельство о государственной регистрации базы данных № 2022623713 Российская Федерация. База данных для машинного обучения системы поддержки принятия врачебных решений и постановки диагноза «лейкоз» на основе анализа крови сельскохозяйственных животных : № 2022623796: заявл. 16.12.2022: опубл. 27.12.2022 / А. П. Попов, А. В. Коваленко, Ю. А. Кислицина [и др.] ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Чувашский государственный аграрный университет», Федеральное государственное бюджетное образовательное учреждение высшего образования «Саратовский государственный университет генетики, биотехнологии и инженерии имени Н.И. Вавилова», 2022.


6. Структура комплекса автоматической микроскопии МЕКОС-Ц2 и методики его испытаний / В. С. Медовый, А. А. Парпара, А. М. Пятницкий [и др.] // Медицинская техника. – 2006. – № 4. – С. 36-41.


7. Swolin B, Simonsson P, Backman S, Löfqvist I, Bredin I, Johnsson M. Differential counting of blood leukocytes using automated microscopy and a decision support system based on artificial neural networks--evaluation of DiffMaster Octavia // Clin Lab Haematol. – Vol. 25. – 3 -, 2003. – P. 139-47. doi: 10.1046/j.1365-2257.2003.00516.x.


8. Paszke A., Gross S., Massa F., Lerer A., Bradbury J., Chanan G., Chintala S. PyTorch: An Imperative Style, High-Performance Deep Learning Library // Advances in Neural Information Processing Systems. – 2019. – Vol. 32. – P. 8024–8035.


9. Deep Learning. / Goodfellow I., Bengio Y., Courville A.: MIT Press, 2016. – 800 p.


10. OIE Terrestial Manual 2018. - URL: https://www.oie.int/en/what-we-do/standards/codes-and-manuals/terrestrial-manual-online-access/ (дата обращения 10.08.2021).


11. Gardner IA, Colling A, Caraguel C, Crowther JR, Jones G, Firestone SM, Heuer C. Introduction - Validation of tests for OIE-listed diseases as fit-for-purpose in a world of evolving diagnostic technologies // Rev Sci Tech. – Vol. 40 – 1 –, 2021. – P. 19-28. doi: 10.20506/rst.40.1.3207.


12. - URL: https://supervise.ly/ (дата обращения 10.02.2023).


13. Hasty. - URL: https://hasty.ai/ (дата обращения 10.02.2023).