- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,727 |
| تعداد مقالات | 31,053 |
| تعداد مشاهده مقاله | 28,169,956 |
| تعداد دریافت فایل اصل مقاله | 16,253,221 |
تخمین وزن بره های نوزاد با استفاده از پردازش تصاویر دیجیتال | ||
| علوم دامی | ||
| مقاله 10، دوره 29، شماره 112، آذر 1395، صفحه 99-104 اصل مقاله (882.66 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/asj.2016.107424 | ||
| نویسندگان | ||
| مهدی خجسته کی* 1؛ مختار علی عباسی2؛ عباس اکبری شریف3؛ امیر محمد حسنی3 | ||
| 1بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قم، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران. | ||
| 2موسسه تحقیقات علوم دامی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران. | ||
| 3کارشناس ایستگاه پرورش و اصلاح گوسفند زندی تهران(خجیر) | ||
| چکیده | ||
| این پژوهش به منظور ارائه روشی برای تخمین وزن برههای گوسفند زندی با استفاده از پردازش تصاویر دیجیتال انجام شد. اطلاعات مورد استفاده در این پژوهش از 115 راس بره در مرکز پرورش گوسفند زندی تهران(خجیر) بدست آمد. در ابتدا بره های نوزاد با ترازو وزن کشی شده و سپس با استفاده از دوربین دیجیتال، عکسهای متعددی از نمای جانبی برهها و از فاصله ثابت ثبت شد. با استفاده از ابزارهای پردازش تصویر نرم افزار Matlab ویژگیهای شکل شناسی مرتبط با مساحت جانبی بدن برهها از روی تصاویر دیجیتال استخراج شد. بر اساس ویژگی های استخراج شده از تصاویر دیجیتال، شبکه عصبی مصنوعی مناسب برای تخمین وزن بره ها طراحی گردید. دقت شبکه عصبی طراحی شده برای تخمین وزن بره ها در مرحله آموزش 94/96 درصد بود. همبستگی بین وزن واقعی بره ها و وزن های تخمین زده شده توسط شبکه عصبی مصنوعی حدود 11/90 درصد بدست آمد(01/0 > P). نتایج این مطالعه نشان داد، امکان استفاده از روش هوش مصنوعی برای تعیین وزن گوسفند وجود دارد و این کار می تواند باعث افزایش سهولت و کاهش هزینه های رکوردگیری شده و به توسعه اتوماسیون گوسفندداری کمک کند. | ||
| کلیدواژه‌ها | ||
| هوش مصنوعی؛ تخمین وزن؛ گوسفند زندی | ||
| عنوان مقاله [English] | ||
| Weight estimation of Zandi lambs using digital image processing | ||
| نویسندگان [English] | ||
| Mahdi Khojastehkey1؛ M.A. Abbasi2؛ A. Akbari Sharif3؛ A.M. Hasani3 | ||
| چکیده [English] | ||
| This study was conducted to introduce a method based on using digital image processing to estimate the weight of new born lambs of Zandi sheep. Data was collected from 115 new born lambs reared in the Zandi sheep breeding centre of Khojir, Tehran. Primarily, all lambs were weighted, and at the same time, several photos were taken from the side view of each lamb using a digital camera from a fixed imaging distance. Then, the features related to the lateral area of lambs were extracted from digital images using image processing tools (IPT) of MATLAB software. Afterwards, a suitable artificial neural network was designed to estimate the lamb's weight based on the features was extracted from digital images. The neural network was trained with the precision of 96.94 % to estimate the lamb's weight. In the test phase, there was a correlation equal to 90.11 percent between the actual weight of lambs and weights estimated by the artificial neural network (p<0.01). The results indicated that there is a potential of using artificial intelligence to determine the body weight of sheep, and this can enhance the ease and reduce the cost of recording and help to develop the sheep rearing automation. | ||
| کلیدواژه‌ها [English] | ||
| Artificial intelligence, Weight estimation, Zandi sheep | ||
| مراجع | ||
|
منهاج، م. ب. (1391). هوش محاسباتی(جلد اول) مبانی شبکه‌های عصبی. چاپ اول. مرکز نشر دانشگاه صنعتی امیر کبیر. Bozkurt, Y., Aktan, S., and Ozkaya, S. (2006). Body weight prediction using digital image analysis for slaughtering beef cattle. Proceeding of EAAP, Antalya, Turkey,17-20 September, 2006. Abstract No. 12, Page: 313. Bünger, L., Macfarlane, J.M., Lambe, N. R. , Conington, J., McLean, K.A. , Moore, K., Glasbey, C.A., and Simm,G. (2011). Use of X-Ray Computed Tomography (CT) in UK Sheep Production and Breeding. CT Scanning – Techniques and Applications. 19:329-348. Burke, J., Nuthall,P., and McKinnon,A.(2004). An Analysis of the Feasibility Of Using Image Processing To Estimate the Live Weight of Sheep. FHMG Research Report 02.Applied Management and Computing Division, Lincoln University. Canterbury, New Zealand. Available at http://hdl.handle.net/10182/98. Fioretti, M., Negrini, R. , and Biondi, A. (2012). A new tool for beef performance recording in Italy. http://www.icar.org/cork_2012/Manuscripts/Published/Fioretti.pdf. Musa, A.M. , Idam, N.Z. , and Elamin, K.M. (2011). Heart Girth Reflect Live Body Weight in Sudanese Shogur Sheep under Field Conditions. World's Veterinary Journal, 2(4): 54-56. 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., and Finzi, A. (2007).Visual image analysis to estimate the morphological and weight measurement in Rabbits. World Rabbit Science,15:37– 41. Olatunji-Akioye, A. O., and Adeyemo, O. K. (2009). Live weight and Chest Girth Correlation in Commercial Sheep and Goat Herds in South western Nigeria. International Journal of Morphology, 27(1):49-52. Onder, H., Arı, A., Ocak, S., Eker, S., and Tufekci, H. (2010). Use of image analysis in animal science. Journal of Information Technology in Agriculture., 1:1-4. Ozkaya, S., and Bozkurt,Y. (2008).The relationship of parameters of body measures and body weight by using digital image analysis in pre-slaughter cattle. Archiv Tierzucht, 2:120-128. Petersen, M.E., de Ridder, D., Handels, H. (2002). Image processing with neural networks:a review. Pattern Recognition, 35 : 2279–2301. Sezenler, T., Özder, M., Yıldırır, M., Ceyhan, A., and Yüksel, M. A.(2011). The Relationship between body weight and body condition score some indigenous sheep breeds in Turkey. The Journal of Animal and Plant Sciences, 21(3): 443-447. Stajnko, D., Brus, M. and Hočevar, M.(2008). Estimation of bull live weight through thermo graphically measured body dimensions .Computers and Electronics in Agriculture, 61:233-240. 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 Electrical Engineering and Computer Sciences, 19(4):689-703. Vilarrasaa, E.R, Büngera, L., Brotherstoneb, S., Macfarlanea, J. M., Lambea, N. R., Matthewsc, K. R., Haresignd, W., and Roehea, R. (2010). Genetic parameters for carcass dimensional measurements from video image analysis and their association with conformation and fat class scores. Livestock Science.,128:92-100. Wang, Y., Yang,W., Winter,P., and Walker,L. (2008). Walk through weighing of pigs using machine vision and artificial neural network. Biosystems Engineering, 100:117–125. | ||
|
آمار تعداد مشاهده مقاله: 693 تعداد دریافت فایل اصل مقاله: 647 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب