مقایسه آلگوریتم های آموزشی شبکه عصبی مصنوعی در برآورد وزن گوسفندان کردی با استفاده از خصوصیات تصاویر دیجیتال
- سال انتشار: 1401
- محل انتشار: فصلنامه پژوهشهای تولیدات دامی، دوره: 13، شماره: 37
- کد COI اختصاصی: JR_RAP-13-37_018
- زبان مقاله: فارسی
- تعداد مشاهده: 132
نویسندگان
Faculty member of Qom Agriculture and Natural Resources Research and Education Center
Faculty member of Khorasan Razavi Agricultural and Natural Resources Research and Education Center
Agricultural Research Education And Extention Organization
چکیده
چکیده مبسوط مقدمه و هدف: انسان بهجهت خستگی، وقوع خطاهای ناخواسته، تاثیرپذیری از محیط و آسیبپذیری از رخدادهای طبیعی همواره در تشخیص های خود از محیط اطراف و یا موضوعات مختلف دچار اشتباهاتی می شود بطوری که برداشت افراد مختلف از یک واقعه واحد و منحصر بفرد ممکن است بسیار متفاوت و متنوع باشد. امروزه انسان با توسعه فناوری پردازش تصویر سعی دارد با استفاده از امکانات سخت افزاری و نرم افزاری و با کمک گرفتن از ویژگی های استخراج شده از تصاویر مربوط به اشیاء، گیاهان و حیوانات سرعت و دقت ارزیابی و تشخیص خود را در مورد پدیده های اطراف خود افزایش دهد و به این جهت فناوری جدیدی با عنوان پردازش تصویر را ایجاد نموده و آن را در ابعاد مختلف توسعه بخشیده است. مواد و روش ها: با هدف شناسایی بهترین آلگوریتم آموزش شبکه عصبی مصنوعی جهت تخمین وزن گوسفندان کردی با استفاده از پردازش تصاویر دیجیتال، تعداد بره ها و دام های بالغ در سنین مختلف موجود در ایستگاه اصلاح نژاد گوسفند استان خراسان شمالی، با استفاده از باسکول وزن کشی شدند. در هنگام وزنکشی، تصاویری از نمای جانبی دام ها با استفاده از دوربین دیجیتال و با رعایت فاصله ثابت تهیه و ثبت شد. با استفاده از رابط گرافیکی GUI نرم افزار متلب (نسخه R۲۰۱۰a) مراحل پردازش تصویر و استخراج خصوصیات عددی از تصاویر دام ها انجام شد. سپس سه نوع شبکه عصبی مصنوعی با استفاده از سه نوع آلگوریتم آموزشی مختلف شامل لونبرگ مارکوات، اسکیلد کانژوگیت گرادینت و آموزش بیزی آموزش داده شد. خصوصیات تصاویر به عنوان ورودی و وزن دام ها به عنوان خروجی در آموزش شبکه های مختلف مورد استفاده قرار گرفت و در نهایت دقت مدل ها در تخمین وزن مقایسه گردید. یافته ها: بر اساس نتایج، دقت شبکه های عصبی آموزش دیده با سه آلگوریتم مورد بررسی شامل اسکیلد کانژوگیت گرادینت، بیزی و لونبرگ مارکوات در تخمین وزن در مرحله آموزش بهترتیب ۹۱/۹۵، ۹۴/۷۴ و ۹۴/۳۴ درصد برآورد شد. در آزمون عملی که با ارائه ۲۰ تصویر بهعنوان تست به هر یک از مدلها انجام شد، شبکه آموزش دیده با آلگوریتم اسکیلد کانژوگیت گرادینت با خطای ۴/۷ درصد، شبکه بیزین با خطای ۰/۵ درصد و شبکه لونبرگ مارکوات با خطای ۲/۱۱ درصد وزن را از روی تصاویر دیجیتال آنها تخمین زدند. هر سه نوع آلگوریتم از دقت کافی برای تخمین وزن برخوردار بوده و در این بین دقت شبکه عصبی مصنوعی آموزش دیده با آلگوریتم بیزی بیش از دو مدل دیگر بود. نتیجه گیری: عملکرد روش پیشنهادی بر مبنای پردازش تصویر و استفاده از شبکه عصبی مصنوعی از دقت کافی برای تخمین وزن گوسفندان کردی برخوردار بوده و در این بین مدل طراحی شده بر مبنای آلگوریتم آموزش بیزی نسبت به دو آلگوریتم آموزشی لونبرگ مارکوات و اسکیلد کانژوگیت گرادینت از کارایی بهتری برخوردار بود. بر اساس نتایج مطالعه حاضر توسعه اپلیکیشن هایی بر مبنای استفاده از هوش مصنوعی برای توزین دام های اهلی کاملا امکان پذیر بوده و استفاده از آنها در مواقع متعددی که امکان دسترسی سریع و آسان به ترازو وجود ندارد، پیشنهاد می شود.کلیدواژه ها
Accuracy of model, Artificial Neural Network, Image processing, Kurdi sheep, Weight estimation, پردازش تصویر, تخمین وزن, دقت مدل, شبکه عصبی مصنوعی, گوسفند کردیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.