توسعه روش هاي جديد براي تخمين حجم و وزن تخم بلدرچين با استفاده از تكنيك هاي پردازش تصوير و شبكه عصبي

Develop New Methods for Volume and Weight Estimation of Quail Egg Using Image Processing and Neural Network Techniques

تخم بلدرچين، ماده غذايي غني از انواع ويتامين‌ها است كه قادر بوده مواد راديواكتيو را از بدن دفع نمايد و باعث دفع فلزات سنگين و مواد سرطان‌زا از ارگانيسم فرد ‌شود. جهت مكانيزه‌كردن مراحل آماده‌سازي آن بايد بتوان پارامترهاي كيفي آنرا با استفاده از تكنيك‌هاي كامپيوتري مدلسازي نمود. بنابراين در اين تحقيق با استفاده از تكنيك‌هاي پردازش تصوير خواص فيزيكي تخم بلدرچين استخراج شد، سپس حجم تخم‌ها با لايه بندي و دوران حول محور اصلي تعيين شد. در ضمن جهت تعيين وزن تخم‌ها يك مدل رگرسيوني چند متغيره و يك مدل عصبي ايجاد شد. نتايج حاصل از مدل‌ها و رو‌ش‌هاي پيشنهادي در اين تحقيق با مقادير واقعي و مدل‌هاي موجود (مدل Hoyt) مقايسه شد. در پايان تاثير سن، تغذيه و نور محيط مادرها بر روي پارامترهاي كيفي تخم بررسي شد. با مقايسه حجم واقعي تخم‌ها و مدل Hoyt، دقت 97% و با حجم محاسبه شده بروش تقسيم لايه‌اي تخم، دقت 100% حاصل شد كه اهميت روش تقسيم لايه‌اي تخم را بخوبي نشان مي‌دهد. با مقايسه مقادير واقعي وزن تخم‌ها با مدل Hoyt، دقت 83% ، با مدل چند متغيره، دقت 90% و با مدل عصبي، دقت 95% حاصل شد. مدل عصبي نه تنها دقت بهتري نشان داد بلكه اثر زمان تخمگذاري را هم در تخمين در نظر مي‌گرفت كه بسيار حايز اهميت است. از مقايسه نتايج پرورش بلدرچين‌ها مشخص شد، سن بلدرچين مادر در زمان تخمگذاري بر پارامترهاي كيفي تخم موثر است و تخم‌ بلدرچين‌هاي جوان‌تر شكل كروي‌تري دارند كه ممكن است از گسترش نيافتن رحم مادرها باشد. همچنين مشخص شد نحوه قرارگرفتن قفس مادرها از لحاظ دريافت نور، غذا و آب مناسب بر كيفيت تخم‌ها موثر است. بطوريكه تخم مادرهايي كه در بالاترين قفس‌ها قرار داشته و داراي نور و غذاي بهتري بودند داراي افزايش ابعاد و وزن معني‌داري بودند. اين نتايج بخوبي نشان مي دهد كه ادغام تكنيك هاي پردازش تصوير و شبكه عصبي مي تواند به مكانيزه كردن مراحل فراوري و آماده سازي تخم بلدرچين كمك كند.

The quail egg is a without cholesterol food and riches of different vitamins. This food expunges the radioactive particle and the carcinogen of human’s body. For mechanizing its preparation process, the quality parameters should be modeled with computer techniques. Therefore in this research, the image processing technique was used to determine the physical properties of quail egg, then egg volume was calculated by slicing each egg and rotating the slices around its main axis. Furthermore to determine the egg weight, a regression multi-variable model and a neural network model were developed. The results of suggested methods and models in this research were compared with real values and previous methods (Hoyt model). Finally, the influence of nutrition, ventilation and female quail age on quality parameters of eggs was determined. By comparing the real volume of eggs with the Hoyt model, accuracy was 97% and with the slices-rotation method, accuracy was 100% which well shows the importance of slices-rotation method. By comparing the real weight of eggs with the Hoyt model, accuracy was 83%, with the regression multi-variable model, accuracy was 90%, and with the neural network model, accuracy was 95%. The neural network model not only presented the egg weight with high accuracy but also considered the effect of laying time which is very important for the egg weight estimation. After comparing the results, it was shown that the nutrition, ventilation and female quail age influence egg quality. The eggs of younger females were limited to spherical geometry that may be due to the mother's womb not being expanded. Furthermore, the female quails in topper cages which had better nutrition and ventilation showed more weighting and sizing. These results show that coupled the image processing and artificial neural network techniques can help very well to mechanize the preparation process of quail egg.