دوره 14، شماره 3 - ( 9-1396 )                   جلد 14 شماره 3 صفحات 97-112 | برگشت به فهرست نسخه ها


XML English Abstract Print


استادیار دانشگاه شهید مدنی آذربایجان
چکیده:   (761 مشاهده)

در این پژوهش یک سامانه تشخیص­گر باروری تخم­مرغ ارائه شده است. این سامانه شامل دو بخش سخت­افزاری و نرم­افزاری است. سخت‌افزار ساخته‌شده امکان تصویربرداری دقیق از محتوی درون تخم‌مرغ­ها بدون آسیب­رسانی به نطفه یا جنین داخل آنها را فراهم می‌کند. بخش نرم­افزاری نیز عبارتست از مجموعه­ای از فرایندهای پردازش تصویر و بینایی ماشین که بدون حساسیت به تصاویر تخم‌مرغ‌های مختلف (به‌عنوان مثال با ضخامت پوسته متفاوت) قادر به شناسایی نطفه درون آنها است. برای جداسازی تخم­مرغ­های نطفه‌دار و بدون نطفه، دو نوع طبقه­بند شبکه عصبی و ماشین بردار پشتیبان طراحی و مورد مطالعه قرار گرفته است. برای ارزیابی سامانه، یک بانک تصاویر مشتمل بر 1200 تصویر از تخم‌مرغ­های قرار‌داده‌شده در فرایند جوجه‌کشی تهیه شده است. آزمایش‌های جامعی بر روی این بانک تصاویر انجام گرفته، که نتایج آنها مؤید عملکرد بسیار مناسب سامانه است. در ارزیابی­های انجام‌شده برای مقایسه کارایی دو طبقه­بند، نشان داده شده است که طبقه­بند ماشین بردار پشتیبان با میانگین دقت تشخیص %57/50، %67/83، %20/94، %03/98 و %91/98 به‌ترتیب در روزهای نخست، دوم، سوم، چهارم و پنجم فرایند جوجه­کشی از کارایی بهتری نسبت به طبقه­بند شبکه عصبی برخوردار است و همچنین حساسیت بسیار کمتری در برابر کاهش تعداد نمونه­های آموزشی از خود نشان داده است.
 

متن کامل [PDF 4935 kb]   (314 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش تصویر
دریافت: ۱۳۹۴/۱۱/۲۵ | پذیرش: ۱۳۹۵/۱۲/۱۵ | انتشار: ۱۳۹۶/۱۱/۹ | انتشار الکترونیک: ۱۳۹۶/۱۱/۹

فهرست منابع
1. [1] پوررضا، جواد، (1379). اصول علمی و عملی پرورش طیور. انتشارات دانشگاه صنعتی اصفهان.
2. [1] J. Pourreza, Theoretical and Practical Principles of Poultry: Isfahan University of Technology Press, 2000.
3. [2] صدقیان، امرالله، (1359). راهنمای مرغداری، صنعت پرورش طیور برای مرغداریهای صنعتی، خانگی، تفریحی، تزئینی.
4. [2] A. Sadaghiyan, Poultry guide, Poultry industry for industrial, household, recreational and decorative poultries, 1980.
5. [3] خجسته¬کی، مهدی، (1391). اصول جوجه کشی طیور. تهران، انتشارات مرز دانش.
6. [3] M. KhojastehKey, Principles of Poultry Incubation: Marze Danesh Press, 2012.
7. [4] مشیری، محمد، (1361). مرغداری، انتشارات اشرافی.
8. [4] M. Moshiri, Aviculture: Eshrafi Press, 1982. [PMID]
9. [5] فروزان مهر، سید احتشام الدین، حبیب الهی، مجتبی، علوی، سید ناصر، فروزان مهر، سید انتظام الدین، (1387). بررسی و انتخاب تخم مرغ های نابارور در مراحل جوجه کشی با استفاده از دید ماشین به منظور افزایش بازده در تولید جوجه های یک روزه. مجموعه مقالات پنجمین کنگره ملی مهندسی ماشین آلات کشاورزی و مکانیزاسیون، دانشگاه فردوسی مشهد.
10. [5] S. E. FroozanMehr, M. Habibollahi, S. N. Alavi, and S. E. FroozanMehr, "Investigation and selection of infertile eggs at incubation stages using machine vision in order to increase the efficiency of production of one-day-old chicks," presented at the 5th National Congress on Agricultural Machinery and Mechanization, Mashhad, Iran, 2008.
11. [6] زردادی محسن، مهرشاد ناصر. آشکارسازی عروق شبکیه چشم بر اساس مدل محاسباتی سلول ساده کورتکس اولیه بینایی. پردازش علائم و داده‌ها. ۱۳۹۵; ۱۳ (۱) :۱۲۷-۱۳۸.
12. [6] M. Zardadi and N. Mehrshad, "A New Approach to Retinal Vessel Segmentation by Using Computational Model of Simple Cells in Primary Visual Cortex," Signal and Data Processing, vol. 13, pp. 127-138, 2016.
13. [7] قضاوی، محمد علی، محمود محمودی، مائده طرفه نژاد، (1387). شناسایی ترک و آلودگی های تخم مرغ با استفاده از تکنیک های پردازش تصویر. پنجمین کنگره ملی مهندسی ماشین آلات کشاورزی و مکانیزاسیون، دانشگاه فردوسی مشهد.
14. [7] M. A. Ghazavi, M. Mahmoudi, and M. Torfehneghad, "Identification of cracks and egg contamination by using image processing techniques," presented at the 5th National Congress on Agricultural Machinery and Mechanization, Mashahd, Iran, 2008.
15. [8] W. Fang and W. Youxian, "Detecting preserved eggshell crack using machine vision," in Information Technology, Computer Engineering and Management Sciences (ICM), 2011 International Conference on, 2011, pp. 62-65. [DOI:10.1109/ICM.2011.391]
16. [9] Y. Han, J. Gao, and S. Zhang, "Research on the automatic detection system for cracked egg based on LabVIEW," in Measuring Technology and Mechatronics Automation (ICMTMA), 2010 International Conference on, 2010, pp. 190-193. [DOI:10.1109/ICMTMA.2010.670]
17. [10] R. Ibrahim, Z. M. Zin, N. Nadzri, M. Shamsudin, and M. Zaunidin, "Egg's Grade Classification and Dirt Inspection Using Image Processing Techniques," in Proceedings of the World Congress on Engineering, 2012.
18. [11] P. Javadikia, M. Dehrouyeh, L. Naderloo, H. Rabbani, and A. Lorestani, "Measuring the Weight of Egg with Image Processing and ANFIS Model," in Swarm, Evolutionary, and Memetic Computing. vol. 7076, B. Panigrahi, P. Suganthan, S. Das, and S. Satapathy, Eds., ed: Springer Berlin Heidelberg, 2011, pp. 407-416. [DOI:10.1007/978-3-642-27172-4_50]
19. [12] L. Peng, K. Tu, Z. Wei, and P. L. Qing, "MSEAES: An egg non-destructive detecting expert system based on multi-sensor fusion," in Computer Application and System Modeling (ICCASM), 2010 International Conference on, 2010, pp. V4-269-V4-273.
20. [13] Y. Usui, K. Nakano, and Y. Motonaga, "A study of the development of non-destructive detection system for abnormal eggs," in EFITA Conference. Debrecen. Hungary, 2003.
21. [14] F. Bamelis, K. Tona, J. De Baerdemaeker, and E. Decuypere, "Detection of early embryonic development in chicken eggs using visible light transmission," British poultry science, vol. 43, pp. 204-212, 2002. [DOI:10.1080/00071660120121409] [PMID]
22. [15] K. C. Lawrence, D. P. Smith, W. R. Windham, G. W. Heitschmidt, and B. Park, "Egg embryo development detection with hyperspectral imaging," in Optics East 2006, 2006, pp. 63810T-63810T-8. [DOI:10.1117/12.686303]
23. [16] L. Liu and M. Ngadi, "Detecting fertility and early embryo development of chicken eggs using near-infrared hyperspectral imaging," Food and Bioprocess Technology, vol. 6, pp. 2503-2513, 2013. [DOI:10.1007/s11947-012-0933-3]
24. [17] D. Smith, K. Lawrence, and G. Heitschmidt, "Fertility and embryo development of broiler hatching eggs evaluated with a hyperspectral imaging and predictive modeling system," International journal of poultry science, vol. 7, pp. 1001-1004, 2008.
25. [18] V. C. Patel, R. W. McClendon, and J. W. Goodrum, "Development and evaluation of an expert system for egg sorting," Computers and Electronics in Agriculture, vol. 20, pp. 97-116, 7// 1998.
26. [19] X. Deng, Q. Wang, H. Chen, and H. Xie, "Eggshell crack detection using a wavelet-based support vector machine," Computers and Electronics in Agriculture, vol. 70, pp. 135-143, 1// 2010.
27. [20] K. Das and M. Evans, "Detecting fertility of hatching eggs using machine vision. I. Histogram characterization method," Transactions of the ASAE (USA), 1992.
28. [21] K. Das and M. Evans, "Detecting fertility of hatching eggs using machine vision. II. Neural network classifiers," Transactions of the ASAE (USA), 1992.
29. [22] Z. Zhu and M. Ma, "The identification of white fertile eggs prior to incubation based on machine vision and least square support vector machine," African Journal of Agricultural Research, vol. 6, pp. 2699-2704, 2011.
30. [23] C.-S. Lin, P. T. Yeh, D.-C. Chen, Y.-C. Chiou, and C.-H. Lee, "The identification and filtering of fertilized eggs with a thermal imaging system," Computers and Electronics in Agriculture, vol. 91, pp. 94-105, 2// 2013.
31. [24] K. Zuiderveld, "Contrast limited adaptive histogram equalization," in Graphics gems IV, 1994, pp. 474-485.
32. [25] R. C. Gonzalez and R. E. Woods, "Book on "Digital image processing"," ed: Prentice-Hall of India Pvt. Ltd, 2005.
33. [26] E. Alpaydin, Introduction to machine learning: MIT press, 2014.
34. [27] G. Bradski and A. Kaehler, Learning OpenCV: Computer vision with the OpenCV library: " O'Reilly Media, Inc.", 2008.
35. [28] OpenCV. (2014). Available: http://sourceforge.net/projects/opencvlibrary/
36. [29] L. Fausett, Fundamentals of neural networks: architectures, algorithms, and applications: Prentice-Hall, Inc., 1994.
37. [30] R. O. Duda, P. E. Hart, and D. G. Stork, Pattern classification: John Wiley & Sons, 2012.
38. [31] V. N. Vapnik and V. Vapnik, Statistical learning theory vol. 1: Wiley New York, 1998.