| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,168 |
| تعداد مقالات | 35,197 |
| تعداد مشاهده مقاله | 50,932,196 |
| تعداد دریافت فایل اصل مقاله | 90,937,591 |
امکان سنجی استفاده از فن آوری بینایی ماشین برای تخمین وزن جوجههای گوشتی | ||
| علوم دامی | ||
| مقاله 13، دوره 31، شماره 119، شهریور 1397، صفحه 143-154 اصل مقاله (968.26 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/asj.2017.115240.1521 | ||
| نویسندگان | ||
| مهدی خجسته کی* 1؛ محمد یگانه پرست2؛ مجید کلانتر نیستانکی3؛ حسن صادقی پناه4 | ||
| 1بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قم، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران. | ||
| 2بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قم، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران | ||
| 31- بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قم، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران | ||
| 4موسسه تحقیقات علوم دامی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج | ||
| چکیده | ||
| این مطالعه با هدف بررسی امکان استفاده از فناوری بینایی ماشین برای تخمین وزن جوجه های گوشتی انجام شد. تعداد 600 قطعه جوجه سویه راس در شرایط استاندارد برای یک دوره 42روزه پرورش یافت. در فواصل زمانی مشخص(7 روز یکبار)، 60 قطعه جوجه از مجموع 600 قطعه به تصادف انتخاب و با ترازوی مناسب وزن کشی شد. در روز وزن کشی همزمان از جوجه ها تصاویر دیجیتال تهیه شد(بصورت انفرادی و در گروه های 2، 3 و 4 تایی). تصاویر دیجیتال جوجه ها ابتدا پیش پردازش اولیه شده و تبدیلات لازم روی عکس ها انجام و با طراحی الگوریتم مناسب خصوصیات مورد نیاز از تصاویر استخراج گردید. از این خصوصیات برای طراحی مدل شبکه عصبی جهت تخمین وزن جوجه ها استفاده شد. ضریب همبستگی بین ویژگی های استخراج شده از تصاویر شامل طول محور اصلی، طول محور فرعی ، جعبه محاطی، مساحت قسمت محدب،مساحت ناحیه پرشده، محیط تصویرو مساحت تصویر با وزن زنده جوجه ها به ترتیب 92/0، 93/0، 53/0، 99/0، 99/0، 94/0و 99/0 برآوردشد(01/0p<). شبکه عصبی پرسپترون چند لایه که با الگوریتم پس انتشار خطا آموزش دید، با تعداد 22 نرون در لایه ورودی، 20 نرون در لایه میانی و یک نرون در لایه خروجی بالاترین دقت (99%) را در تخمین وزن زنده جوجه های گوشتی در مقاطع مختلف زمانی ارائه داد. نتایج بررسی حاضر نشان داد که امکان استفاده از پردازش تصاویر و شبکه عصبی مصنوعی به عنوان یک ابزار مناسب و کارآمد برای تخمین وزن جوجههای گوشتی در طول دوره پرورش وجود دارد. | ||
| کلیدواژهها | ||
| جوجه های گوشتی؛ تخمین وزن؛ بینایی ماشین؛ شبکه عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| The feasibility of using machine vision technology to estimate the weight of broiler chickens | ||
| نویسندگان [English] | ||
| Mahdi Khojastehkey1؛ mohammad yeganehparast2؛ majid kalantar3؛ hassan sadeghipanah4 | ||
| 1member of scientific board of Agriculture and Natural Resources Research and Education Center in Qom | ||
| 2Animal science department, Qom Agricultural and Natural source research and education center.(AREEO).Qom. Iran. | ||
| 3Animal science department, Qom Agricultural and Natural source research and education center.(AREEO).Qom. Iran | ||
| 4Animal science research institute of Iran, Agricultural research, education and extension Organization, .(AREEO).Karaj. Iran. | ||
| چکیده [English] | ||
| ABESTRACT This research was conducted to investigate the feasibility of estimating the weight of broiler chicks using machine vision technology. 600 Ross broiler chicks were reared under standard conditions for a 42-day period. At selected intervals (7 days), 60 birds from a total of 600 chicks were randomly selected and weighed individually using the appropriate scale. At the same times, digital images were captured individually and in groups 2, 3 and 4 of birds. The digital images were initially preprocessed and the necessary changes were made on the photos and required features were extracted from images by designing an appropriate algorithm, and these features were used to design the neural network to estimate the body weight of chicks. The correlation coefficient between the extracted features of digital images including the Major axis length, Minor axis length, Bonding box, Convex Area, Filled area, Perimeter and Area of the image with live weight of the chicks were 0/92, 0/93, 0/53, 0/99, 0/99, 0/94, and 0/99 respectively (p <0.01). A Multilayer perceptron neural network, which was trained with back propagation learning algorithm, containing 22 neurons in the input layer, 20 neurons in the mid layer and one neuron in the output layer presented the highest accuracy(99%) to estimate the weight of broiler chicks at different ages. The results of this study showed that there is a possibility of using image processing and artificial neural network as an appropriate and efficient tool to estimate the weight of broiler chicks during the breeding period. | ||
| کلیدواژهها [English] | ||
| Broiler Chickens, Weight estimation, Machine vision, Artificial Neural Network | ||
| مراجع | ||
|
Amraei, S., Abdanan Mehdizadeh, S. and Salari, S. (2017). Broiler weight estimation based on machine vision and artificial neural network. British PoultryScience. 58(2). http://dx.doi.org/10.1080/00071668.2016.1259530 Bailey, D.G., Mercer, K.A., Plaw,C., Ball,R., and Barraclough, H.(2004). High Speed Weight Estimation by Image Analysis. Proceedings of the 2004 New Zealand National Conference on Non Destructive Testing June 27-29, 2004, Palmerston North, New Zealand. Banerjee, K., Jasrai, Y.T., and Jain, N.K .(2012). An Accessible and Accurate Image Analysis for Root Length and Leaf Area Estimation: A Case Application to Azadirachta indica Seedlings. American-Eurasian Journal of agricultural and environmental sciences. 12: 64-76. Bazlur, M.d., and Mollah,R .(2010). Digital image analysis to estimate the live weight of broiler. Computers and Electronics in Agriculture. 72(1): 48-52. Bhuvaneshwari,M. L.M. and Palanivelu M.S. (2015). Improvement in detection of chicken egg fertility using image processing teqniques. International Journal On Engineering Technology and Sciences. 2(4):64-67. Chmiel,M., Sowi_nski,M., Dasiewicz,K.2011. Application of computer vision systems for estimation of fat content in poultry meat. Food Control. 22 : 1424-1427. Chora,R.S.(2007). Image Feature Extraction Techniques and Their Applications for CBIR and Biometrics Systems. International Journal of Biology and Biomedical Engineering. 1(1): 6-16. Dehrouyeh, M.H. , Omid, M. , Ahmadi, H., Mohtasebi, S.S., and Jamzad, M.(2005). Grading and Quality Inspection of Defected Eggs Using Machine Vision. International Journal of Advance Science and Technology. 16: 43-50. De Wet, L., Vranken, E., Chedad, A., Aerts, J.M., Ceunen, J., Berckmans, D.(2003). Computer-assisted image analysis to quantify daily growth rates of broiler chickens. British Poultry Science. 44(4):524-32. Forbes,K.(2000). Volume Estimation of Fruit from Digital Profile Images. A dissertation submitted to the Department of Electrical Engineering, University of Cape Town, in fulfilment of the requirements for the degree of Master of Science in Engineering Gonzalez, R., and Woods, R. E.(2002). Digital Image Processing. 2nd eddition .Addison-Wesley. Goyal, S.(2013). Predicting properties of cereals using artificial neural networks: A review. Scientific Journal of Crop Science. 2: 95-115. Hao,M., Yu,H., and Li,D.(2016). The Measurement of Fish Size by Machine Vision-A Review. IFIP International Federation for Information Processing. IFIP AICT. 479:15–32, DOI: 10.1007/978-3-319-48354-2_2. Junior, Y.T., Silva, E., Junior, R.A.B., Lopes, M.A., Damascene, F.A., Silva, G.C.D.A.E.(2011). Digital Surface Area Assessment of Broiler Chickens. Engenharia Agrícola, Jabotcabal. 31:468-476. Khojastehkey,M. Aslaminejad ,A.A. shariati,M.M. and Dianat,R.(2015). Body size estimation of new born lambs using image processing and its effect on the genetic gain of a simulated population. Journal of Applied Animal Research.44(1):326-330. DOI: 10.1080/09712119.2015.1031789. Negretti ,P., Bianconi , G. , Bartocci,S. , and Terramoccia, S.(2007). Lateral Trunk Surface as a new parameter to estimate live body weight by Visual Image Analysis. Italian Journal of Animal Science. 6:1223-1225. Onder, H., Arl, A., Ocak, S., Eker, S., and Tufekci, H.(2011).Use of Image Analysis in Animal Science. Journal of Information Technology in Agriculture. 1:1-4. Phyu, T.N.(2009). Survey of Classification Techniques in Data Mining. Proceedings of the International MultiConference of Engineers and Computer Scientists, March 18 - 20, Hong Kong. Souza, C. F., Mogami, C.A., Ferreira,I.F., Pinto,F.A.C., Inoue,K.R.A., Júnior.H.S.(2013). Methodology for determination of body mass gain of broilers in commercial aviaries via digital image analysis. American Society of Agricultural and Biological Engineers, annual international meeting, Kansas city,Missouri,USA/ Doi: http://dx.doi.org/10.13031/aim.20131620477 . Stajnko, D., Vindiš,P., Janžekovič,M., and Brus,M.(2010). Non Invasive Estimating of Cattle Live Weight Using Thermal Imaging. New Trends in Technologies: Control, Management, Computational Intelligence and Network Systems, Meng Joo Er (Ed.), ISBN: 978-953-307-213-5.438 pages. Chapter 13. Tasdemir,S., Urkmez,A., and Inal,S.(2011). A fuzzy rule-based system for predicting the live weight of Holstein cows whose body dimensions were determined by image analysis. Turkish Journal of Electronic Engineering and Computer Science. 19(4):689-703. Wang, Y., Yang,W., Winter,P., and Walker,L.(2008). Walk-through weighing of pigs using machine vision and an artificial neural network. Biosystems Engineering. 100:117–125. Yudkowsky,E.( 2008). Artificial Intelligence as a Positive and Negative Factor in Global Risk, edited by Nick Bostrom and Milan M. Ćirković, 308–345. New York: Oxford University Press. | ||
|
آمار تعداد مشاهده مقاله: 630 تعداد دریافت فایل اصل مقاله: 518 |
||