| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شماره‌ها | 3,262 |
| تعداد مقالات | 36,060 |
| تعداد مشاهده مقاله | 55,204,053 |
| تعداد دریافت فایل اصل مقاله | 94,197,079 |
استفاده از روش‌های مبتنی بر هوش مصنوعی و پردازش تصاویردرفرایند مدیریت موفقیت آمیز پرورش ماهیان خاویاری | ||
| ماهیان خاویاری | ||
| دوره 8، پاییز و زمستان 1404 - شماره پیاپی 15، اسفند 1404، صفحه 22-29 اصل مقاله (906.99 K) | ||
| نوع مقاله: مقاله ترویجی | ||
| نویسندگان | ||
| اشکان بنان* 1؛ شیرین جمشیدی2 | ||
| 1گروه علوم و مهندسی شیلات و محیط زیست، دانشکده منابع طبیعی، دانشگاه لرستان؛ پژوهشکده علوم داده و هوش محاسباتی دانشگاه لرستان | ||
| 2انستیتو تحقیقات بین المللی ماهیان خاویاری، موسسه تحقیقات علوم شیلاتی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی (AREEO) | ||
| چکیده | ||
| پرداختن به کاربرد روش‌های مبتنی بر هوش مصنوعی در پردازش تصاویر می‌تواند چشم‌انداز تازه‌ای برای مدیریت هوشمند و پایدار پرورش ماهیان خاویاری فراهم آورد. با توجه به ارزش اقتصادی قابل توجه و حساسیت زیستی ماهیان خاویاری در مواجه با هرگونه عملیات دستکاری، توسعه روش‌های نوین، دقیق و غیرتهاجمی برای پایش، سنجش و مدیریت در صنعت آبزی‌پروری این گونه‌های ارزشمند، امری ضروری است. در این مطالعه، روش‌های پردازش تصویر شامل استخراج ویژگی‌های ریخت شناختی و رفتاری از تصاویر و تحلیل آن‌ها با مدل‌های هوش مصنوعی مانند شبکه‌های عصبی، الگوریتم‌های یادگیری ماشین و سامانه‌های بینایی ماشین مورد توجه قرار گرفته است. در سال‌های اخیر، این تکنیکها به‌عنوان ابزاری مؤثر، مقرون‌به‌صرفه و فناورانه در بهینه‌سازی فرآیندهای پرورش ماهی مطرح شده‌اند. در مطالعه حاضر، کاربردهای گوناگون این فناوری پیشرفته در مزارع پرورش ماهیان خاویاری بررسی شده است؛ از جمله پایش واکنش رفتاری در مواجهه با تنش‌های محیطی مانند آمونیاک، تخمین دقیق وزن بدون تماس فیزیکی، رقم‌بندی خودکار، برآورد غیرتهاجمی چربی تخمدان، و بهینه‌سازی کیفیت تصاویر در شرایط نوری ضعیف. نتایج پژوهش‌های مروری نشان می‌دهد که پردازش تصاویر می‌تواند جایگزین مناسبی برای روش‌های سنتی، پرهزینه و زمان‌بر باشد و از طریق افزایش دقت، کاهش استرس وارده بر ماهیان، کاهش هزینه‌های عملیاتی و امکان‌سنجی پیوسته، به پایداری و بهره‌وری بیشتر در پرورش تاس‌ماهیان کمک کند. در نهایت، نتیجهگیری می‌شود که سامانه‌های بینایی ماشین و الگوریتم‌های یادگیری ماشین به‌صورت گسترده‌تر و یکپارچه در صنعت پرورش ماهیان خاویاری به کار گرفته شوند تا مسیر توسعه هوشمند، امن و پایدار در این حوزه هموار گردد. | ||
| کلیدواژه‌ها | ||
| آبزی‌پروری؛ سنجش غیرتماسی؛ تخمین وزن؛ چربی تخمدان؛ رقم‌بندی خودکار؛ پایش رفتاری | ||
| عنوان مقاله [English] | ||
| The use of artificial intelligence–based approaches and image processing in the process of successful management of sturgeon aquaculture | ||
| نویسندگان [English] | ||
| Ashkan Banan1؛ Shirin Jamshidi2 | ||
| 1Department of Fisheries and Environmental Sciences and Engineering, Faculty of Natural Resources, Lorestan University; Data Science and Computational Intelligence Research Institute of Lorestan University | ||
| 2International Sturgeon Research Institute, Iranian Fisheries Science Research Institute,Agricultural Research, Education and Extension Organization (AREEO) | ||
| چکیده [English] | ||
| Addressing the application of artificial intelligence–based methods in image processing can provide a new perspective for the intelligent and sustainable management of sturgeon aquaculture. Given the considerable economic value and the biological sensitivity of sturgeons to any form of manipulation, the development of innovative, precise, and non-invasive methods for monitoring, assessment, and management in the aquaculture industry of these valuable species is essential. In this study, image processing methods, including the extraction of morphological and behavioral features from images and their analysis using artificial intelligence models such as neural networks, machine learning algorithms, and machine vision systems, have been considered. In recent years, these techniques have been introduced as effective, cost-efficient, and technology-driven tools for optimizing fish farming processes. In the present study, various applications of this advanced technology in sturgeon farms are reviewed, including behavioral monitoring under environmental stressors such as ammonia, accurate non-contact weight estimation, automatic sorting, non-invasive assessment of ovarian fat, and enhancement of image quality under low-light conditions. Findings from the reviewed studies indicate that image processing can serve as a suitable alternative to traditional, costly, and time-consuming methods, and by improving accuracy, reducing stress on fish, lowering operational costs, and enabling continuous assessment, it can contribute to greater sustainability and productivity in sturgeon aquaculture. Finally, it is concluded that machine vision systems and machine learning algorithms should be more widely and integratively applied in the sturgeon aquaculture industry to pave the way for intelligent, safe, and sustainable development in this field. | ||
| کلیدواژه‌ها [English] | ||
| Aquaculture, Non-invasive monitoring, Weight estimation, Ovarian fat assessment, Automated sorting, Behavioral analysis | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 238 تعداد دریافت فایل اصل مقاله: 150 |
||