استفاده از فن آوري بينايي ماشين براي تخمين وزن جوجه‌هاي گوشتي

The feasibility of using machine vision technology to estimate the weight of broiler chickens

اين مطالعه با هدف بررسي امكان استفاده از فناوري بينايي ماشين براي تخمين وزن جوجه هاي گوشتي انجام شد. تعداد 600 قطعه جوجه سويه راس در شرايط استاندارد براي يك دوره 42روزه پرورش يافت. در فواصل زماني مشخص(7 روز يكبار)، 60 قطعه جوجه از مجموع 600 قطعه به تصادف انتخاب و با ترازوي مناسب وزن كشي شد. در روز وزن كشي همزمان از جوجه ها تصاوير ديجيتال تهيه شد(بصورت انفرادي و در گروه هاي 2، 3 و 4 تايي). تصاوير ديجيتال جوجه ها ابتدا پيش پردازش اوليه شده و تبديلات لازم روي عكس ها انجام و با طراحي الگوريتم مناسب خصوصيات مورد نياز از تصاوير استخراج گرديد. از اين خصوصيات براي طراحي مدل شبكه عصبي جهت تخمين وزن جوجه ها استفاده شد. ضريب همبستگي بين ويژگي هاي استخراج شده از تصاوير شامل طول محور اصلي، طول محور فرعي ، جعبه محاطي، مساحت قسمت محدب،مساحت ناحيه پرشده، محيط تصويرو مساحت تصوير با وزن زنده جوجه ها به ترتيب 92/0، 93/0، 53/0، 99/0، 99/0، 94/0و 99/0 برآوردشد(01/0p<). شبكه عصبي پرسپترون چند لايه كه با الگوريتم پس انتشار خطا آموزش ديد، با تعداد 22 نرون در لايه ورودي، 20 نرون در لايه مياني و يك نرون در لايه خروجي بالاترين دقت (99%) را در تخمين وزن زنده جوجه هاي گوشتي در مقاطع مختلف زماني ارائه داد. نتايج بررسي حاضر نشان داد كه امكان استفاده از پردازش تصاوير و شبكه عصبي مصنوعي به عنوان يك ابزار مناسب و كارآمد براي تخمين وزن جوجه‌هاي گوشتي در طول دوره پرورش وجود دارد.

This research was conducted to investigate the feasibility of estimating the weight of broiler chicks using machine vision technology. 600 Ross broiler chicks were reared under standard conditions for a 42-day period. At selected intervals (7 days), 60 birds from a total of 600 chicks were randomly selected and weighed individually using the appropriate scale. At the same times, digital images were captured individually and in groups 2, 3 and 4 of birds. The digital images were initially preprocessed and the necessary changes were made on the photos and required features were extracted from images by designing an appropriate algorithm, and these features were used to design the neural network to estimate the body weight of chicks. The correlation coefficient between the extracted features of digital images including the Major axis length, Minor axis length, Bonding box, Convex Area, Filled area, Perimeter and Area of the image with live weight of the chicks were 0/92, 0/93, 0/53, 0/99, 0/99, 0/94, and 0/99 respectively (p <0.01). A Multilayer perceptron neural network, which was trained with back propagation learning algorithm, containing 22 neurons in the input layer, 20 neurons in the mid layer and one neuron in the output layer presented the highest accuracy(99%) to estimate the weight of broiler chicks at different ages. The results of this study showed that there is a possibility of using image processing and artificial neural network as an appropriate and efficient tool to estimate the weight of broiler chicks during the breeding period.