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

چکیده مبسوط مقدمه و هدف: انسان به­جهت خستگی، وقوع خطاهای ناخواسته، تاثیر­پذیری از محیط و آسیب­پذیری 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 وزن­کشی، 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 R۲۰۱۰a) 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 به­ترتیب ۹۱/۹۵، ۹۴/۷۴ و ۹۴/۳۴ درصد برآورد شد. در آزمون عملی که با ارائه ۲۰ تصویر به­عنوان تست به هر یک از مدل­ها انجام شد، شبکه آموزش دیده با آلگوریتم اسکیلد کانژوگیت گرادینت با خطای ۴/۷ درصد، شبکه بیزین با خطای ۰/۵ درصد و شبکه لونبرگ مارکوات با خطای ۲/۱۱ درصد وزن را از روی تصاویر دیجیتال آن­ها 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.

کلیدواژه ها:

Accuracy of model ، Artificial Neural Network ، Image processing ، Kurdi sheep ، Weight estimation ، پردازش تصویر ، تخمین وزن ، دقت مدل ، شبکه عصبی مصنوعی ، گوسفند کردی