پایش هوشمند رفتار جوجه ها در مزارع پرورش طیور با استفاده از یادگیری عمیق
محل انتشار: مجله مکانیزاسیون کشاورزی، دوره: 10، شماره: 3
سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 15
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JAMTB-10-3_003
تاریخ نمایه سازی: 15 دی 1404
چکیده مقاله:
تولید طیور نقش حیاتی در تامین پروتئین مقرون به صرفه برای تغذیه جمعیت رو به رشد جهان دارد. مدیریت بهینه مرغداری ها یکی از عوامل کلیدی در تولید موثر و با کیفیت گوشت طیور به شمار می رود. پراکنش مکانی جوجه های گوشتی می تواند به عنوان یک شاخص مدیریتی برای شناسایی سلامت یا مشکلات موجود در گله عمل کند. در حال حاضر، بازرسی های متعدد روزانه توزیع جوجه ها در مرغداری ها به صورت دستی انجام می شود که این فرایند نه تنها زمان بر و طاقت فرسا است، بلکه مستعد خطاهای انسانی نیز می باشد. روش های بینایی ماشین مبتنی بر هوش مصنوعی از جمله رویکردهایی هستند که قادرند چالش های ناشی از روش های دستی در سیستم های مدیریت مرغداری ها را برطرف کنند. در این تحقیق، یادگیری عمیق به عنوان یکی از شاخه های هوش مصنوعی با هدف تشخیص وضعیت جوجه ها مورد بررسی قرار گرفت. پس از تصویربرداری از نمای بالا از ۴۸ پن (محوطه نگهداری) در مرغداری تحقیقاتی دانشگاه تبریز، برخی پردازش های اولیه روی تصاویر اعمال شد. این اقدامات با هدف بهبود فرآیند آموزش و افزایش دقت مدل پیشنهادی انجام گرفت. در مرحله بعد، پس از بهبود و سفارشی کردن معماری مدل و اصلاح فرآیند آموزش، از نسخه سبک و کم حجم یولو نسخه ۱۱ کوچک که یکی از مدل های جدید و مطرح در حوزه یادگیری عمیق است، برای آموزش و ارزیابی وضعیت جوجه ها استفاده شد. استفاده از این مدل و نسخه مربوطه با هدف دستیابی به دقت بالا همراه با سرعت مناسب برای پردازش در زمان واقعی انجام شد. کاهش تدریجی اتلاف در روند آموزش و اعتبارسنجی مدل ارائه شده، نشان دهنده دستیابی مدل به تعادل و آموزش بهینه بود. مدل یولو نسخه ۱۱ کوچک با دستیابی به میانگین دقت متوسط ۹۰% (mAP ۰.۵) توانست عملکرد قابل توجهی در شناسایی رفتار جوجه ها ارائه دهد. به ویژه، در تشخیص رفتار خوردن با دقت %۹۹ و نوشیدن با دقت %۸۹ عملکرد مطلوبی داشت. با این حال، دقت پایین تر در شناسایی رفتار معمولی (%۸۲) عمدتا ناشی از برچسب گذاری ناکافی این رفتار بود. به طور کلی، نتایج نشان داد که یولو نسخه ۱۱ کوچک با ایجاد تعادل میان دقت و سرعت، گزینه ای کارآمد برای پایش زمان واقعی رفتار جوجه ها در سیستم های مدیریت هوشمند مرغداری محسوب می شود.
کلیدواژه ها:
نویسندگان
حسین اختری
گروه مهندسی بیوسیستم - دانشکده کشاورزی- دانشگاه تبریز - تبریز - ایران
حسین نوید
عضو هیات علمی/دانشگاه تبریز
اباصلت بذرافشان
گروه مهندسی بیوسیستم - دانشکده کشاورزی- دانشگاه تبریز - تبریز - ایران
مجید علیایی
گروه علوم دامی – دانشکده کشاورزی - دانشگاه تبریز - تبریز - ایران
علی غفارنژاد
گروه مهندسی بیوسیستم - دانشکده کشاورزی- دانشگاه تبریز - تبریز - ایران