ҚОРАМОЛЛАРНИ БУРУН ҚИСМИ ТАСВИРЛАРИ АСОСИДА ИДЕНТИФИКАЦИЯ ҚИЛИШ СОҲАСИДАГИ ЗАМОНАВИЙ ТАДҚИҚОТЛАР ВА РИВОЖЛАНИШЛАР ТАҲЛИЛИ

THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 366 ҚОРАМОЛЛАРНИ БУРУН ҚИСМИ ТАСВИРЛАРИ АСОСИДА ИДЕНТИФИКАЦИЯ ҚИЛИШ СОҲАСИДАГИ ЗАМОНАВИЙ ТАДҚИҚОТЛАР ВА РИВОЖЛАНИШЛАР ТАҲЛИЛИ А.Х. Нишанов1, Ф.М. Зарипов1 1Муҳаммад ал-Хоразмий номидаги Тошкент ахборот технологиялари университети https://doi.org/10.5281/zenodo.17768033 КИРИШ Сўнгги йилларда рақамли технологиялар ва сунъий интеллект тизимларининг жадал ривожланиши чорвачилик соҳасида ҳам янги имкониятлар яратди. Қорамолларни аниқ ва ишончли идентификация қилиш ферма бошқаруви, суғурта тизими ва маҳсулот изчиллигини таъминлаш учун муҳим аҳамиятга эга. Чорвачиликда қулоқ биркалари, микрочип ёки RFID теглари ёрдамида идентификация қилиш каби анъанавий усуллар кўп ҳолларда ишончсиз бўлиб, улар ҳайвонлар учун инвазив ва инсон аралашувини талаб этувчи жараён ҳисобланади. Шу сабабли кейинги йилларда ҳайвонларни ноинвазив биометрик хусусиятларига асосланган идентификация усуллари жадал ривожланди. Улар ичида энг истиқболлиси қорамолларнинг бурун қисми тасвири асосида идентификация қилиш йўналиши бўлиб, бу усул ҳайвонларга зарар етказмасдан, уларнинг бурун қисмидаги уникал паттернлар орқали уни аниқ таниб олиш имконини беради. Ушбу мақолада охирги йилларда чоп этилган энг муҳим илмий ишлар таҳлил қилиниб, уларда қўлланилган усуллар, маълумотлар тўплами, аниқлик натижалари ва илмий янгиликлар солиштирма таҳлил асосида ўрганилган. Қорамолларни бурун қисми тасвирлари асосида идентификация қилиш бу ҳайвоннинг бурун қисмида жойлашган уникал қатламлар ва паттернлар (чизиқлар, нуқталар, шакллар ва жойлашуви) орқали уни индивидуал тарзда таниб олиш усулидир. Ҳар бир қорамолнинг бурун қисмидаги паттернлар генетик жиҳатдан ўзига хос бўлиб, одамдаги бармоқ изига ўхшаш ноёбликка эга. Шу сабабли бу хусусият биометрик белги сифатида ишончли ҳисобланади. Бурун қисми тасвирлари оптик ёки инфрақизил камералар орқали олинади ва улардан нейрон тармоқлар ёрдамида белгилар ажратиб олинади. Кейин бу белгилар моделнинг ўқитилган параметрлари орқали вектор фазосидаги ўхшашлик даражасига кўра таққосланади. Шу кўринишда ҳар бир қорамолнинг индивидуал идентификацияси амалга оширилади. Ушбу усулнинг асосий афзаллиги ноинвазивлиги, яъни ҳайвон танасига тегишли ускуна ёпиштириш ёки имплантация қилиш талаб этилмайди. Шу билан бирга, бу усул автоматик, тезкор ва реал вақтда амалга оширилиши мумкин. Бурун қисми асосида идентификация қорамолларни кузатиш, ҳавфсизлик, маҳсулот изчиллиги ва ветеринария назорати соҳаларида ишончли ечим сифатида кенг қўлланила бошлаган. Бурун қисми тузилишида ҳар бир қорамолга хос бўлган микроқатламлар - пушта ва эгат мавжуд бўлиб, уларнинг жойлашуви, шакли ва зичлиги индивидуал хусусиятга эга (1расм). Бу структуралар комбинацияси қорамолнинг бурун қисмида юз минглаб уникал геометрик паттернлар ҳосил қилади. Шу боис, бурун қисми одамдаги бармоқ изи каби THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 367 такрорланмас биометрик белги сифатида қаралади [1]. 1-расм. Қорамол бурун қисмидаги уникал структуралар (пушта ва эгат) биометрик белгилар сифатида Тасвирда қорамол бурунидаги асосий элементлар — пушта (сариқ рангда) ва эгат (қизил рангда) жойлашиши кўрсатилган. Айнан шу микроқатламларнинг ноёб комбинацияси нейрон тармоқ моделлари томонидан белгиларни ажратиб олишда асосий манба бўлиб хизмат қилади. АСОСИЙ ҚИСМ Sian ва ҳаммуаллифлар [2] қорамолларни бурун қисми тасвирлари орқали аниқ идентификация қилиш учун классик дескрипторларга асосланган бирлаштирилган модел таклиф этдилар. Тадқиқотда Local Binary Pattern (LBP) ва Improved Weber Local Descriptor (WLD) белгиларини бирлаштириш орқали шовқин ва ёруғлик ўзгаришларига чидамли белгилар олинган. Датасетда объектлар сони 45 та, жами тасвирлар сони 900 та бўлиб, тасвирлар табиий ёруғлик остида олинган. SVM классификатори ёрдамида 96.5% аниқликка эришилган. Тадқиқотнинг муҳим янгилиги ҳар хил бурчаклар (0–315°) асосида айлантирилган ва шовқинга эга тасвирларда ҳам модел деярли ўз натижасини йўқотмаган, яъни rotation-invariant ва noise-robust хусусиятга эга бўлган. Бу ишда чуқур ўқитиш қўлланилмаган бўлсада, классик белгиларни бирлаштириш орқали юқори аниқликка эришиш мумкинлигини кўрсатган. Kusakunniran ва ҳаммуаллифлар [3] илк бор бурун ва тана паттернларини бирлаштирган мултимодал биометрик тизимни таклиф этдилар. Бу ёндашувда фақат бурун тасвирлари эмас, балки қорамолнинг тана қисмидаги белгилар ҳам қўшимча маълумот сифатида қўлланилди. Тадқиқотда 31 бош қорамолда турли бурчакларда олинган тасвирлар асосида ўрганилган. Моделда Gabor фильтрлар орқали текстура белгилар ажратилган, сўнг белгилар даражасида бирлаштирилган. Натижада идентификация аниқлиги 96.32 % ва FAR = 0.012 (False Acceptance Rate) кўрсаткичига эришилган. Бу иш мултимодал биометрик идентификациянинг илмий пойдеворини яратган ва кейинги изланишлар учун назарий асос бўлган. Shojaeipour ва ҳаммуаллифлар [4] автоматик детекция ва биометрик классификацияни бирлаштирган икки босқичли ишлов бериш кетма-кетлиги ишлаб чиқилган. Биринчи босқичда YOLOv3 орқали бурун қисми автоматик аниқланади (ROI), иккинчи босқичда эса ResNet50 архитектураси орқали идентификация амалга оширилади. Тадқиқотда 300 бош турли зотли қорамолнинг 2900 тасвири қўлланилди. YOLOv3 модели 99.13%, ResNet50 модели 99.11% аниқлик кўрсатди. Тизимнинг афзаллиги few-shot learning THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 368 асосида ҳар бир ҳайвон учун фақат 5 та тасвир етарли бўлган. Бу усул датасет ҳажми кам бўлган ҳолларда самарали ечим сифатида кўрсатилган. Awad ва Hassaballah томонидан қорамолларнинг бурун қисми тасвирларига асосланган идентификация учун Bag-of-Visual-Words (BoVW) усули қўлланилди [5]. Модел классик компьютер кўриш ёндашувларидан бири бўлиб, SIFT белгиларини ажратиш орқали ҳар бир бурун тасвири учун визуал “калит сўзлар” вектори яратилди. Бу векторлар кейин K-means кластерлаш ёрдамида визуал луғат шаклида тизимлаштирилди ва тасвирлар гистограмма асосида солиштирилди. Тадқиқотда 150 бош қорамолнинг турли бурчак ва ёруғлик шароитларида олинган тасвирлари ишлатилган. BoVW модели бурун паттернларини ажратишда юқори дискриминатив хусусият кўрсатиб, 95.7% аниқлик натижасига эришган. Муаллифлар SVM, k-NN ва MLP классификаторларини солиштирган ҳолда, SVM модели энг юқори аниқликни берганини қайд этдилар. Шу билан бирга, методнинг афзаллиги ҳисоблаш харажатларининг камлиги ва аниқликнинг турли муҳитларда барқарор сақланишидир. Бу тадқиқот чуқур ўқитишдан аввалги даврдаги классик белгилар ва статистик таснифловчи усуллар орқали юқори самарага эришиш мумкинлигини кўрсатган. Li ва ҳаммуаллифлар [6] томонидан АҚШ қорамолларига оид 4923 тасвирдан иборат энг йирик маълумотлар тўплами. Бу датасет орқали VGG16_BN модели ўқитилиб, 268 қорамол учун индивидуал идентификация амалга оширилди. Натижада ўқитиш аниқлиги 99.3%, тест аниқлиги эса 98.7% ни кўрсатган. Бу ишда маълумотлар кўламини кенгайтириш идентификация аниқлигини оширишда ҳал қилувчи роль ўйнаши аниқ исботланган. Шу билан бирга VGG архитектураси белгиларни ажратиб олиш учун мустаҳкам пойдевор экани кўрсатилди. Dulal ва Zheng ҳаммуаллифлигидаги ишда [7] реал вақтда ферма муҳитида ишлай оладиган енгил архитектура ишлаб чиқилди. Модел YOLOv5 орқали детекция ва MobileNet орқали идентификация қадамларини ўз ичига олади. 250 бош қорамол тасвирларида синов ўтказилиб, 97.8% аниқлик ва 25 FPS тезлик қайд этилди. Бу ишнинг аҳамияти реал вақт иловалари учун оптимал CNN ишлов бериш кетма-кетлигини яратиш ва ферма шароитида текширишда амалий натижа берган. Sanjel ва ҳаммуаллифлар томонидан [8] VGGFace архитектурасига асосланган CNN модели ишлаб чиқилди. Датасет сифатида Beef Cattle Muzzle/Noseprint Database (4923 тасвир, 268 қорамол) [9] қўлланилди. Моделнинг ўқитиш аниқлиги 98.88%, тест аниқлиги 100% натижани қайд этди. Энг муҳим янгилик босқичма-босқич қайта ўқиш (incremental retraining) механизми. Бунда янги ҳайвонлар қўшилганда фақат сўнгги қатлам қайта ўқитилади, бутун тармоқни қайта ўқитиш талаб қилинмайди. Бу амалиёт вақти ва ҳисоблаш ресурсларини 80 % гача тежаш имконини берган. Lee ва ҳаммуаллифлар [10] Кореянинг Hanwoo зотли қорамоллари учун махсус адаптацияланган YOLOv8 + EfficientNetV2 ишлов бериш кетма-кетлигини таклиф этдилар. Бу модел бурун қисми тасвирларидан белгиларни автоматик ажратиб, идентификацияни реал вақт режимида амалга оширади. Валидация аниқлиги 98.1%, тест аниқлиги 97.0% бўлиб, бу EfficientNetV2 моделидаги оптимизацияланган қатламлар ҳисобидан таъминланган. Тадқиқот ферма шароитидаги камера тизими билан интеграция қилиб синовдан ўтказилган бўлиб, реал вақтда ишлаши тасдиқланган. Kaushik ва ҳаммуаллифлар [11] CNN архитектурасидан фойдаланиб, бурун паттернларининг геометрик хусусиятларини таҳлил қилишга эътибор қаратдилар. Датасет THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 369 200 тасвирдан иборат бўлиб, 94.7% аниқликка эришилган. Бу иш feature engineering усулларини қайта кўриб чиқиш зарурлигини кўрсатди. Anithaa ва ҳаммуаллифлар [12] томонидан ишлаб чиқилган YOLOv5 + VGG16 гибрид модели бурун қисми тасвирларини реал вақтда аниқлаш ва идентификация қилиш учун мўлжалланган. Тасвирларга CLAHE усули орқали контрастни яхшилаш амалга оширилган. 200 дан ортиқ тасвирда 95% аниқлик ва 30.3 ms натижани ҳисоблаш тезлиги қайд этилган. Тизим мобил илова билан интеграция қилинган бўлиб, фермерлар телефон орқали қорамолни расмга олиб, база билан солиштириш орқали аниқ натижа олиш имконига эга бўлганлар. 1-жадвал. Тадқиқотларни солиштирма жадвали Йил Муаллиф Модел / Усул Қорамол сони Аниқлик (%) Асосий ютуқ 2020 Sian ва бошқа. LBP + Improved WLD 45 96.5 Rotation invariant фузия 2020 Kusakunniran ва бошқа. Muzzle + body fusion 31 96.3 Мултимодал ёндашув 2021 Shojaeipour ва бошқа. YOLOv3 + ResNet50 300 99.1 Few-shot real-time pipeline 2019 Awad ва Hassaballah Bag-of-VisualWords (SIFT + K-means + SVM) 150 95.7 Визуал сўзлар гистограммаси орқали идентификация; ҳисоблаш самарадорлиги юқори 2022 Li ва бошқа. VGG16_BN 268 98.7 Энг катта dataset 2022 Dulal ва бошқа. YOLOv5 + MobileNet 250 97.8 Real-time оптимал тизим 2023 Sanjel ва бошқа. VGGFace 268 100.0 Incremental retraining 2023 Lee ва бошқа. YOLOv8 + EfficientNetV2 336 97.0 Hanwoo dataset 2023 Kaushik ва бошқа. CNN custom 200 94.7 Feature engineering 2024 Anithaa ва бошқа. YOLOv5 + VGG16 + CLAHE 200+ 95.0 Мобил иловада интеграция 1-жадвалдан кўриниб турибдики, 2019–2024 йиллар давомида қорамолларнинг бурун қисми асосида идентификация қилиш соҳасида аниқлик кўрсаткичлари 95–100 % оралиғида бўлган. • 2019–2021 йиллар: классик белгилардан CNN ва YOLO моделларига ўтиш даври. • 2022–2023 йиллар: датасетларни катталаштириш ва transfer learning орқали натижани яхшилаш босқичи. • 2024 йил: мобил ва чегаравий ҳисоблаш муҳитларига мослаштирилган енгил моделлар жорий этилди. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 370 Сўнгги тадқиқотлар кўрсатганидек, реал вақтда ишлов бериш ва босқичма-босқич ўқиш функциялари моделларнинг амалий самарадорлигини сезиларли оширган. Шу билан бирга, аниқликнинг юқори бўлиши билан бирга натижани ҳисоблаш тезлиги ҳам 30–35 ms даражасида сақланиб қолган. ХУЛОСА Таҳлил қилинган 10 та илмий иш натижалари шуни кўрсатадики, қорамолларни идентификация қилишда бурун қисми тасвири ишончли биометрик белги сифатида тўлиқ исботланган. Чуқур ўқитиш архитектураларига асосланган VGG, YOLO ва EfficientNet каби моделлар аниқлик жиҳатидан классик усуллардан анча устун эканлиги тасдиқланган. Шу билан бирга, датасет сифатининг юқорилиги ҳамда ундаги тасвирлар сонининг кўплиги модел натижаларига бевосита таъсир кўрсатиши аниқланган. Илмий ишланмалар ичида илк бор мобил илова ва ферма муҳитида синовдан ўтказилган тизимлар 95 фоиздан юқори аниқликни таъминлаган ҳолда, амалий қўлланиш имкониятларини намоён этди. Умуман олганда, сўнгги йиллардаги тадқиқотлар қорамолларни ноинвазив, автоматик ва реал вақтда аниқ идентификация қилиш мумкинлигини яққол исботлаб берди. Бу йўналишдаги ривожланишлар чорвачилик соҳасини рақамлаштириш, суғурта ва ветеринария назорати жараёнларини оптималлаштиришда ишончли ва истиқболли ечим сифатида катта аҳамият касб этади. Шунингдек, таҳлил қилинган ишлар қорамолларни идентификация қилиш соҳасида классик моделлардан чуқур ўқитиш архитектураларига босқичма-босқич ўтиш жараёнини яққол акс эттиради. 2020 йилдан бошлаб CNN, ResNet, VGG ва YOLO каби моделлар асосий йўналиш сифатида шаклланиб, тадқиқотларда нафақат аниқликни ошириш, балки реал вақтда ишлаш, ҳисоблаш тезлигини яхшилаш ва иловани амалий тизимларга интеграция қилиш каби масалаларга ҳам эътибор қаратилди. 2024 йилга келиб эса ушбу усуллар амалиётда фойдаланиш даражасига етди. АДАБИЁТЛАР 1. [1]B. Barry, U. Gonzales-Barron, K. Mcdonnell, F. Butler, and S. Ward, "Using Muzzle Pattern Recognition as a Biometric Approach for Cattle Identification," Transactions of the ASABE, vol. 50, pp. 1073–1080, 2007, doi: 10.13031/2013.23121. 2. [2]C. Sian, W. Jiye, Z. Ru, and Z. Lizhi, "Cattle identification using muzzle print images based on feature fusion," IOP Conference Series: Materials Science and Engineering, vol. 853, p. 12051, 2020, doi: 10.1088/1757-899X/853/1/012051. 3. [3]W. Kusakunniran et al., "Biometric for Cattle Identification using Muzzle Patterns," International Journal of Pattern Recognition and Artificial Intelligence, 2020, doi: 10.1142/S0218001420560078. 4. [4]A. Shojaeipour, G. Falzon, P. Kwan, N. Hadavi, F. C. Cowley, and D. Paul, "Automated Muzzle Detection and Biometric Identification via Few-Shot Deep Transfer Learning of Mixed Breed Cattle," Agronomy, vol. 11, no. 11, p. 2365, 2021, doi: 10.3390/agronomy11112365. 5. [5]A. I. Awad and M. Hassaballah, "Bag-of-Visual-Words for Cattle Identification from Muzzle Print Images," Applied Sciences, vol. 9, pp. 1–12, 2019, doi: 10.3390/app9224914. 6. [6]G. Li, G. E. Erickson, and Y. Xiong, "Individual Beef Cattle Identification Using Muzzle Images and Deep Learning Techniques," Animals : an open access journal from MDPI, vol. 12, no. 11, 2022, doi: 10.3390/ani12111453. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 371 7. [7]R. Dulal et al., "Automatic Cattle Identification using YOLOv5 and Mosaic Augmentation: A Comparative Analysis," in 2022 International Conference on Digital Image Computing: Techniques and Applications (DICTA), Sydney, Australia, Nov. 2022 - Dec. 2022, pp. 1–8. 8. [8]A. Sanjel, B. Khanal, P. Rivas, and G. Speegle, "Non-Invasive Muzzle Matching for Cattle Identification Using Deep Learning," in 2023 Congress in Computer Science, Computer Engineering, & Applied Computing (CSCE), Las Vegas, NV, USA, Jul. 2023 - Jul. 2023, pp. 1998–2002. 9. [9]Y. Xiong, G. Li, and G. Erickson, Beef Cattle Muzzle/Noseprint database for individual identification: Zenodo. 10. [10] T. Lee, Y. Na, B. G. Kim, S. Lee, and Y. Choi, "Identification of Individual Hanwoo Cattle by Muzzle Pattern Images through Deep Learning," Animals : an open access journal from MDPI, vol. 13, no. 18, 2023, doi: 10.3390/ani13182856. 11. [11] K. Kaushik, D. J. Reddy, and R. Raman, "Muzzle Based Identification of Cattle Using KAZE," in 2023 4th International Conference on Innovative Trends in Information Technology (ICITIIT), Kottayam, India, Feb. 2023 - Feb. 2023, pp. 1–4. 12. [12] J. Anitha, R. Avanthika, B. Kavipriya, and S. Vishnupriya, "Cattle identification using muzzle images," in Applied Data Science and Smart Systems, 2024, pp. 370–377.