پديد آورنده :
سلطاني، محمد
عنوان :
طراحي سامانه ماشين بينايي به منظور تخمين نمره وضعيت بدني گاوهاي شيري
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
طراحي و ساخت
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
دوازده، 73ص.: مصور، جدول، نمودار
استاد راهنما :
احمد ميره اي، عباس همت
استاد مشاور :
علي صادقي سفيدمزگي
توصيفگر ها :
پردازش تصوير , شبكه عصبي مصنوعي , طبقهبندي , استخراج ويژگي , جداسازي پسزمينه
استاد داور :
مهرنوش جعفري، سعيد انصاري مهياري
تاريخ ورود اطلاعات :
1399/09/29
رشته تحصيلي :
مكانيك بيوسيستم
تاريخ ويرايش اطلاعات :
1399/10/02
چكيده فارسي :
چكيده گاو شيري به عنوان يك توليدكننده ارزنده غذا براي انسانها به شمار ميرود در كشورهايي كه صنعت لبني پيشرفته دارند بخش كشاورزي و دامپروري از مكانيزاسيون بهرهمند شده است تجهيزات مكانيزه به توليدكننده كمك ميكند تا بسياري از فرآيندها را براي كاهش هزينهها و افزايش عملكرد گاو كنترل كند نمره وضعيت بدن BCS يك شاخص اندازهگيري براي برآورد نسبي از چربي زيرپوستي بدن به عنوان ذخيره انرژي در گاوهاي شيري است BCS يك ابزار مهم مديريتي براي به حداكثر رساندن توليد شير و بازده توليد مثل و در عين حال كاهش بروز بيماريهاي متابوليك در گاو است همچنين يك شاخص مهم جهت تخمين ميزان مصرف ماده خشك در اوايل دوران شيردهي گاو است در روشهاي سنتي BCS توسط متخصصان دامپزشكي يا پرسنل ماهر ارزيابي ميشود كه به خصوص در گاوداريهاي صنعتي بزرگ هزينهبر است و با سرعت كم و در بازههاي زماني زياد انجام ميگيرد و راندمان پاييني دارد در اين پژوهش ارزيابي اتوماتيك BCS به روش تصويربرداري ديجيتال و تكنيك پردازش تصوير مورد بررسي قرار گرفت تا جايگزين روش دستي سنتي شود در اين پژوهش از يك سامانه خودكار ماشين بينايي براي امتيازدهي وضعيت بدني گاوهاي شيري با استفاده از دوربين ديجيتال كم هزينه و شبكه عصبي مصنوعي استفاده شد اين روش يك پلتفرم غير تماسي و عاري از استرس روي گاوها است در اين روش تصاوير گاوها بصورت پيوسته توسط دوربين ديجيتال ثبت و ضبط شد سپس قسمتهاي انتهايي بدن گاوها از تصوير اصلي شناسايي شده و از پسزمينه جدا شد در نهايت پس از پردازشهاي اوليه كانتور كلي قسمت انتهايي بدن گاوها بدست آمد و 95 ويژگي مختلف آن استخراج شد اين ويژگيها به عنوان ورودي شبكه عصبي قرار داده و نمرات مختلف BCS به عنوان خروجي شبكه در نظر گرفته شد براي تخمين BCS نهايي گاوها از طبقهبندي دو مرحلهاي استفاده شد ابتدا گاوهاي چاق گاوهايي با BCS بيشتر از 3 و الغر گاوهايي با BCS برابر و كمتر از 3 از يكديگر تفكيك داده شدند سپس هر دسته به گروههاي مختلف BCS طبقهبندي شد نتايج نشان داد كه روش پردازش تصوير و شبكه عصبي براي تفكيك گاوهاي چاق و الغر داراي دقت 7 08 درصد بود همچنين روش پردازش تصوير به كمك مدلسازي شبكههاي عصبي مصنوعي توانست سطوح مختلف گاوهاي الغر و گاوهاي چاق را با دقتهاي به ترتيب 76 57 درصد و 08 درصد طبقهبندي كند نتيجه نهايي اين پژوهش نويدبخش ارائه يك روش قابل اعتماد و مناسب جهت ارزيابي سريع و كمهزينهي BCS گاوها بود كلمات كليدي پردازش تصوير شبكه عصبي مصنوعي طبقهبندي استخراج ويژگي جداسازي پسزمينه
چكيده انگليسي :
Designing of a machine vision system to estimate body condition score in dairy cows Mohammad Soltani mohamad soltani@ag iut ac ir September 20 2020 Department of Biosystems Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree M Sc Language Farsi1st Supervisor Dr Seyed Ahmad Mireei samireei@iut ac ir2st Supervisor Prof Abbas Hemmat ahemmat@iut ac irAbstractDairy farming has been part of agriculture for thousands of years Today modern dairy cows arebred specifically to produce large quantities of milk Dairy cattle are the most efficient of all farmlivestock in converting feed protein and energy to food Body condition scoring is a visualassessment of the amount of fat and muscle covering a cow s bones regardless of body size Bodycondition score BCS estimates the mobilization of cattle s energy reserves or the degree offatness or thinness using a 5 point scale BCS is an important management tool to maximize milkproduction and reproductive efficiency while reducing the incidence of cattle s metabolicdiseases It is also an important indicator to determine the amount of dry matter consumption incows early lactation In traditional methods BCS is evaluated by veterinarians or skilledpersonnel which is costly especially at large industrial farms and is performed at low speed andover long periods and has low efficiency Automatic and objective dairy cow body conditionscoring can be used as a feed reproduction health and longevity management tool Inthis study the automatic evaluation of BCS by digital imaging method and image processingtechnique was investigated to replace the traditional manual method This study aims to establishan automated visual machine system for scoring dairy cows physical condition using low costdigital cameras and artificial neural networks This method is a non contact and stress freeplatform on cows In this method images of cows were continuously recorded by a conventionaldigital camera The extremities of the cows were identified from the original image and thensubtracted from the background Finally after pre processing the general contour of the end ofthe cow body was obtained and 59 different features were extracted These features wereconsidered as neural network input and the BCS scores were considered as the network output The two stage classification was used to determine the final BCS of cows First fat cows cowswith BCS greater than 3 and thin cows cows with BCS equals to 3 or less were distinguished Each category was then categorized into different BCS groups Results showed that the imageprocessing and neural network method for distinguishing fat and thin cows have an accuracy of80 7 Classification of thin and fat cows in three different groups has 75 67 and 80 accuracy respectively The result of this study is promising to provide a reliable and appropriate methodfor daily use to assess BCS in cows Key Words Image Processing Artificial Neural Network Classification Feature Extraction Background Subtraction 72
استاد راهنما :
احمد ميره اي، عباس همت
استاد مشاور :
علي صادقي سفيدمزگي
استاد داور :
مهرنوش جعفري، سعيد انصاري مهياري
