رهیافتی برای به دست آوردن پارامترهای زیست‌سنجی و نگاشت منحنی رشد ماهی قزل آلا بوسیله آنالیز تصویر دیجیتالی تحت شرایط آزمایشگاهی

مطالعه روی پارامترهای زیستی ماهی قزل آلا با روش سنتی (متکی بر عوامل انسانی و غیر اتوماتیک)، به دلیل مشکلات جدی مانند انتقال بیماری، مرگ بر اثر استرس، بی دقتی‌ها‌، زمان بر بودن و ... کارایی پایینی دارد. در این پژوهش، به‌کارگیری یک سامانه بینایی ماشین، مبتنی بر ویدیونگاری شامل محفظه تصویربرداری و نورپردازی، برای غلبه بر مشکلات روش سنتی پیشنهاد شده است. شیوه عمل برای اندازه گیری پارامترهای زیست‌سنجی ماهی، ویدئونگاری از حرکت ماهی حین عبور از اتاقک تاریک است. تصویر‌های منتخب از ویدیوی گرفته شده، پردازش شد. در این روش، طول، سطح رویه، وزن، میزان غذای مصرفی ویژه و فاکتور رشد ماهیان قزل آلا در شرایط کاملا کنترل شده اندازه گیری و به‌عنوان ملاک مقایسه (کنترل یا شاهد) به‌کار گرفته شده است. برای تخمین وزن ماهی از طریق پارامترهای اندازه گیری شده، شش مدل ریاضی به‌کارگیری شد و از این میان از مدل توانی وزن طول به‌عنوان بهترین مدل برای تخمین وزن ماهی استفاده شده است. دقت سیستم در تخمین فاکتورهای زیست‌سنجی ماهی بزرگتر از 90 درصد و قابلیت سامانه در تخمین غذای مورد نیاز ماهی در فرایند رشد برابر با 98 درصد به دست آمده است.

Image Based Method to Identify Trout Fish Biometric Characteristics and Mapping Growth Curve Trout Fish by Digital Image Analysis under Laboratory Conditions

Study on biometric parameters of trout species in the traditional method (based on human and nonautomatic factors) are lowefficient due to serious problems such as disease transmission, stressinduced death, inaccuracy, & timeconsuming. To overcome the problems of traditional method, an imagebased vision system, including imaging and lighting chambers, was developed in this research. The fish biometric parameters were measured using fish movement videography during passage from the dark chamber. Then the selected images from the video were processed. The length, surface area, weight, amount of food consumed, & growth rate of trout were measured under fully controlled conditions and used as comparison criteria (control). Six mathematical models were used to estimate fish weight through measured parameters and among them the weight/length model was used as the best model for estimating fish weight. The accuracy of the system in estimating fish biometric parameters was above than 90% and the system’s capability to estimate the fish required food during the growth process was 98%.