مقایسه آلگوریتم های آموزشی شبکه عصبی مصنوعی در برآورد وزن گوسفندان کردی با استفاده از خصوصیات تصاویر دیجیتال

مقدمه و هدف: انسان به جهت خستگی، وقوع خطاهای ناخواسته، تاثیر پذیری از محیط و آسیب پذیری از رخدادهای طبیعی همواره در تشخیص های خود از محیط اطراف و یا موضوعات مختلف دچار اشتباهاتی می شود بطوری که برداشت افراد مختلف از یک واقعه واحد و منحصر بفرد ممکن است بسیار متفاوت و متنوع باشد.  امروزه انسان با توسعه فناوری پردازش تصویر سعی دارد با استفاده از امکانات سخت افزاری و نرم افزاری و با کمک گرفتن از ویژگی های استخراج شده از تصاویر مربوط به اشیاء، گیاهان و حیوانات سرعت و دقت ارزیابی و تشخیص خود را در مورد پدیده های اطراف خود افزایش دهد و به این جهت فناوری جدیدی با عنوان پردازش تصویر را ایجاد نموده و آن را در ابعاد مختلف توسعه بخشیده است.مواد و روش ها: با هدف شناسایی بهترین آلگوریتم آموزش شبکه عصبی مصنوعی جهت تخمین وزن گوسفندان کردی با استفاده از پردازش تصاویر دیجیتال، تعداد بره ها و دام های بالغ در سنین مختلف موجود در ایستگاه اصلاح نژاد گوسفند استان خراسان شمالی، با استفاده از باسکول وزن کشی شدند. در هنگام وزن کشی، تصاویری از نمای جانبی دام ها با استفاده از دوربین دیجیتال و با رعایت فاصله ثابت تهیه و ثبت شد. با استفاده از رابط گرافیکی gui نرم افزار متلب (نسخه r2010a) مراحل پردازش تصویر و استخراج خصوصیات عددی از تصاویر دام ها انجام شد. سپس سه نوع شبکه عصبی مصنوعی با استفاده از سه نوع آلگوریتم آموزشی مختلف شامل لونبرگ مارکوات، اسکیلد کانژوگیت گرادینت و آموزش بیزی آموزش داده شد. خصوصیات تصاویر به عنوان ورودی و وزن دام ها به عنوان خروجی در آموزش شبکه های مختلف مورد استفاده قرار گرفت و در نهایت دقت مدل ها در تخمین وزن مقایسه گردید. یافته ها: بر اساس نتایج، دقت شبکه های عصبی آموزش دیده با سه آلگوریتم  مورد بررسی شامل اسکیلد کانژوگیت گرادینت، بیزی و لونبرگ مارکوات در تخمین وزن در مرحله آموزش به ترتیب 91/95، 94/74 و 94/34 درصد برآورد شد. در آزمون عملی که با ارائه 20 تصویر به عنوان تست به هر یک از مدل ها انجام شد، شبکه آموزش دیده با آلگوریتم اسکیلد کانژوگیت گرادینت با خطای 4/7 درصد، شبکه بیزین با خطای 0/5 درصد و شبکه لونبرگ مارکوات با خطای 2/11 درصد وزن را از روی تصاویر دیجیتال آن ها تخمین زدند. هر سه نوع آلگوریتم  از دقت کافی برای تخمین وزن برخوردار بوده و در این بین دقت شبکه عصبی مصنوعی آموزش دیده با آلگوریتم بیزی بیش از دو مدل دیگر بود.نتیجه گیری: عملکرد روش پیشنهادی بر مبنای پردازش تصویر و استفاده از شبکه عصبی مصنوعی از دقت کافی برای تخمین وزن گوسفندان کردی برخوردار بوده و در این بین مدل طراحی شده بر مبنای آلگوریتم آموزش بیزی نسبت به دو آلگوریتم آموزشی لونبرگ مارکوات و اسکیلد کانژوگیت گرادینت از کارایی بهتری برخوردار بود. بر اساس نتایج مطالعه حاضر توسعه اپلیکیشن هایی بر مبنای استفاده از هوش مصنوعی برای توزین دام های اهلی کاملا امکان پذیر بوده و استفاده از آنها در مواقع متعددی که امکان دسترسی سریع و آسان به ترازو وجود ندارد، پیشنهاد می شود. 

comparison of artificial neural network training algorithms for predicting the weight of kurdi sheep using image processing

introduction and objective: due to weakness, the occurrence of unwanted errors, the impact of the environment and exposure to natural events, human always make mistakes in their diagnoses of the environment or different topics, so that different people ’s perception of a single and unique event may be very different and be diverse. nowadays, with the development of image processing technology, human beings try to evaluate the speed and accuracy of their evaluation and diagnosis about objects, plants and animals by using hardware and software facilities and by using the features extracted from images related to objects, plants and animals. to increase and therefore has created a new technology called image processing and has developed it in various dimensions.material and methods: in order to identify the best artificial neural network training algorithm for estimating the weight of kurdi sheep using digital image processing, lambs and adult animals at the sheep breeding station of north khorasan province were weighed using a scale. during the weighing, some digital images were taken from the side view of sheep using a digital camera by discerning fixed distance. image processing steps and feature extraction from images of sheep were done using gui of matlab (r2010a) software. then, three types of artificial neural networks were trained using different types of educational procedure, including levenberg marquarth (lm), scaled conjugate gradient (scg), and bayesian regularization (br) training algorithms. the extracted features from images were used as input and weight of sheep as output in the training steps of anns, and the accuracy of the ann models in estimating the weight of sheep was compared.results: as results, the accuracy of the trained anns with the three algorithms including scg, br and lm, in estimating the weight of sheep in the training phase was estimated to be 91.95, 94.74 and 94.94%, respectively. in the practical test, which was performed by presenting 20 images as a test to each ann models, the trained anns with the scg, br and lm algorithm had 4.7%, 0.5% and 2.11% error in estimating the weight. the results showed that all three types of ann training algorithms had acceptable accuracy to estimate the weight of sheep, meanwhile the accuracy of the artificial neural network trained with br algorithm was better than the others.conclusion: the performance of the proposed method based on image processing and the use of artificial neural network is accurate enough to estimate the weight of kurdi sheep. it had better performance. based on the results of the present study, it is quite possible to develop applications based on the use of artificial intelligence to weigh domestic animals, and use of this technology is recommended in several cases where there is no quick and easy access to the scales.