امکان سنجی استفاده از فن آوری بینایی ماشین برای تخمین وزن جوجه‌های گوشتی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قم، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران.

2 بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قم، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران

3 1- بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قم، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران

4 موسسه 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


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.