| تعداد نشریات | 287 |
| تعداد نشریات سازمان | 85 |
| تعداد شمارهها | 3,159 |
| تعداد مقالات | 35,108 |
| تعداد مشاهده مقاله | 50,529,997 |
| تعداد دریافت فایل اصل مقاله | 90,478,487 |
طراحی سامانه سختافزاری و نرمافزاری خودکارسازی هوشمند دامداری صنعتی با کمک اینترنت اشیاء | ||
| تحقیقات سامانهها و مکانیزاسیون کشاورزی | ||
| مقاله 7، دوره 22، شماره 78، شهریور 1400، صفحه 107-126 اصل مقاله (1.64 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/amsr.2021.352371.1367 | ||
| نویسندگان | ||
| حمید بهنگار1؛ بابک مجیدی* 2؛ علی موقر3 | ||
| 1کارشناس ارشد مهندسی کامپیوتر، دانشگاه خاتم، تهران، ایران | ||
| 2استادیار - گروه مهندسی کامپیوتر - دانشگاه خاتم - تهران - ایران | ||
| 3استاد گروه مهندسی کامپیوتر، دانشگاه صنعتی شریف، تهران، ایران | ||
| چکیده | ||
| دامپروری صنعتی نسل چهارم باعث کاهش تلفات دام، افزایش میزان باروری، کاهش هزینههای عملیاتی، مدیریت منابع انسانی و به صورت کلی افزایش بهرهوری میشود. در این تحقیق مجموعهای از حسگرهای الکترونیکی - زیستی برای خودکارسازی هوشمند دامداری صنعتی به صورت یک گردنبند و یک پابند طراحی شد که به تکتک دامها متصل میشود. مجموعهای از دروازههای اینترنت اشیا که به صورت اختصاصی برای مزرعه طراحی و به صورت آزمایشی پیادهسازی شدند وظیفۀ انتقال دادههای این حسگرها را به سیستم محاسبات ابری بر عهده داشتند. با طراحی یک سامانۀ نرمافزاری تحلیل دادههای بزرگ بر اساس اطلاعات جمعآوری شده از دامها، رفتار دام برای ارائۀ توصیههای لازم در مدیریت دامداری مدل شد. سامانۀ خودکارسازی ارائه شده، نشانههای حیاتی دامها شامل دمای بدن، میزان تحرک، میزان تغذیه و نشخوار، فحل بودن و رفتار دامها مانند استرس گرمایی و موارد مشابه را با دقت بالایی در لحظه نظارت میکند و در اختیار دامداران قرار میدهد. در این تحقیق با کمک دادههای حسگرهای دام و روشهای هوش مصنوعی رفتار دام به صورت شبانهروزی بررسی شد. دقت الگوریتم نزدیکترین همسایه برای مدلسازی رفتار دام 78 درصد و دقت شبکههای عصبی پیچشی 84 درصد بود. اما با توجه به سادگی اجرای الگوریتم نزدیکترین همسایه استفاده از این روش طول عمر باتری سیستم را تا 5/4 برابر افزایش داد و انتخاب مناسبتری بود. | ||
| کلیدواژهها | ||
| تکنولوژی دامپروری؛ حسگر پوشیدنی؛ دادههای بزرگ؛ هوش مصنوعی | ||
| عنوان مقاله [English] | ||
| Design of Hardware and Software Platform for Intelligent Automation of Livestock Farming using Internet of Things | ||
| نویسندگان [English] | ||
| Hamid Behneghar1؛ Babak Majidi2؛ Ali Movaghar3 | ||
| 1MSc in Computer Engineering, Khatam University, Tehran, Iran | ||
| 2Assistant Professor – Department of Computer Engineering – Khatam University – Tehran - Iran | ||
| 3Professor, Department of Computer Engineering, Sharif University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| The 4th generation industrial livestock farming reduces livestock losses, increases fertility rates, reduces operating costs, manages human resources, and generally increases productivity. In this research, a set of wearable sensors including a cattle collar and a leg mounted sensor was designed for automation of livestock farming. A LoRaWAN based internet of things network was designed using a set of custom gateways in three livestock farms. An intelligent livestock big data analysis framework that uses edge and cloud computing was designed for processing and modelling of the behaviour of the cattle using the collected sensor data. A decision support system for estrous cycle management, stress and health control and cattle behaviour modelling was designed using machine learning based modelling of this data. The proposed system monitored the cattle and provided the vital signs such as body temperature, mobility, feeding behaviour and estrous behaviour for management and veterinarian decision support. The accuracy of the KNN algorithm for modelling livestock behaviour was 78% and the accuracy of convolutional deep neural networks was 84%. However, due to the simplicity of the KNN algorithm, this method increased the battery life of the system by 4.5 times and therefore, it was a more appropriate choice for commercial livestock farming. | ||
| کلیدواژهها [English] | ||
| Artificial Intelligence, Big Data, Livestock Technology, Wearable Sensor | ||
| مراجع | ||
|
Acosta, N., Barreto, N., Caitano, P., Marichal, R., Pedemonte, M., & Oreggioni, J. (2020). Research platform for cattle virtual fences. Proceedings of the IEEE International Conference on Industrial Technology (ICIT). Feb. 26-28, Buenos Aires, Argentina.
Andrew, W., Greatwood, C., & Burghardt, T. (2019). Aerial Animal Biometrics: Individual Friesian Cattle Recovery and Visual Identification via an Autonomous UAV with Onboard Deep Inference. Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Nov. 4- 8, Venetian Macao, Macau.
Andrew, W., Greatwood, C., & Burghardt, T. (2020). Fusing Animal Biometrics with Autonomous Robotics: Drone-based Search and Individual ID of Friesian Cattle (Extended Abstract). Proceedings of the IEEE Winter Applications of Computer Vision Workshops (WACVW). March 1-5 . Snowmass Village, CO, USA.
Başçiftçi, F., & Gündüz, K. A. (2019). Identification of Acidosis Disease in Cattle Using IoT. Proceeding of the International Conference on Computer Science and Engineering (UBMK). Sep. 11-15, Samsun, Turkey.
Byabazaire, J., Olariu, C., Taneja, M., & Davy, A. (2019). Lameness Detection as a Service: Application of Machine Learning to an Internet of Cattle. Proceedings of the 16th IEEE Annual Consumer Communications & Networking Conference (CCNC). Jan. 11-14, Las Vegas, NV, USA.
Hama, H., Hirata, T., Mizobuchi, T., & Zin, T. T. (2019). A Study on Detection of Precursor Behaviors of Estrus in Cattle Using Video Camera. Proceeding of the IEEE 1st Global Conference on Life Sciences and Technologies (LifeTech). March 12-14, Osaka, Japan.
Hamilton, A. W., Davison, C., Tachtatzis, C., Andonovic, I., Michie, C., Ferguson, H. J., Laura Somerville, L., & Jonsson, N. N. (2019). Identification of the rumination in cattle using support vector machines with motion-sensitive bolus sensors. Sensors, 19(5), 1165. doi: 10.3390/s19051165.
Natori, T., Ariyama, N., Tsuichihara, S., Takemura, H., & Aikawa, N. (2019). Study of Activity Collecting System for Grazing Cattle. Proceedings of the 34th International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC). June 23-26, Jeju, South Korea.
Niu, L., Yang, C., Du, Y., Qin, L., & Li, B. (2020). Cattle Disease Auxiliary Diagnosis and Treatment System Based on Data Analysis and Mining. Proceedings of the 5th International Conference on Computer and Communication Systems (ICCCS). Feb. 22-24, Shanghai, China.
Norouzi, A., & Norouzi, M. (2020). Pisoro a platform to learn, care, health, consults for pets. Available on: https://www.pisoro.com.
Palendeng, M. E., Alvarenga, T. I. R. C., Fowler, S., Hopkins, D. L., McGilchrist, P., & Thennadil, S. N. (2020). Estimation of Chronological Age of Cattle Using Spatially Resolved Diffuse Reflectance Measurements of Hide. IEEE Sensors Journal, 20(15), 8673-8682. doi: 10.1109/JSEN.2020.2983455
Rau, L. M., Chelotti, J. O., Vanrell, S. R., & Giovanini, L. L. (2020). Developments on real-time monitoring of grazing cattle feeding behavior using sound. Proceedings of the IEEE International Conference on Industrial Technology (ICIT). Feb. 26-28, Buenos Aires, Argentina.
Reddy, S. S., & Nandini, C. (2019). Early Detection of Estrus and Heat stress using IoAHT and Analytics in Indian Cattle to overcome Repeat-Breading-Syndrome. Proceedings of the 1st International Conference on Advanced Technologies in Intelligent Control, Environment, Computing & Communication Engineering (ICATIECE). March 19-20, Bangalore, India.
Santos, V. D. N., Neves, B., & Ferreira, N. M. F. (2019). Novel RSSI-based Localization System for Cattle and Animal Tracking. Proceedings of the International Conference in Engineering Applications (ICEA). July 8-11, Azores, Portugal.
Sairam, A. J., Induri, R., & Bagyaveereswaran, V. (2019). Validation of Wearable Sensors and RFID for Real time Monitoring of Cattle Farming using Internet of Things. Proceedings of the Innovations in Power and Advanced Computing Technologies (i-PACT). March 22-23, Vellore, India.
Taneja, M., Jalodia, N., Malone, P., Byabazaire, J., Davy, A., & Olariu, C. (2019). Connected Cows: Utilizing Fog and Cloud Analytics toward Data-Driven Decisions for Smart Dairy Farming. IEEE Internet of Things Magazine, 2(4), 32-37. doi: 10.1109/IOTM.0001.1900045.
Theodoridis, S. (2015). Machine learning: a bayesian and optimization perspective. Academic Press.
Vasconcellos, B. C. D., Trindade, J. P. P., Volk, L. B. d. S., & Pinho, L. B. d. (2020). Method applied to animal monitoring through VANT images. IEEE Latin America Transactions, 18(07), 1280-1287. doi: 10.1109/TLA.2020.9099770.
Wang, Z., Cao, C., Yu, H., & Liu, Y. (2020). Design and Implementation of Early Warning System Based on Dairy Cattle Activity Detection. Proceedings of the International Wireless Communications and Mobile Computing (IWCMC). June 15-19, Limassol, Cyprus.
Widiasih, D. A., Susetya, H., & Widayanti, R. (2018). Early Detection of Leptospirosis in Cattle Urine Samples by Using Loop-Mediated Isothermal Amplification (LAMP) Method. Proceedings of the 1st International Conference on Bioinformatics, Biotechnology, and Biomedical Engineering- Bioinformatics and Biomedical Engineering. Oct. 19-20, Yogyakarta, Indonesia. | ||
|
آمار تعداد مشاهده مقاله: 1,677 تعداد دریافت فایل اصل مقاله: 506 |
||