تعیین اندازه گل و رنگ پوست بره های زندی با استفاده از پردازش تصویر و شبکه عصبی مصنوعی

Subject Areas : Camel

م. خجسته کی ¹ , ع.ا. اسلمی نژاد ² , ع.ر. جعفری اروری ³

1 - Department of Animal Science Research, Qom Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Qom, Iran
2 - Department of Animal Science, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran
3 - Department of Animal Science, Qom Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Qom, Iran

Received: 2018-04-21 Accepted : 2018-08-15 Published : 2019-03-01

Keywords: شبکه عصبی مصنوعی, پردازش تصویر, گوسفند زندی, کیفیت پوست,

Abstract :

در این مطالعه، روشی بر مبنای استفاده از پردازش تصویر و شبکه عصبی مصنوعی برای تعیین رنگ و نوع گل پوست در بره ­های نوزاد گوسفند زندی معرفی شده است. داده­ ها از 300 بره­ نوزاد در مرکز پرورش گوسفند زندی خجیر تهران جمع ­آوری شد. در ابتدا، اندازه و شکل گل پوست بره ­های تازه متولد شده توسط ارزیاب ­های با تجربه ثبت شد و به طور هم­زمان، چندین عکس دیجیتال از نمای جانبی هر بره گرفته شد. ویژگی­ های مربوط به اندازه گل و رنگ پوست بره­ ها از تصاویر دیجیتال با استفاده از ابزار پردازش تصویر (IPT) نرم­ افزار MATLAB استخراج شد. برای تعیین رنگ پوست، طبقه ­بندی پوست براساس اندازه گل و نیز برای برآورد اندازه گل پوست بره ­ها سه شبکه عصبی مصنوعی مجزا طراحی شد. رنگ پوست بره ­ها با استفاده از شبکه عصبی مصنوعی با دقت 100 درصد تعیین شد. دقت شبکه عصبی آموزش ­دیده برای طبقه­ بندی پوست بره ­ها بر اساس اندازه گل آنها 87/94 درصد بود. همچنین دقت شبکه عصبی سوم برای برآورد اندازه گل­ های پوست 44/98 درصد بود. همبستگی بین اندازه گل برآورد شده با استفاده از شبکه عصبی مصنوعی و اندازه گل تعیین شده توسط ارزیاب 4/96 درصد (0.01>P) بود. نتایج این مطالعه نشان داد که امکان استفاده از هوش مصنوعی به عنوان جایگزین ارزیابی انسانی در ثبت صفات پوست وجود دارد.

References:

Al-Hiary H., Bani-Ahmad S., Reyalat M., Braik M. and Alrahamneh Z. (2011). Fast and accurate detection and classification of plant diseases. Int. J. Computer Appl. 17, 31-38.

Alipasandi A., Ghaffari H. and Alibeyglu S.Z. (2013). Classification of three varieties of peach fruit using artificial neural network assisted with image processing techniques. Int. J. Agron. Plant Prod. 4, 2179-2186.

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 Azadirachtaindica seedlings. American-Eurasian J. Agric. Environ. Sci. 12, 64-76.

Banumathi P. and Nasira G.M. (2012). Fabric inspection system using artificial neural networks. Int. J. Computer Engin. Sci. 2(5), 20-27.

Borah S., Hines E.L. and Bhuyan M. (2007). Wavelet transform based image texture analysis for size estimation applied to the sorting of tea granules. J. Food Engin. 79, 629-639.

Bunger 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 Scan. Tech. Appl. 19, 329-348.

Burghardt T. (2008). Visual animal biometrics-automatic detection and individual identification by coat pattern. Ph D. Thesis. University of Bristol, Bristol, United Kingdom.

Caso V., Budak K., Georgiadis D., Schuknecht B. and Baumgartner R.W. (2005). Clinical significance of detection of multiple acute brain infarcts on diffusion weighted magnetic resonance imaging. J. Neurol. Neurosurg. Psychiatr. 76, 514-518.

Garcia E.R., Hernandez-Hernandez F., Zaraguza S.G.M. and Herrera S.G. (2009). Two new Methods for the estimation of leaf area using digital photography. Int. J. Agric. Biol. 11, 397-400.

Gastelum-Barrios A., Borquez-Lopez R.A., Rico-Garcia E., Toledano-Ayala M. and Soto-Zarazua G.M. (2011). Tomato quality evaluation with image processing: A review. African J. Agric. Res. 6(14), 3333-3339.

Ghamari S. (2012). Classification of chickpea seeds using supervised and unsupervised artificial neural networks. African J. Agric. Res. 7(21), 3193-3201.

Goyal S. (2013). Predicting properties of cereals using artificial neural networks: A review. Sci. J. Crop Sci. 2, 95-115.

Harron W. and Dony R. (2009). Predicting quality measures in beef cattle using ultrasound imaging. Pp. 96-104 in Proc. IEEE Symp. Comput. Intell., Honolulu, Hawaii, USA.

Hossein-Zadeh N.G., Nejati-Javaremi A., Miraei-Ashtiani S.R. and Mehrabani-Yeganeh H. (2007). Effect of the threshold nature of traits on heritability estimates obtained by linear model. Pakistan J. Biol. Sci. 10, 145-147.

Junior Y.T., Silva E., Junior R.A.B., Lopes M.A., Damascene F.A. and Silva G.C.D.A.E. (2011). Digital surface area assessment of broiler chickens. Eng. Agric. Jaboticabal. 31, 468-476.

Krenker A., Bester J. and Kos A. (2011). Artificial Neural Networks-Methodological Advances and Biomedical Applications. In Tech, Shanghai, China.

Kulkarni D.A., Bhagyashree S.M. and Udupi G.R. (2010). Texture analysis of mammographic images. Int. J. Computer Appl. 5(6), 12-17.

Menhaj M.B. (2012). Computational Intelligence. Amir Kabir University Press, Tehran, Iran.

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 J. Anim. Sci. 6, 1223-1225.

Onder H., Arı A., Ocak S., Eker S. and Tufekci H. (2010). Use of image analysis in animal science. J. Inf. Technol. Agric. 1, 1-4.

Pazoki A.R., Farokhi F. and Pazoki Z. (2014). Classification of rice grain varieties using two artificial neural networks (MLP and Neuro-Fuzzy). J. Anim. Plant Sci. 24, 336-343.

Phyu T.N. (2009). Survey of classification techniques in data mining. Pp. 24-31 in Proc. Int. Multi Conf. Eng. Computer Sci., Hong Kong, China.

Qian K., Li H., Cao H., Yu K. and Shen W. (2010). Measuring the blend ratio of wool/cashmere yarns based on image processing technology. Fibers. Text. Eastern Europe. 18, 35-38.

Schoeman S.J. and Albertin J.R. (1993). An evaluation of the subjective categorization of hair quality of pelt traits in Karakul lambs. South African J. Anim. Sci. 23, 88-91.

Sun J., Yao M., Xu B. and Bel P. (2011). Fabric wrinkle characterization and classification using modified wavelet coefficients and support-vector-machine classifiers. Text. Res. J. 81, 902-913.

Vilarrasaa E.R, Bungera 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. Livest. Sci. 128, 92-100.

Wang Q., Deng X., Ren Y., Ding Y., Xiong Ping Z., Wen Y. and Wang S. (2009). Egg freshness detection based on digital image technology. Sci. Res. Essay. 4(10), 1073-1079.

Yudkowsky E. (2008). Artificial Intelligence as a Positive and Negative Factor in Global Risk. Oxford University Press, New York.

Zaragoza L.E.O. (2009). Evaluation of the accuracy of simple body measurements for live weight prediction in growing-finishing pigs. MS Thesis. University of Illinois, Urbana, Illinois.