การประมาณน้ำหนักสุกรโดยใช้การประมวลผลภาพและโครงข่ายประสาทเทียม
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้มีวัตถุประสงค์เพื่อศึกษาวิธีการประมาณน้ำหนักสุกรโดยใช้การประมวลผลภาพ และโครงข่ายประสาทเทียม โดยจะใช้สุกรจำนวนหนึ่งร้อยตัว ซึ่งสุกรจะถูกชั่งน้ำหนักทีละตัว วัดขนาดเส้นรอบวงของหัวและความยาวลำตัว หลังจากนั้น จับภาพมุมมองด้านบนของสุกร และวิเคราะห์อัตราส่วนของพิกเซลของสุกรต่อพื้นที่ทั้งหมด โดยใช้โปรแกรม Python ข้อมูลแบ่งออกเป็น 2 กลุ่ม คือ ชุดฝึก (n=70) และชุดทดสอบ (n=30) ความสัมพันธ์ของน้ำหนักตัวและเส้นรอบวง ตลอดจนความยาวและภาพลักษณ์ของร่างกายถูกกำหนดโดยความสัมพันธ์ของเพียร์สัน (PPMC) ชุดฝึกอบรมนี้ใช้ในการพัฒนาสมการน้ำหนักสุกรโดย K-Nearest Neighbors (K-NN) และโครงข่ายประสาทเทียม (ANN), Mean Absolute Deviation (MAD) และ Mean Absolute Percentage Error (MAPE) ถูกใช้เพื่อวัดข้อผิดพลาดของการประมาณค่า สำหรับผลการทดลองค่าความถูกต้องอยู่ที่ 86% โดยสรุปการประมวลผลภาพเป็นวิธีที่รวดเร็วในการประมาณน้ำหนักตัวโดยไม่ใส่ความเครียดให้กับสุกร การใช้โครงข่ายประสาทเทียม เป็นวิธีการทางเลือกในการเพิ่มความแม่นยำของแบบจำลองสำหรับการประมาณน้ำหนักสุกร
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวิชาการโรงเรียนนายเรือ ด้านวิทยาศาสตร์และเทคโนโลยี ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิชาการโรงเรียนนายเรือ ด้านวิทยาศาสตร์และเทคโนโลยี ถือเป็นลิขสิทธิ์ของโรงเรียนนายเรือ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากโรงเรียนนายเรือก่อนเท่านั้น
References
Brandl N, Jorgensen E. Determination of live weight of pigs from dimensions measured using image analysis. Comput Electron Agric [Internet]. 1996 May [cited 2022 Mar 10]; 15(1):57-72. Available from: https://www.sciencedirect.com/science/article/abs/pii/0168169996000038
Sungirai M, Masaka L, Benhura TM. Validity of weight estimation models in pigs reared under different management conditions. Vet Med Int [Internet]. 2014 May [cited 2022 Mar 25];2014:[about 10 p.]. Available from: https://www.hindawi.com/journals/vmi/2014/530469/.
Kashiha M, Bahr C, Ott S, Moons CPH, Niewold TA, Ödberg FO, Berckmans D. Automatic weight estimation of individual pigs using image analysis. Comput Electron Agric [Internet]. 2014 Sep [cited 2022 Mar 7];107:38-44. Available from: https://www.sciencedirect.com/science/article/ abs/pii/S0168169914001525
Jun K, Kim SJ, Ji HW. Estimating pig weights from images without constraint on posture and illumination. Comput Electron Agric [Internet]. 2018 Oct [cited 2022 Mar 15];153:169-76. Available from: https://www.researchgate.net/publication/327993584_Estimating_pig_ weights_from_images_without_constraint_on_posture_and_illumination
Win KD, Kawasue K, Yoshida K, Lee G. Automatic pig selection system based on body size using a camera: rotating mechanics for pig selection. Artif Life Robot [Internet]. 2021 [cited 2022 Mar 22];2021(2):155–61. Available from: https://www.springerprofessional.de/en/artificial-life-and-robotics-2-2021/19088304
Kaewtapee C, Rakangtong C, Bunchasak C. Pig Weight Estimation Using Image Processing and Artificial Neural Networks. Journal of Advanced Agricultural Technologies [Internet]. 2019 Dec [cited 2022 Mar 23];6(4):253-56. Available from: http://www.joaat.com/index.php?m=content&c =index&a=show&catid=57&id=348
C. Kaewtapee, Khetchaturat C, Bunchasak C. Comparison of growth models between artificial neural networks and nonlinear regression analysis in Cherry Valley ducks. J Appl Poult Res [Internet]. 2011 Dec [cited 2022 Mar 25];20(4):421-28. Available from: https://www.researchgate.net/publication/270080550_Comparison_of_growth_models_
between_artificial_neural_networks_and_nonlinear_regression_analysis_in_Cherry_Valley_ducks
Roush WB, Dozier III WA, Branton SL. Comparison of Gompertz and neural network models of broiler growth. Poult Sci [Internet]. 2006 May [cited 2022 Mar 25];85(4):794-97. Available from: https://www.researchgate.net/publication/7165614_Comparison_of_Gompertz_
and_nEural_Network_Models_of_Broiler_Growth
Kaewtapee C, Khetchaturat C, Bunchasak C. Prediction of standardized ileal lysine digestibility in heated full-fat soybeans by artificial neural networks. Present at the 18th AAAP Congress; 2018 Aug 1-5. Malaysia. Kuching: [publisher unknown]; 2018.
Ahmad HA, Dozier GV, Roland DA. Egg price forecasting using neural networks. J Appl Poult Res [Internet]. 2001 Jun [cited 2022 Mar 25];10(2):162-71. Available from: https://www.researchgate.net/publication/251811793_Egg_Price_Forecasting_Using_Neural_Networks
Kaewtapee C, Khetchaturat C, Krutthai N, Bunchasak C. Soybean meal price forecasting using artificial neural network. Journal of Agricultural Research and Extension [Internet]. 2018 Aug [cited 2022 Mar 26];352(2):392-99. Available from: https://www.cabdirect.org/cabdirect/ abstract/20193172456
Wang Y, Yang W, Winter P, Walker L. Walk-through weighing of pigs using machine vision and an artificial neural network. Biosystem Engineering [Internet]. 2008 May [cited 2022 Mar 26];100(1):117-25. Available from: https://www.researchgate.net/publication/229393183_Walk-through_weighing_of_pigs_using_machine_vision_and_an_artificial_neural_network
Gonzales R, Woods RE. Digital Image Processing, 2nd ed. Upper-Saddle River, NJ: Prentice Hall; 2002.