این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۴، شماره ۳، صفحات ۹۷-۱۱۲
عنوان فارسی ماشین بینایی تشخیص گر باروری تخم مرغ و ارزیابی کارائی شبکه های عصبی و ماشین بردار پشتیبان در آن
چکیده فارسی مقاله در این پژوهش یک سامانه­ی تشخیص­گر باروری تخم­مرغ ارائه شده است. این سامانه شامل دو بخش سخت­افزاری و نرم­افزاری است. سخت­افزار ساخته شده امکان تصویربرداری دقیق از محتوی درون تخم مرغ­ها بدون آسیب­رسانی به نطفه یا جنین داخل آنها را فراهم می­کند. بخش نرم­افزاری نیز عبارتست از مجموعه­ای از فرایندهای پردازش تصویر و بینایی ماشین که بدون حساسیت به تصاویر تخم مرغ­های مختلف (مثلا با ضخامت پوسته متفاوت) قادر به شناسایی نطفه­ی درون آنها است. برای تفکیک تخم­مرغ­های نطفه­دار و بدون نطفه، دو نوع طبقه­بند شبکه عصبی و ماشین بردار پشتیبان طراحی و مورد مطالعه قرار گرفته است. برای ارزیابی سامانه، یک بانک تصاویر مشتمل بر 1200 تصویر از تخم مرغ­های قرار داده شده در فرایند جوجه کشی تهیه شده است. آزمایشات جامعی برروی این بانک تصاویر انجام گرفته، که موئد عملکرد بسیار مناسب سامانه می­باشند. در ارزیابی­های انجام شده برای مقایسه کارائی دو طبقه­بند، نشان داده شده است که طبقه­بند ماشین بردار پشتیبان با میانگین دقت تشخیص %50/57، %83/67، %94/20، %98/03 و %98/91 به ترتیب در روزهای اول، دوم، سوم، چهارم و پنجم فرایند جوجه­کشی از کارائی بهتری نسبت به طبقه­بند شبکه عصبی برخوردار است و همچنین حساسیت بسیار کمتری در برابر کاهش تعداد نمونه­های آموزشی از خود نشان داده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A Vision Machine for Detecting Fertile Eggs and Performance Evaluation of Neural Networks and Support Vector Machines in This Machine
چکیده انگلیسی مقاله In this research, a system is proposed for detecting fertility of eggs. The system is composed of two parts: hardware and software. The fabricated hardware provides a platform to obtain accurate images from inner side of the eggs, without harming their embryos. The software part includes a set of image processing and machine vision processes, which is able to detect the fertility of eggs from captured images, without any sensitivities to different types of eggs (e.g. with different thickness of the eggshell). In order to classify the fertile and infertile eggs, two classifiers based on Artificial Neural Networks (ANN) and Support Vector Machines (SVM) are designed and tested. To evaluate the system, an egg image dataset is provided including 1200 images captured from incubated eggs. Extensive experiments are performed using the provided dataset, which confirm the reliable performance of the system. Performance evaluations of two proposed classifiers confirm that the SVM based classifier, with average detection accuracy of 50.57% at day 1 of incubation, 83.67% at day 2, 94.20% at day 3, 98.03% at day 4, and 98.91% at day 5, performs better than ANN based classifier, and it is also less sensitive against the reductions in training samples.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی هاشم زاده | mahdi hashemzadeh
azarbaijan shahid madani university
دانشگاه شهید مدنی آذربایجان
سازمان اصلی تایید شده: دانشگاه شهید مدنی (Azarbaijan shahid madani university)

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-942-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-566518.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش تصویر
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات