كليدواژه :
بينايي ماشين , تخممرغ نطفه‌دار , طبقه‌بندي , شبكه‌هاي عصبي , ماشين بردار پشتيبان
چكيده فارسي :
در اين پژوهش يك سامانه تشخيص گر باروري تخممرغ ارائه شده است. اين سامانه شامل دو بخش سخت افزاري و نرم افزاري است. سخت افزار ساخته‌شده امكان تصويربرداري دقيق از محتوي درون تخممرغ ها بدون آسيب رساني به نطفه يا جنين داخل آنها را فراهم مي‌كند. بخش نرم افزاري نيز عبارتست از مجموعه اي از فرايندهاي پردازش تصوير و بينايي ماشين كه بدون حساسيت به تصاوير تخم مرغ‌هاي مختلف (به‌عنوان مثال با ضخامت پوسته متفاوت) قادر به شناسايي نطفه درون آنها است. براي جداسازي تخم مرغ هاي نطفه‌دار و بدون نطفه، دو نوع طبقه بند شبكه عصبي و ماشين بردار پشتيبان طراحي و مورد مطالعه قرار گرفته است. براي ارزيابي سامانه، يك بانك تصاوير مشتمل بر 1200 تصوير از تخم مرغ هاي قرار داده شده در فرايند جوجه‌كشي تهيه شده است. آزمايش‌هاي جامعي بر روي اين بانك تصاوير انجام گرفته، كه نتايج آنها مؤيد عملكرد بسيار مناسب سامانه است. در ارزيابي هاي انجام‌شده براي مقايسه كارايي دو طبقه بند، نشان داده شده است كه طبقه بند ماشين بردار پشتيبان با ميانگين دقت تشخيص %50/57، %83/67، %94/20، %98/03 و %98/91 به ترتيب در روزهاي نخست، دوم، سوم، چهارم و پنجم فرايند جوجه كشي از كارايي بهتري نسبت به طبقه بند شبكه عصبي برخوردار است و همچنين حساسيت بسيار كمتري در برابر كاهش تعداد نمونه هاي آموزشي از خود نشان داده است.
چكيده لاتين :
In this research, a system is proposed for detecting fertility of eggs. The system is composed of two parts: hardware and software. The fabricated hardware provides a platform to obtain accurate images from inner side of the eggs, without harming their embryos. The software part includes a set of image processing and machine vision processes, which is able to detect the fertility of eggs from captured images, without any sensitivities to different types of eggs (e.g. with different thickness of the eggshell). In order to classify the fertile and infertile eggs, two classifiers based on Artificial Neural Networks (ANN) and Support Vector Machines (SVM) are designed and tested. It means that, to have a fully automatic fertility detection machine, we design two machine learning approaches using SVMs and ANNs to classify fertile and infertile eggs. That is, instead of using a predefined threshold values for distinguishing fertile pixels of egg images from infertile ones, we try to train the machine to do the job automatically. After training the machine using both classification algorithms, the performance of them are accurately investigated and measured in order to select the appropriate one. To evaluate the system, an egg image dataset is provided including 1200 images captured from incubated eggs. Extensive experiments are performed using the provided dataset, which confirm the reliable performance of the system. Comparisons with other fertility detection approaches applying different methods and algorithms confirm that the proposed machine outperforms more complex systems. Performance evaluations of the two proposed classifiers confirm that the SVM based classifier, with average detection accuracy of 50.57% at day 1 of incubation, 83.67% at day 2, 94.20% at day 3, 98.03% at day 4, and 98.91% at day 5, performs better than ANN based classifier, and it is also less sensitive against the reductions in training samples, which can be a serious issue when we are not able to provide more training samples.
