آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,416 |
| تعداد مقالات | 17,490 |
| تعداد مشاهده مقاله | 56,483,745 |
| تعداد دریافت فایل اصل مقاله | 18,742,277 |
پایش هوشمند رفتار جوجه‌ها در مزارع پرورش طیور با استفاده از یادگیری عمیق | ||
| نشریه مکانیزاسیون کشاورزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 12 مهر 1404 اصل مقاله (1.17 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jam.2025.67931.1329 | ||
| نویسندگان | ||
| حسین اختری1؛ حسین نوید* 2؛ اباصلت بذرافشان1؛ مجید علیایی3؛ علی غفارنژاد1 | ||
| 1گروه مهندسی بیوسیستم - دانشکده کشاورزی- دانشگاه تبریز - تبریز - ایران | ||
| 2عضو هیات علمی/دانشگاه تبریز | ||
| 3گروه علوم دامی – دانشکده کشاورزی - دانشگاه تبریز - تبریز - ایران | ||
| چکیده | ||
| تولید طیور نقش حیاتی در تأمین پروتئین مقرون به صرفه برای تغذیه جمعیت رو به رشد جهان دارد. مدیریت بهینه مرغداری‌ها یکی از عوامل کلیدی در تولید مؤثر و با کیفیت گوشت طیور به شمار می‌رود. پراکنش مکانی جوجه‌های گوشتی می‌تواند به عنوان یک شاخص مدیریتی برای شناسایی سلامت یا مشکلات موجود در گله عمل کند. در حال حاضر، بازرسی‌های متعدد روزانه توزیع جوجه‌ها در مرغداری‌ها به صورت دستی انجام می‌شود که این فرایند نه تنها زمان‌بر و طاقت‌فرسا است، بلکه مستعد خطاهای انسانی نیز می‌باشد. روش‌های بینایی ماشین مبتنی بر هوش مصنوعی از جمله رویکردهایی هستند که قادرند چالش‌های ناشی از روش‌های دستی در سیستم‌های مدیریت مرغداری‌ها را برطرف کنند. در این تحقیق، یادگیری عمیق به‌عنوان یکی از شاخه‌های هوش مصنوعی با هدف تشخیص وضعیت جوجه‌ها مورد بررسی قرار گرفت. پس از تصویربرداری از نمای بالا از ۴۸ پِن (محوطه نگهداری) در مرغداری تحقیقاتی دانشگاه تبریز، برخی پردازش‌های اولیه روی تصاویر اعمال شد. این اقدامات با هدف بهبود فرآیند آموزش و افزایش دقت مدل پیشنهادی انجام گرفت. در مرحله بعد، پس از بهبود و سفارشی کردن معماری مدل و اصلاح فرآیند آموزش، از نسخه سبک و کم‌حجم یولو نسخه 11 کوچک که یکی از مدل‌های جدید و مطرح در حوزه یادگیری عمیق است، برای آموزش و ارزیابی وضعیت جوجه‌ها استفاده شد. استفاده از این مدل و نسخه مربوطه با هدف دستیابی به دقت بالا همراه با سرعت مناسب برای پردازش در زمان واقعی انجام شد. کاهش تدریجی اتلاف در روند آموزش و اعتبارسنجی مدل ارائه شده، نشان‌دهنده دستیابی مدل به تعادل و آموزش بهینه بود. مدل یولو نسخه 11 کوچک با دستیابی به میانگین دقت متوسط 90% (mAP 0.5) توانست عملکرد قابل‌توجهی در شناسایی رفتار جوجه‌ها ارائه دهد. به‌ویژه، در تشخیص رفتار خوردن با دقت %99 و نوشیدن با دقت %89 عملکرد مطلوبی داشت. با این حال، دقت پایین‌تر در شناسایی رفتار معمولی (%82) عمدتاً ناشی از برچسب‌گذاری ناکافی این رفتار بود. به طور کلی، نتایج نشان داد که یولو نسخه 11 کوچک با ایجاد تعادل میان دقت و سرعت، گزینه‌ای کارآمد برای پایش زمان واقعی رفتار جوجه‌ها در سیستم‌های مدیریت هوشمند مرغداری محسوب می‌شود. | ||
| کلیدواژه‌ها | ||
| بینایی ماشین؛ رفتار جوجه‌ها؛ پایش خودکار؛ کشاورزی هوشمند؛ مرغداری هوشمند؛ یادگیری عمیق | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 69 تعداد دریافت فایل اصل مقاله: 8 |
||