| تعداد نشریات | 287 |
| تعداد نشریات سازمان | 85 |
| تعداد شمارهها | 3,159 |
| تعداد مقالات | 35,108 |
| تعداد مشاهده مقاله | 50,530,622 |
| تعداد دریافت فایل اصل مقاله | 90,479,296 |
رهیافتی برای به دست آوردن پارامترهای زیستسنجی و نگاشت منحنی رشد ماهی قزل آلا بوسیله آنالیز تصویر دیجیتالی تحت شرایط آزمایشگاهی | ||
| تحقیقات سامانهها و مکانیزاسیون کشاورزی | ||
| مقاله 9، دوره 20، شماره 73، اسفند 1398، صفحه 113-128 اصل مقاله (955.36 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/erams.2019.123921.1286 | ||
| نویسندگان | ||
| بهزاد بهزادی مکوندی1؛ علی محمد برقعی* 2؛ ارژنگ جوادی3؛ سعید مینایی4؛ مرتضی الماسی2 | ||
| 1دانشجوی دکتری مکانیک ماشین آلات کشاورزی، گروه مهندسی سیستمهای کشاورزی،دانشکده کشاورزی و صنایع غذایی،دانشگاه آزاد اسلامی واحد علوم تحقیقات،تهران | ||
| 2استاد، گروه مهندسی سیستمهای کشاورزی،دانشکده کشاورزی و صنایع غذایی،دانشگاه آزاد اسلامی واحد علوم تحقیقات،تهران،ایران | ||
| 3استاد،مهندس تحقیقات فنی و مهندسی کشاورزی سازمان تحقیقات،آموزش و ترویج کشاورزی،کرج،ایران | ||
| 4عضو هیات علمی دانشگاه تربیت مدرس | ||
| چکیده | ||
| مطالعه روی پارامترهای زیستی ماهی قزل آلا با روش سنتی (متکی بر عوامل انسانی و غیر اتوماتیک)، به دلیل مشکلات جدی مانند انتقال بیماری، مرگ بر اثر استرس، بیدقتیها، زمانبر بودن و ... کارایی پایینی دارد. در این پژوهش، بهکارگیری یک سامانة بینایی ماشین، مبتنی بر ویدیونگاری شامل محفظة تصویربرداری و نورپردازی، برای غلبه بر مشکلات روش سنتی پیشنهاد شده است. شیوة عمل برای اندازه گیری پارامترهای زیستسنجی ماهی، ویدئونگاری از حرکت ماهی حین عبور از اتاقک تاریک است. تصویرهای منتخب از ویدیوی گرفته شده، پردازش شد. در این روش، طول، سطح رویه، وزن، میزان غذای مصرفی ویژه و فاکتور رشد ماهیان قزل آلا در شرایط کاملأ کنترل شده اندازه گیری و بهعنوان ملاک مقایسه (کنترل یا شاهد) بهکار گرفته شده است. برای تخمین وزن ماهی از طریق پارامترهای اندازهگیری شده، شش مدل ریاضی بهکارگیری شد و از این میان از مدل توانی وزن- طول بهعنوان بهترین مدل برای تخمین وزن ماهی استفاده شده است. دقت سیستم در تخمین فاکتورهای زیستسنجی ماهی بزرگتر از 90 درصد و قابلیت سامانه در تخمین غذای مورد نیاز ماهی در فرایند رشد برابر با 98 درصد بهدست آمده است. | ||
| کلیدواژهها | ||
| بینایی ماشین؛ ویدئو نگاری؛ فاکتور رشد | ||
| عنوان مقاله [English] | ||
| Image Based Method to Identify Trout Fish Biometric Characteristics and Mapping Growth Curve Trout Fish by Digital Image Analysis under Laboratory Conditions | ||
| نویسندگان [English] | ||
| Behzad Behzadi1؛ Ali Mohammad Borghei2؛ Arjang Javadi3؛ Saeid Minaei4؛ Morteza Almassi2 | ||
| 11. Department of Agricultural Machinery, Science and Research Branch, Islamic Azad University, Tehran, Iran | ||
| 21. Department of Agricultural Machinery, Science and Research Branch, Islamic Azad University, Tehran, Iran | ||
| 3Professor, Agricultural Research, Education and Extension Organization, Agricultural Engineering Research Institute, Karaj, Iran | ||
| 4Department of Agricultural Machinery Engineering, Faculty of Agriculture, Tarbiat Modares University, Tehran, Iran | ||
| چکیده [English] | ||
| Study on biometric parameters of trout species in the traditional method (based on human and non-automatic factors) are low-efficient due to serious problems such as disease transmission, stress-induced death, inaccuracy, & time-consuming. To overcome the problems of traditional method, an image-based vision system, including imaging and lighting chambers, was developed in this research. The fish biometric parameters were measured using fish movement videography during passage from the dark chamber. Then the selected images from the video were processed. The length, surface area, weight, amount of food consumed, & growth rate of trout were measured under fully controlled conditions and used as comparison criteria (control). Six mathematical models were used to estimate fish weight through measured parameters and among them the weight/length model was used as the best model for estimating fish weight. The accuracy of the system in estimating fish biometric parameters was above than 90% and the system’s capability to estimate the fish required food during the growth process was 98%. | ||
| کلیدواژهها [English] | ||
| Image Processing: Videography, Growth Rate | ||
| مراجع | ||
|
Andrew, S. K.., James, D. S., Geoffrey, T. G., Timothy, C. A., & Colin, H. (2004). A video-based movement analysis system to quantify behavioral stress responses of fish. Water Research, 38, p. 3993-4001.
Anibeze, C. I. P. (2000). Length-weight relationship and relative condition of Heterobranchus longifilis (Valencienness) from Idodo River, Nigeria. Naga: the ICLARM Quarterly, 23, p. 34-35.
Balaban, M., Chombeau, M., Cırban, D., & Gümüş, B. (2010a). Prediction of the weight of Alaskan pollock using image analysis. Journal of Food Science, 75(8): p. 552-556.
Balaban, M., Gulgun, F., Soriano, M., & Ruiz, E. G. (2010b). Using image analysis to predict the weight of Alaskan salmon of different species. Journal of Food Science, 75(3): p. 157–162.
Beddow, T. A., Ross, L.G., & Marchant, J. A. (1996). Predicting salmon biomass remotely using a digital stereo-imaging technique. Aquaculture, 146, p. 189-203.
Chu, W. S., Hou, Y. Y., Ueng, Y. T., & Wang, J. P. (2012). Correlation between the length and weight of Arius maculatus off the wouthwestern coast of Taiwan. Brazilian Archives of Biology and Technology, 55, p. 705-708.
Costa, C., Loy, A., Cataudella, S., Davis, D., & Scardi, M. (2006). Extracting fish size using dual underwater cameras. Aquacultural Engineering, 35(3): 218-227.
Fabic, J. N., Turla, I. E., Capacillo, J. A., David, L. T., & Naval, P. C. (2013). Fish population estimation and species classification from underwater video sequences using blob counting and shape analysis. International Underwater Technology Symposium (UT), March 5, Tokyo, Japan.
Froese, R. (2006). Condition factor and weight-length relationships: history, meta-analysis and recommendations. Journal of Applied Ichthyology, 22, p. 241-253.
Harvey, E. S., Cappo, M., Shortis, M. R., Robson, S., Buchanan, J., & Speare, P. (2003). The accuracy and precision of underwater measurements of length and maximum body depth of southern bluefin tuna (Thunnus maccoyii) with a stereo-video camera system. Fisheries Research, 63, p. 315-326.
Jeong, S. J., Yang, Y. S., Lee, K., & Kang, J. G. and Lee, D. G. (2013). Vision-based automatic system for non-contact measurementof morphometric characteristics of flatfish. Journal of Electrical Engineering and Technology, 8(5): p. 1194-1201
Karpov, E. T., & Tsikliras, A. C. (2009). Length-weight relationships of fishes from
Khairenizam, M. Z., & Norma-Rashid, Y. (2002). Length–Weight relationship of mudskippers (Gobidae: Oxudercinae) in the coastal areas of Sclangor, Malaysia International Centre for living Aquatic Resources Management, World Fish Centre Quarterly, 25, p. 20-22.
Klimley, A. P., & Brown, S. T. (1993). Stereo photography for the field biologist: measurement of lengths and three-dimensional positions of free-swimming sharks. Marine Biology, 74, p. 175-185.
Man, M., Zakaria, M. Z., & Zaki, F. A. M. (2010). A web based fish stock assessment tools for generating fish statistical population information using fish length method. OCEANS 2010 IEEE. May. 24-27 May, Sydney, Australia.
Sarkar, U. K., Khan, G. E., Dabas, A., Pathak, A. K., Mir, J. I., Rebello, S. C., Pal, A., & Singh, S. P. (2013). Length weight relationship and condition factor of selected freshwater fish species found in river Ganga, Gomti and Rapti, India. Journal of Environmental Biology, 34, p. 951-956.
Shafry, M., Rehman, A., Kumoi, R., Abdullah, N., & Saba, T. (2012). FileDI framework for measuring fish length from digital images. International Journal of Physical Sciences, 7(4): p. 607-618.
Shieh, A. C. R., & Petrell, R. J. (1998). Measurement of fish size in Atlantic salmon (salmo salar l.) cages using stereographic video techniques. Aquacultural Engineering, 17(1): p. 29-43.
Torisawa, S., Kadota, M., Komeyama, K., Suzuki, K., & Takagi, T. (2011). A digital stereo-video camera system for three-dimensional monitoring of free-swimming Pacific bluefin tuna, Thunnus orientalis, cultured in a net cage. Aquat. Living Resour. 24, p. 107–112.
Zion, B., Ostrovsky, V., Karplus, I., Lidor, G., & Barki, A. (2012). Ornamental Fish Mass Estimation by Image Processing. Agricultural Research Organization, Bet Dagan. | ||
|
آمار تعداد مشاهده مقاله: 1,027 تعداد دریافت فایل اصل مقاله: 535 |
||