زیست سنجی شترهای یک کوهانه با استفاده از فن آوری ماشین بینایی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قم، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران

2 مربی بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قم، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران.

3 پژوهشگر بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قم، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران.

4 موسسه تحقیقات علوم دامی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران.

5 پژوهشگر، بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان یزد، سازمان تحقیقات، آموزش و ترویج کشاورزی، یزد، ایران.

چکیده

سابقه و هدف : سنجش ابعاد بدن در دام‌های اهلی برای اندازه‌گیری ویژگی‌هایی نظیر وزن، ارزیابی تیپ و نمره بدنی حیوان استفاده می شود. در دام‌های اهلی مهمترین اندازه های خطی بدن شامل ارتفاع شانه، دور سینه، عمق سینه، طول بدن، استخوان پیشانی، ارتفاع کپل، فاصله بین چشم ها، طول گوش، عرض گوش و طول دم است. اغلب این اندازه‌ها با وزن زنده و برخی صفات تولیدی دام‌های اهلی ارتباط دارد. به عنوان مثال نتایج بسیاری از مطالعات نشان می‌دهد که دور سینه، طول بدن، عرض لگن و ارتفاع شانه مناسب‌ترین و مطمئن‌ترین ویژگی‌ها برای تخمین وزن زنده دام است. در مطالعات اخیر از ویژگی‌های تصاویر دیجیتال در شرایط خاص برای تخمین اندازه های بدنی دام‌های اهلی استفاده شده است. مبنای عمل این اندازه‌گیری ها استفاده از فن آوری یادگیری ماشین است و در حال حاضر در مورد برخی دام‌ها نظیر گاوهای شیری آزمایش شده است، لذا این تحقیق با هدف بررسی امکان استفاده از فن آوری ماشین بینایی به منظور تخمین ابعاد بدن شتر‌های یک کوهانه انجام شد.
مواد و روش ها : این تحقیق در سال 1395 تا 1396 روی شترهای یک کوهانه در یکی از گله های پرورش شتر در استان قم انجام شد. گله مورد مطالعه شامل 9 نفر شتر ماده بالغ یک شتر لوک بالغ و 11 نفر بچه شتر 2 تا 12 ماهه بود که در ماه های بعد و با شروع زایش ها تعداد 5 بچه شتر نوزاد در گله متولد شد. ابعاد بدن بچه شترهای موجود در گله و شترهای بالغ هر ماه یک مرتبه ثبت شد و همزمان تصاویر دیجیتال از فاصله ثابت (2 متری) از هر یک از شترها تهیه گردید. بطور کلی در این مطالعه در مجموع 203 رکورد از شترهای موجود در سنین مختلف اندازه‌گیری شد. هر عکس ابتدا به رایانه منتقل شد و سپس برخی ویرایش های لازم جهت بهتر شدن کیفیت عکس انجام شد. برخی خصوصیات عددی هر تصویر با استفاده از توابع تعریف شده در محیط گرافیکی نرم‌افزار متلب استحصال شد و در نهایت تعداد 22 خصوصیت مختلف از خصوصیات شکل‌شناسی از تصاویر شترها استخراج گردید. خصوصیاتی که با صفات زیست سنجی شتر ارتباط بیشتری داشتند، با استفاده از ضریب همبستگی پیرسون انتخاب شدند. داده کاوی اطلاعات با هدف کشف ارتباط ریاضی بین خصوصیات استخراج شده حاصل از یک تصویر با خصوصیات مرتبط با ابعاد بدن شتر‌ها با استفاده از ابزار شبکه عصبی مصنوعی نرم-افزار متلب انجام شد. برای تخمین ابعاد بدن شتر‌ها از ابزار "تخمین مقادیر" نرم‌افزار متلب استفاده شد. شبکه عصبی پیش بینی شده از نوع "شبکه عصبی پیش خور" بود که با الگوریتم "پس انتشار خطا" آموزش داده شد.
یافته ها : ویژگی‌های قطر معادل، طول محور اصلی، طول محور فرعی، جعبه محاطی، مساحت قسمت محدب، مساحت ناحیه پرشده، محیط تصویر، مساحت تصویر و تعداد نقاط سفید تصویر با ابعاد بدنی شتر‌ها همبستگی بالا و معنی‌داری داشته (05/0p <) و به عنوان ویژگی‌های مؤثر در طراحی شبکه عصبی مورد استفاده قرار گرفتند. دقت مدل‌ها در تخمین ابعاد بدن از روی تصاویر دیجیتال با استفاده از شبکه عصبی مصنوعی و پردازش تصویر برای طول بدن، ارتفاع شانه و ارتفاع کپل به ترتیب 98/0، 96/0 و 96/0 برآورد شد.
نتیجه گیری : استفاده از پردازش تصویر و شبکه عصبی مصنوعی یا سایر ابزارهای داده کاوی می تواند به عنوان یک جایگزین مناسب و دقیقی برای ارزیابی‌های انسانی باشد و به صرفه جویی در وقت و هزینه های مربوط به زیست سنجی دام‌های بزرگ بویژه شتر کمک کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Biometric measurement of one-humped camels using machine vision technology

نویسندگان [English]

  • Mahdi Khojastehkey 1
  • mohammad yeganehparast 2
  • Alireza Jafari Arvari 3
  • Nader Asadzadeh 4
  • Mohammad Khaki 5
1 Assistant professor, Animal science department, Qom Agricultural and natural research and education center, AREEO, Qom, Iran.
2 Instructor,Animal science department, Qom Agricultural and natural research and education center, AREEO, Qom, Iran.
3 رResearcher,Animal science department, Qom Agricultural and natural research and education center, AREEO, Qom, Iran.
4 Animal science research Institute, AREEO, Karaj, Iran.
5 Researcher, Animal science department, Yazd Agricultural and natural research and education center, AREEO, Yazd, Iran.
چکیده [English]

Background and Objectives: Measuring the body dimensions in livestock is usually useful to predict the weight, grade and body score of animals. The shoulder height, chest circumference, chest depth, body length, forehead bone size, rump height, distance between eyes, ear length, and tail length are the most important body linear measurements in the livestock. Most of these dimensions are related to the live weight and some important traits of domestic animals. For example, the results of many studies indicated that the chest circumference, body length, pelvic width and shoulder height are the most appropriate and reliable parameters for estimating live weight of the animals. In recent studies, features of digital images have been used, in certain circumstances, to estimate body dimensions of domestic animals. The base of these measurements is the machine learning technology, and currently was tested on some livestock, such as dairy cattle. Therefore, this research was conducted to investigate the possibility of using machine vision technology in order to estimate body dimensions of one-humped camel.
Materials and methods: This research was conducted on one-humped camel in a privative camel breeding herd at Qom province. The studied herd originally consisted of 9 adult mature camels, one an adult luck and 11 pedigree camels from 2 to 12 months old of age. In the following months, five baby camels were born in the herd. The body dimensions of all camels were monthly recorded, and in the same time, digital images were captured from camels regarding a constant distance (2 meters). In this study, a total of 203 biometric records of camels at different ages were measured.
Each photo was first transferred to a computer, and some edits were made to improve it's quality. Twenty two morphological features from each image were extracted using defined functions of graphical user interface of MATLAB. The characteristics that were more relevant to the biometric measurement of camels were selected using Pearson correlation coefficient by SPSS software. The data mining process with the aim of discovering mathematical relationship between extracted features of digital images and body dimensions of camels was done using a feed forward neural network which was trained by the "back propagation algorithm" in MATLAB software.
Results: Some extracted features including equivalent diameter, major axis length, minor axis length, bounding box, convex area, filled area, area ,perimeter and the number of non zero points in digital images had high and significant correlation (p < 0.01) with body dimensions of camels. These features were used as effective input to design the artificial neural network. Accuracy of the artificial neural network models to estimate body length, shoulder height, and hip height of one-humped camels were 0.98, 0.96 and 0.96, respectively.
Conclusion: The use of image processing and artificial neural network or other data mining tools can be considered as an appropriate and accurate alternative to human assessments, and help to save the time and expense associated with the biometry of large livestock, especially camels.

کلیدواژه‌ها [English]

  • Camel
  • Biometric
  • Image processing
  • Artificial neural network
Abegaz, S. and Awgichew, K. 2009. Estimation of weight and age of sheep and goat. Ethiopia sheep and goat productivity improvement program. ESGPIP=.Ethiopia. Technical Bulletin. 23.
2.Atta, M. and el-Khidir, O.A. 2004. Use of heart girth withers height and scapula Ischial length for prediction of live weight of Nilotic sheep. Small Ruminant Research, 55(1): 233-237.
3.Bewley, J.M., Peacock, A.M., Lewis, O., Boyce, R.E., Roberts, D.J., Coffey, M.P.,   Kenyon, S.J. and Schutz, M.M. 2008. Potential for estimation of body condition scores in dairy cattle from digital images. Journal of  Dairy Science. 91: 3439-3453.
4.Chora, R.S. 2007. Image feature extraction techniques and their applications for CBIR and biometrics systems. International Journal of Biology and Biomedical Engineering, 1(1): 6-16.
5.Cihan, P., Gokce, E. and Kalipsiz, O. 2017. A review of machine learning application. In veterinary field. Kafkas University, Veterinary Faculty, Derg. 23(4): 673-680.
6.Fan, L. and Liu, Y. 2013. Automate fry counting using computer vision and multi-class least squares support vector machine. Aquaculture. 380: 91–98.
7.Fioretti, M., Negrini, R. and Biondi, A. 2012. A new tool for beef performance recording in Italy. http://www.icar.org/cork_2012/Manuscripts/Published/Fioretti.pdf.
8.Forbes, K. 2000. Volume estimation of fruit from digital profile images. M.Sc. dissertation, Department of Electrical Engineering, University of Cape Town.
9.Gomes, R.A., Monterio, G.R., Assis, G.J., Busato, K.C., Ladeira, M.M. and Chizzotti, M.L. 2016. Technical note. Estimating body weight and body composition of beef cattle through digital Image analysis. Journal of Animal Science. 94(12): 5414-5422.
10.Hao, M., Yu, H. and Li, D. 2015. The Measurement of Fish Size by Machine Vision-A Review. International Conference on Computer and Computing Technologies in Agriculture. 15-32.
11.Khojastehkey, M., Abbasi, M.A., Akbari Sharif, A. and Hassani, A.M. 2016. Body weight estimation of new born lambs using digital image processing. Journal of Animal Science (Pajuhesh and Sazandegi). 29 (112): 99-104.
12.Khojastehkey, M. Aslaminejad, A.A. shariati, M.M. and Dianat, R. 2015. Body size estimation of new born lambs using image processing and its effect on the genetic gain of a simulated population. Journal of Applied Animal Research. 44: 326-333.
13.Monhaj, M.B. 2012. Computational intelligence Basic of Artificial Networks. First edition. Amir Kabir University Press. (In Persian).
14.Negretti, P., Bianconi, G., Bartocci, S. and Terramoccia, S. 2007. Lateral Trunk Surface as a new parameter to estimate live body weight by Visual Image Analysis. Italian Journal of Animal Science. 6:1223-1225.
15.Negretti, P., Bianconi, G. and Finzi, A. 2007. Visual image analysis to estimate the morphological and weight measurement in Rabbits. World Rabbit Science. 15: 37– 41.
16.Onder, H., Arl, A., Ocak, S., Eker, S. and Tufekci, H. 2011 .Use of Image Analysis in Animal Science. Journal of Information Technology in Agriculture, 1: 1-4.
17.Ozkaya, S. 2012. The prediction of live weight from body measurements on female Holstein calves by digital image analysis. Journal of Agricultural Research. 151(4): 570-576.
18.Petersen, M.E., de Ridder, D. and Handels, H. 2002. Image processing with neural networks: a review. Pattern Recognition, 35: 2279–2301.
19.Salau, J., Haas, J., Junge, W., Bauer, U., Harms, J. and Bieletzki, S. 2014. Feasibility of automated body trait determination using the SR4K time-of-flight camera in cow barns. Springer Plus. 3: 225.
20.Shelley, A.N. 2016. Incorporating machine vision in precision dairy farming technologies. PhD dissertation, College of Engineering, University of Kentucky.
21.Tasdemir, S., Urkmez,A. and Inal,S. 2011. A fuzzy rule-based system for predicting the live weight of Holstein cows whose body dimensions were determined by image analysis. Turkish Journal of Electronic Engineering and Computer Science. 19(4): 689-703.
22.Vilarrasa, E.R., Bünge, L., Brotherstone, S., Macfarlane, J.M., Lambe, N.R., Matthews, K.R., Haresign, W. and Roehe, R. 2010. Genetic parameters for carcass dimensional measurements from Video Image Analysis and their association with conformation and fat class scores. Journal of Livestock Science. 128: 92-100.
23.Wang, Y., Yang,W., Winter, P. and Walker, L. 2008. Walk-through weighing of pigs using machine vision and an artificial neural network. Bio systems Engineering, 100: 117–125.
24.Yudkowsky,  E. 2008. Artificial Intelligence as a Positive and Negative Factor in Global Risk. NewYork: Oxford University Press. 303: 184