تعداد نشریات | 31 |
تعداد شمارهها | 748 |
تعداد مقالات | 7,112 |
تعداد مشاهده مقاله | 10,246,413 |
تعداد دریافت فایل اصل مقاله | 6,900,007 |
پیش بینی وزن بدن گاوهای سیستانی با استفاده از بینایی رایانهای | ||
تحقیقات تولیدات دامی | ||
دوره 11، شماره 3، آذر 1401، صفحه 55-66 اصل مقاله (1 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22124/ar.2022.20726.1651 | ||
نویسندگان | ||
مهدی خجسته کی1؛ ابوالحسن صادقی پناه2؛ نادر اسدزاده2؛ علیرضا آقاشاهی3؛ مرتضی کیخا صابر4؛ مرتضی بیطرف ثانی* 5؛ سعید اسماعیل خانیان3 | ||
1استادیار، بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قم، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران | ||
2استادیار، موسسه تحقیقات علوم دامی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران | ||
3دانشیار، موسسه تحقیقات علوم دامی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران | ||
4استادیار، بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی سیستان و بلوچستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، زاهدان، ایران | ||
5استادیار، بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان یزد، سازمان تحقیقات ،آموزش و ترویج کشاورزی، یزد، ایران | ||
چکیده | ||
از آنجا که استفاده از روشهای جایگزین، از جمله روشهای مبتنی بر استفاده از هوش مصنوعی، میتوانند فرآیند وزنکشی دامها را تسهیل کند، مطالعه حاضر با هدف پیشبینی وزن گاوهای سیستانی با استفاده از فناوری بینایی رایانهای انجام شد. بدین منظور، گاوهای سیستانی موجود در ایستگاه زهک برای یک دوره یکساله وزنکشی شده و بهطور همزمان از نمای جانبی هر دام، تصاویر دیجیتال تهیه شد. تصاویر دیجیتال ابتدا با استفاده از نرمافزار Matlab مورد پیشپردازش قرار گرفت و سپس برخی خصوصیات شکلشناسی از هر یک از آنها استخراج شد. برای پیشبینی وزن گاوها، خصوصیات استخراج شده از تصاویر به عنوان ورودی و وزن هر دام به عنوان خروجی جهت آموزش به شبکه عصبی مصنوعی معرفی شد. مدلی که دارای بالاترین دقت و کمترین خطا بود به عنوان مدل نهایی جهت پیشبینی وزن دامها انتخاب شد. بر اساس نتایج، قطر معادل، طول محور اصلی، طول محور فرعی، جعبه محاطی، مساحت قسمت محدب، مساحت ناحیه پر شده، محیط تصویر، مساحت تصویر و تعداد نقاط سفید تصویر دارای همبستگی بالاتری با وزن گاوهای سیستانی بود (01/0P<). مدل شبکه عصبی مصنوعی توانست با دقت 4/97 درصد، وزن گاوهای سیستانی را از روی خصوصیات تصاویر دیجیتال آنها پیشبینی کند. نتایج مطالعه حاضر نشان داد، فناوری بینایی رایانهای، قابلیت مناسبی برای پیشبینی وزن گاوهای سیستانی داشته و میتواند جایگزین روشهای متداول کنونی شود. | ||
کلیدواژهها | ||
بینایی رایانهای؛ پیشبینی وزن؛ گاو سیستانی؛ هوش مصنوعی | ||
مراجع | ||
Abegaz S. and Awgichew K. 2009. Technical bulletin no. 23. Estimation of weight and age of sheep and goat. Ethiopia sheep and goat productivity improvement program. ESGPIP=.Ethiopia Atta M. and el-Khidir O. A. 2004. Use of heart girth, withers height and scapuloischial length for prediction of love weight of Nilotic sheep. Small Ruminant Research, 55: 233-237. Bazi H., Rashki M., Naghz Ali A. and Keikhasalar A. 2006. An introduction to the identification and status of Sistani cattle in the Sistan region - Extension Magazine - Registration Number: 1238/85. Sistan Agricultural and Natural Resources Research Center. (In Persian). Cannas A. and Boe F. 2003. Prediction of the relationship between body weight and body condition score in sheep. Italian Journal of Animal Science, 2: 527-529. De Villers J. F., Gcumisa S. T. and Gumede S. A. 2010. Weight band to estimate the live weight of meat goats. Agri update: information from the KZN department of Agriculture environmental affairs and rural development, south Africa. Gomes R. A., Monterio G. R., Assis G. J., Busato K. C., Ladeira M. M. and Chizzotti M. L. 2016. Technical note. Estimating body weight and body composition of beef cattle through digital Image analysis. Journal of Animal Science, 94: 5414-5422. 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. Khojastehkey M., Abbasi M. A., Akbari Sharif A. and Hassani A. M. 2016a. Estimating the weight of newborn lambs using digital image processing. Research and Construction, 29(112): 99-104. (In Persian). Khojastehkey M. Aslaminejad A. A., Shariati M. M. and Dianat R. 2016b. 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. Li Z., Luo Ch., Teng G. and Lin T. 2015. Estimation of pig weight by machine vision. A review. 7th International Conference on Computer and Computing Technology in Agriculture. Beijing, China. Pp. 42-49. Mahmoud M. A., Shaba P. and Zubairu U. V. 2014. Live body weight estimation in small ruminant: areview. Global Journal of Animal Scientific Research, 2: 102-108. Matlab. 2018. The Math Works, Inc., Natick, Massachusetts, United States. Mirzaei H. R. 1995. Determining the growth and fattening potential of male Sistani calves in station and village conditions in Sistan, MSc Thesis, Tarbiat Modares University, Tehran, Iran. (In Persian). 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. Negretti P., Bianconi G., Bartocci S., Terramoccia S. and Verna M. 2008a. Determination of live weight and body condition score in lactating Mediterranean buffalo by visual image analysis. Livestock Science, 113: 1-7. Negretti P., Bianconi G., Bartocci S., Terramoccia S. and Noè L. 2008b. New morphological and weight measurements by visual image analysis in sheep and goats. New trends for innovation in the Mediterranean animal production, 6-8 November, Corte, France. Otoikhian C. S. O., Otoikhian A. M., Akporhuarho O. P. and Isidahoman C. 2008. Correlation of body weight and some body measurement parameters in Quda sheep under extensive management system. African Journal of General Agriculture, 4: 129-133. Sargolzehi A. 1998. Economic study of fattening the Sistani cattle in two traditional and industrial methods- MSc Thesis, Faculty of Economics, Allameh Tabatabaei University, Tehran, Iran. (In Persian). Seo K. W., Kim H. T., Lee D. W. and Yoon Y. C. 2011. Image processing algorithms for weight estimation of dairy cattle. Journal of Bio System Engineering, 36: 48-57. SPSS. 2016. IBM SPSS Statistics for Windows, Version 24.0. Armonk, NY: IBM Corp. 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 (Editor), Books on Demand publication. 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: 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. Wangchuk K., Wangdi J. and Mindu M. 2017.Comparison and reliability of techniques to estimate live cattle body weight. Journal of Applied Animal Research, 46: 349-352. 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: 584 تعداد دریافت فایل اصل مقاله: 268 |