امکان سنجی تخمین وزن بدن شترهای کلکوهی با استفاده از پردازش تصاویر دیجیتال
Subject Areas : Camelم. خجسته کی 1 , م. کلانتر نیستانکی 2 , ز. رودباری 3 , ح. صادقی پناه 4 , ه. جواهری 5 , ع.ر. آقاشاهی 6
1 - Department of Animal Science, Qom Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Qom, Iran
2 - Education Center, Agricultural Research, Education and Extension Organization (AREEO), Qom, Iran
3 - Department of Animal Science, Faculty of Agriculture, University of Jiroft, Jiroft, Iran
4 - Department of Animal Science, Animal Science Research Institute of Iran (ASRI), Agricultural Research Education and Extension Organization (AREEO), Karaj, Iran
5 - Animal Science Research Institute of Iran (ASRI), Agricultural Research Education and Extension Organization (AREEO), Karaj, Iran
6 - Animal Science Research Institute of Iran (ASRI), Agricultural Research Education and Extension Organization (AREEO), Karaj, Iran
Keywords: پردازش تصویر, شترهای کلکوهی, تخمین وزن,
Abstract :
هدف از این مطالعه بررسی امکان برآورد وزن شترهای کلکوهی با استفاده از پردازش تصاویر دیجیتال بود. برای این منظور، شترهای کلکوهی ماهانه در یک مزرعه خصوصی به مدت یک سال وزن میشدند. در روز وزنکشی، تصاویر دیجیتال از تمام شترها و از نمای جانبی آنها گرفته شد. این تصاویر دیجیتال در محیط نرمافزار MATLAB پردازش شده و ویژگیهای عددی مورد نیاز هر تصویر از جمله ویژگیهای مختلف مورفولوژیکی تصاویر استخراج شد. از بین تمام ویژگیهای استخراج شده، برخی مانند طول محور اصلی، طول محور فرعی، تعداد عناصر غیر صفر (NNZ) و قطر معادل با وزن شترها ارتباط معنیدار و بالایی داشتند (P<0.01) و از این نظر به عنوان ویژگی های مؤثر در توسعه شبکه عصبی در نظر گرفته شدند. برای برآورد وزن شترها بر اساس تصاویر دیجیتالی آنها از شبکه عصبی مصنوعی چند لایه که با الگوریتم پس انتشار خطا آموزش داده شده بود، استفاده شد. دقت مدل نهایی در برآورد وزن شترهای کلکوهی براساس ویژگی های تصویر آنها 99 درصد بود. ضریب همبستگی بین وزن تخمینزده شده با مدل شبکه عصبی مصنوعی و وزن واقعی شترها 98 درصد و انحراف وزن تخمینزده شده از وزن واقعی شترها 2.21 کیلوگرم بود. نتایج این تحقیق نشان داد که فناوری پردازش دیجیتال ظرفیت خوبی برای تخمین وزن شترهای کلکوهی دارد و این روش میتواند جایگزین مناسبی برای وزنکشی شترها با استفاده از باسکول باشد.
Afolayan R.A., Adeyinka I.A. and Lakpini C.A.M. (2006). The estimation of live weight from body measurements in Yankasa sheep. Czech J. Anim. Sci. 51(8), 343-348.
Alvarez J.R., Arroqui M., Manqude P. and Toloz J. (2017). Advances in automatic detection of body condition score of cows: A mini review. J. Dairy. Vet. Anim. Res. 5(4), 131-133.
Anglart D. (2010). Automatic estimation of body weight and body condition score in dairy cows using 3 d imaging technique, MS Thesis. Swedish University of Agricultural Sciences, Uppsala, Sweden.
Atta M. and el-Khidir O.A. (2004). Use of heart girth wither height and scapuloischial length for prediction of live weight of Nilotic sheep. Small Rumin. Res. 55(1), 233-237.
Bozkurt Y., Aktan S. and Ozkaya S. (2006). Body weight prediction using digital image analysis for slaughtering beef cattle. Pp. 313 in Proc. 57th EAAP Conf, Antalya, Turkey.
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 02/2004. Applied Management and Computing Division, Lincoln University, Canterbury, New Zealand.
Cihan P., Gokce E. and Kalipsiz O. (2017). A review of machine learning application in veterinary field. Kafkas Univ. Vet. Fak. Derg. 23(4), 673-680.
Forbes K. (2000). Calibration, recognition, and shape from silhouettes of stones. MS Thesis. University of Cape Tow, 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. J. Anim. Sci. 94(12), 5414-5422.
Khojastehkey M., Abbasi M.A., Akbari Sharif A. and Hassani A.M. (2016). Estimating the weight of new born lambs using digital images processing. Anim. Sci. J. (Pajouhesh and Zazandegi). 29(112), 99-104.
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. J. Appl. Anim. Res. 44(1), 326-330
Kuria S.G., Wahome R.G., Gachuiri C., Wanyoike M. and Mwangi J.N. (2007). Use of linear body measurements in estimating live weight of camel (Camelus dromedarius) calves in Kenya. J. Camel Pract. Res. 14, 21-25.
Lasfeto D.B. and DaudLetik M. (2017). A measuring weight model of Timor's beef cattle based on image. Int. J. Eng. Technol. 9(2), 677-688.
Menhaj M.B. (2012). Computational Intelligence Fundamentals of Neural Networks. Amir Kabir University of Technology Publishing Center, Tehran, Iran.
Miller S. (2010). Genetic improvement of beef cattle through opportunities in genomics. Rev. Bras. Zootec. 39, 247-255.
Negretti P., Bianconi G., Bartocci S. and Terramoccia S. (2007a). Lateral trunk surface as a new parameter to estimate live body weight by visual image analysis. Italian J. Anim. Sci. 6, 1223-1225.
Negretti P., Bianconi G. and Finzi A. (2007b). Visual image analysis to estimate the morphological and weight measurement in Rabbits. World Rabbit Sci. 15, 37-41.
Norouzian M.A. and Vakili M. (2016). Comparison of artificial neural network and multiple regression to estimate fat tail weight of sheep. Iranian J. Appl. Anim. Sci. 4(6), 895-900.
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. Arch. Tierz. Dummerstorf. 2, 120-128.
Seo K.W., Kim H.T., Lee D.W. and Yoon Y.C. (2011). Image processing algorithms for weight estimation of dairy cattle. J. Biosyst. Eng. 36(1), 48-57.
SPSS Inc. (2011). Statistical Package for Social Sciences Study. SPSS for Windows, Version 20. Chicago SPSS Inc., USA.
Stajnko D., Vindiš P., Janžekovič M. and Brus M. (2008). Estimation of bull live weight through thermographically measured body dimensions. Comput. Electr. Agric. 61(2), 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 J. Elec. Eng. Comput. Sci. 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. J. Biosyst. Eng. 100, 117-125.
Wangchuk K., Wangdi J. and Mindu M. (2017). Comparison and reliability of techniques to estimate live cattle body weight. J. Appl. Anim. Res. 46, 349-352.
Zhang L.N., Pei Wu B., Hua Jiang C.X., Xuan C.Z., Hua Ma E.Y., and An Zhang F.Y. (2018). Development and validation of a visual image analysis for monitoring the body size of sheep. J. Appl. Anim. Res. 46(1), 1004-1015.
