پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,533 |
| تعداد مقالات | 70,506 |
| تعداد مشاهده مقاله | 124,126,065 |
| تعداد دریافت فایل اصل مقاله | 97,234,171 |
سیستم وزن‌کشی و علامتگذاری هوشمند در مرغداری، به کمک بینایی ماشین | ||
| مهندسی بیوسیستم ایران | ||
| دوره 51، شماره 4، اسفند 1399، صفحه 673-682 اصل مقاله (561.21 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2019.262047.665074 | ||
| نویسندگان | ||
| معراج رجایی* 1؛ مهدیه ایمان پناه2؛ مبینا آزادی2؛ محمدعلی سلیمانی3 | ||
| 1استادیار، دپارتمان برق و کامپیوتر،دانشکده شریعتی، دانشگاه فنی حرفه‌ای، استان تهران، ایران | ||
| 2مهندس تکنولوژی الکترونیک، دپارتمان مهندسی برق و کامپیوتر، دانشکده شریعتی، دانشگاه فنی حرفه‌ای استان تهران، ایران | ||
| 3دانشجوی دکتری دانشگاه امیر کبیر | ||
| چکیده | ||
| هدف از این پژوهش، تعیین وزن و انتخاب مرغها در بازه وزنی دلخواه با استفاده از بینایی ماشین میباشد. تصاویر توسط دوربین‌های رزبریپای گرفته شده و سپس با استفاده از برد رزبریپای3 پردازش شدهاند و در نهایت وزن تخمین زده شده است. از سیستم علامتگذاری نیز به منظور علامتگذاری مرغهای در بازه وزنی ایدهآل، کمک گرفته شد. بدین منظور تعداد 300 مرغ با نژاد راس، در 3 مرغداری توسط سیستم قابل حمل بررسی شدند و از حدود 500 عکس گرفته شده چهار ویژگی، طول، عرض، مساحت و محیط مرغها استخراج شد که با ترکیب ویژگیهای مساحت، طول و عرض، وزن مرغها محاسبه شد. همچنین درصد خطای هر یک نیزبه صورت جداگانه اندازهگیری شد. درصد خطای میانگین6٪ (حداقل درصد خطا 2٪ و حداکثر درصدخطا 12٪) نشان از توانایی پردازش تصویر در تعیین وزن مرغ دارد. همچنین جهت اطمینان از صحت کار سیستم، فضایی مشابه با مرغداری، با همان میزان نور و دما و خوراک و آب مورد نیاز مرغ طراحی گردید که تعداد 20 مرغ، در طول مدت 4 روز تحت بررسی قرار گرفتند، سپس مرغهای علامت خورده شده توسط ترازوی دیجیتال وزن شدند. در نهایت نتایج بدست آمده نشاندهنده دقت کامل سیستم و صحت روند پردازش تصویر و تعیین وزن بود. | ||
| کلیدواژه‌ها | ||
| بینایی ماشین؛ پردازش تصویر؛ مرغداری هوشمند؛ تعیین وزن؛ علامتگذاری | ||
| عنوان مقاله [English] | ||
| Intelligent Weighting and Marking System in Poultry, Based on Machine Vision | ||
| نویسندگان [English] | ||
| meraj rajaee1؛ mahdiye imanpanah2؛ mobina azadi2؛ mohammad ali soleimani3 | ||
| 1Assistant Professor, Department of Electrical and Computer Engineering, School of Shariaty, Technical University of Tehran Province, Iran | ||
| 2Electronics Technology Engineer, Department of Electrical and Computer Engineering, School of Shariaty, Technical University of Tehran Province, Iran | ||
| 3phd student amir kabir university | ||
| چکیده [English] | ||
| The goal of this investigation is weighting and selecting chickens in a determined weight by using machine vision. The images were taken by Raspberrypi cameras and then processed using the Raspberrypi 3 board, and finally the weight was estimated. The marking system was also used to mark chickens in the ideal weight range. For this purpose, 300 Rass chickens were examined in 3 poultry farms by a portable system and from about 500 pictures, 4 features were extracted: length, width, area and circumference. Chickens weight calculated with mixing features (length, width, area) that had been gained. Average percentage error of each one was also measured separately. Average percentage error in this system was 6% (minimum error percentage 2% and maximum error percentage 12%) that indicates the ability of image processing to determine the weight of the chicken. For check system accuracy, one place similar to poultry farms has designed with the same light, temperature, food and water for chickens, and they had access freely, they have been checked for 4 days, then marked chickens were putted up on a digital scale. Finally, the results showed the complete accuracy of the system and the accuracy of the image processing and weighting process | ||
| کلیدواژه‌ها [English] | ||
| Machine vision, Digital image processing, Determine weight, marking | ||
| مراجع | ||
|
Z.H.Pradana, B.Hidayat, S.Darana , beef cattle weight determine by using digital image processing(2016), in: international Conference on Control, Electronics, Renewable Energy and Communication. D.D.Burdescu,L.Stanescu,M.Brezovan,C.S.Spahiu,D.C.Ebanca(2016),A Method for Image Processing from Planar Color Images, In:IEEE-3rd International Conference on Control, Decision and Information Technologies, April 6-8, 2016,Malta V. Pereira, V.A.Fernandes, J.Sequeira(2014), Low Cost Object Sorting Robotic Arm using Raspberry Pi, In: 2014 IEEE GlobalHumanitation Technology, South Asia Satellite(GHTC-SAS),Sep 26-27,2014. S.Amraee, S.A.Mehdizadeh, S.Salari(2017), The system for estimating the weight of broiler chicks individually using image processing and multiple regression analysis, Journal of Biotechnology Engineering, 47(4),615-623.(In Farsi) M.Rajaee,M.Larimonfared(2012) Recognize eaten apple drop from healthy using Image Processing Techniques using MATLAB Software, In: The 15th Iranian Student Conference, August 28-30,2012, Kashan University, Isfahan, Iran. S.Viazzi, S.VanHoestenberghe, B. M.Goddeeris, &D. Berckmans, (2015) Automatic mass estimation of Jade perch Scortumbarcoo by computer vision. Aquacultural Engineering, 64, 42-48. Tillet, R.D., Onyango, C.M. &Marchant, J.A. (1997) Using model-based-image processing to track animal movements. Computers and Electronics in Agriculture, 17, 249-261 Schofield, C.P., Marchant, J.A., White, R.P., Brandl, N., & Wilson, M. (1999). Monitoring pig growth using a prototype imaging system. Journal of Agricultural Engineering Research, 72, 205–210. H.Bipembi, J. B. Hayfron-Acquah, Joseph K. Panford, Obed Appiah(2016),Calculation of Body Mass Index using Image Processing Techniques,International Journal of Artificial Intelligence and Mechatronics ,4(1),ISSN 2320 – 5121. M.Jafarlo, R.F.Teimorlo(2014),Estimation of apple volume and indentations, using image processing and neural network, Journal of Agricultural Machinery,4(1),57-64(In Farsi). M.Kashiha, C.Bahr, S.Ott, C. P.Moons, T. A. Niewold, F. O.Ödberg, & D. Berckmans, (2014). Automatic weight estimation of individual pigs using image analysis. Computers and Electronics in Agriculture, 107, 38-44. S.Tasdemir,A.Urkmez, &S.Inal(2011). Determination of body measurements on the Holstein cows using digital image analysis and estimation of live weight with regression analysis. Computers and electronics in agriculture, 76(2), 189-197. T. F.Cootes, C. J. Taylor,D. H. Cooper, & J. Graham(1995). Active shape models-their training and application. Computer vision and image understanding, 61(1), 38-59. Y.Wang, W.Yang, P.Winter, & L. Walker (2008) Walk-through weighing of pigs using machine vision and an artificial neural network. Biosystems Engineering, 100(1), 117-125. M.Saadat (2016), Chicken meat demand function in Iran. Economic Jurnal,11&12, 101_107(In Farsi). | ||
|
آمار تعداد مشاهده مقاله: 742 تعداد دریافت فایل اصل مقاله: 530 |
||