مقايسه آلگوريتم هاي آموزشي شبكه عصبي مصنوعي در برآورد وزن گوسفندان كردي با استفاده از خصوصيات تصاوير ديجيتال

مقدمه و هدف: انسان به جهت خستگي، وقوع خطاهاي ناخواسته، تاثير پذيري از محيط و آسيب پذيري از رخدادهاي طبيعي همواره در تشخيص هاي خود از محيط اطراف و يا موضوعات مختلف دچار اشتباهاتي مي شود بطوري كه برداشت افراد مختلف از يك واقعه واحد و منحصر بفرد ممكن است بسيار متفاوت و متنوع باشد.  امروزه انسان با توسعه فناوري پردازش تصوير سعي دارد با استفاده از امكانات سخت افزاري و نرم افزاري و با كمك گرفتن از ويژگي هاي استخراج شده از تصاوير مربوط به اشياء، گياهان و حيوانات سرعت و دقت ارزيابي و تشخيص خود را در مورد پديده هاي اطراف خود افزايش دهد و به اين جهت فناوري جديدي با عنوان پردازش تصوير را ايجاد نموده و آن را در ابعاد مختلف توسعه بخشيده است. مواد و روش ها: با هدف شناسايي بهترين آلگوريتم آموزش شبكه عصبي مصنوعي جهت تخمين وزن گوسفندان كردي با استفاده از پردازش تصاوير ديجيتال، تعداد بره ها و دام هاي بالغ در سنين مختلف موجود در ايستگاه اصلاح نژاد گوسفند استان خراسان شمالي، با استفاده از باسكول وزن كشي شدند. در هنگام وزن كشي، تصاويري از نماي جانبي دام ها با استفاده از دوربين ديجيتال و با رعايت فاصله ثابت تهيه و ثبت شد. با استفاده از رابط گرافيكي GUI نرم افزار متلب (نسخه R2010a) مراحل پردازش تصوير و استخراج خصوصيات عددي از تصاوير دام ها انجام شد. سپس سه نوع شبكه عصبي مصنوعي با استفاده از سه نوع آلگوريتم آموزشي مختلف شامل لونبرگ ماركوات، اسكيلد كانژوگيت گرادينت و آموزش بيزي آموزش داده شد. خصوصيات تصاوير به عنوان ورودي و وزن دام ها به عنوان خروجي در آموزش شبكه هاي مختلف مورد استفاده قرار گرفت و در نهايت دقت مدل ها در تخمين وزن مقايسه گرديد. يافته ها: بر اساس نتايج، دقت شبكه هاي عصبي آموزش ديده با سه آلگوريتم  مورد بررسي شامل اسكيلد كانژوگيت گرادينت، بيزي و لونبرگ ماركوات در تخمين وزن در مرحله آموزش به ترتيب 91/95، 94/74 و 94/34 درصد برآورد شد. در آزمون عملي كه با ارائه 20 تصوير به عنوان تست به هر يك از مدل ها انجام شد، شبكه آموزش ديده با آلگوريتم اسكيلد كانژوگيت گرادينت با خطاي 4/7 درصد، شبكه بيزين با خطاي 0/5 درصد و شبكه لونبرگ ماركوات با خطاي 2/11 درصد وزن را از روي تصاوير ديجيتال آن ها تخمين زدند. هر سه نوع آلگوريتم  از دقت كافي براي تخمين وزن برخوردار بوده و در اين بين دقت شبكه عصبي مصنوعي آموزش ديده با آلگوريتم بيزي بيش از دو مدل ديگر بود. نتيجه گيري: عملكرد روش پيشنهادي بر مبناي پردازش تصوير و استفاده از شبكه عصبي مصنوعي از دقت كافي براي تخمين وزن گوسفندان كردي برخوردار بوده و در اين بين مدل طراحي شده بر مبناي آلگوريتم آموزش بيزي نسبت به دو آلگوريتم آموزشي لونبرگ ماركوات و اسكيلد كانژوگيت گرادينت از كارايي بهتري برخوردار بود. بر اساس نتايج مطالعه حاضر توسعه اپليكيشن هايي بر مبناي استفاده از هوش مصنوعي براي توزين دام هاي اهلي كاملا امكان پذير بوده و استفاده از آنها در مواقع متعددي كه امكان دسترسي سريع و آسان به ترازو وجود ندارد، پيشنهاد مي شود.