این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی بیوسیستم ایران، جلد ۵۶، شماره ۲، صفحات ۵۱-۶۷
عنوان فارسی تشخیص و دسته‌بندی تیپ گاو بر اساس انحراف انتهای ستون فقرات با استفاده از یادگیری ماشین
چکیده فارسی مقاله در مزارع پرورش گاو شیری، عملیات یادگیری ماشینی می‌تواند بر اساس امتیازدهی وضعیت بدنی (BCS) با بهره‌گیری از ویژگی‌های استخراج‌شده از تصاویر برای شناسایی و طبقه‌بندی انواع گاوها مورد استفاده قرار گیرد. به‌طور خاص، الگوریتم‌های یادگیری ماشین می‌توانند انحنای ستون فقرات را اغلب با شناسایی نقاط کلیدی و برازش یک خط یا منحنی، تجزیه و تحلیل کنند تا بین نژادهای مختلف گاو تمایز قائل شوند و وضعیت آن را ارزیابی کنند. در این مطالعه، جهت تشخیص و طبقه‌بندی انواع تیپ گاو بر اساس وضعیت انحنای انتهای ستون فقرات (کفل) از مدل‌های یادگیری ماشین که در سال‌های اخیر به‌طور مکرر در علوم کامپیوتر مورد استفاده قرار گرفته‌اند، شامل SVM، KNN و CNN همراه با شبکه از پیش آموزش‌دیده مبتنی بر یادگیری عمیق Resnet50 به‌منظور افزایش موفقیت معماری‌ها استفاده شد. در هر یک از الگوریتم‌ها استخراج و ثبت و ادغام ویژگی‌های تصاویر برای تشخیص نوع تیپ گاوها انجام گرفت و در نهایت الگوریتم CNN از پیش آموزش‌دیده مبتنی بر یادگیری عمیق با بالاترین میزان دقت (93 درصد) توانست نوع تیپ گاو را درست تشخیص دهد. بنابراین می‌توان با تلفیق این سیستم پردازشی با مکانیزم تصویربرداری، امکان تشخیص و طبقه‌بندی گاوها را بر اساس انواع حالات و مشخصات بدنی در محیط‌های گاوداری در مدت زمان کوتاه‌تر، ساده‌تر و کاربرپسند فراهم ساخت. این رویکرد نیاز به استخراج دستی ویژگی‌های دام را حذف می‌کند، بکارگیری نیروی انسانی را کاهش می‌دهد و به‌دقت تشخیص بهبودیافته‌ای دست می‌یابد.
کلیدواژه‌های فارسی مقاله امتیازدهی وضعیت بدنی،انحنای کفل گاو،الگوریتم‌های یادگیری ماشین،شبکه عصبی اغتشاشی،یادگیری عمیق،
عنوان انگلیسی Identifying and classifying cow types based on spinal end deviation using machine learning
چکیده انگلیسی مقاله In dairy farms, machine learning operations can be used to identify and classify cow types based on body condition scoring (BCS) using features extracted from images. In particular, machine learning algorithms can analyze the curvature of the spine, often by identifying key points and fitting a line or curve, to distinguish between different breeds of cattle and assess their condition. In this study, machine learning models that have been frequently used in computer science in recent years, including SVM, KNN, and CNN, were used in conjunction with a pre-trained deep learning network Resnet50 to enhance the success of the architectures. In each of the algorithms, image features were extracted, registered, and merged to identify the type of cows, and finally, the pre-trained CNN algorithm based on deep learning was able to correctly identify the type of cow with the highest accuracy (93 percent). Therefore, by combining this processing system with the imaging mechanism, it is possible to identify and classify cows based on various states and physical characteristics in cattle environments in a shorter, simpler, and more user-friendly time. This approach eliminates the need for manual extraction of livestock features, reduces the use of human resources, and achieves improved recognition accuracy.
کلیدواژه‌های انگلیسی مقاله امتیازدهی وضعیت بدنی,انحنای کفل گاو,الگوریتم‌های یادگیری ماشین,شبکه عصبی اغتشاشی,یادگیری عمیق
نویسندگان مقاله محسن دانشمند وزیری |
محقق، بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش و ترویج

عبداله ایمان مهر |
استادیار پژوهش، بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش

محسن حیدری سلطان آبادی |
دانشیار پژوهش، بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش

نشانی اینترنتی https://ijbse.ut.ac.ir/article_103941_11eb80126f54de36566e663bd44efbdb.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات