نویسندگان

• محمود محمودی-اشکفتکی
• احسان هوشیار

چکیده

تخم بلدرچین، ماده غذایی غنی از انواع ویتامین‌ها است که قادر بوده مواد رادیواکتیو را از بدن دفع نماید و باعث دفع فلزات سنگین و مواد سرطان‌زا از ارگانیسم فرد ‌شود. جهت مکانیزه‌کردن مراحل آماده‌سازی آن باید بتوان پارامترهای کیفی آنرا با استفاده از تکنیک‌های کامپیوتری مدلسازی نمود. بنابراین در این تحقیق با استفاده از تکنیک‌های پردازش تصویر خواص فیزیکی تخم بلدرچین استخراج شد، سپس حجم تخم‌ها با لایه بندی و دوران حول محور اصلی تعیین شد. در ضمن جهت تعیین وزن تخم‌ها یک مدل رگرسیونی چند متغیره و یک مدل عصبی ایجاد شد. نتایج حاصل از مدل‌ها و رو‌ش‌های پیشنهادی در این تحقیق با مقادیر واقعی و مدل‌های موجود (مدل Hoyt) مقایسه شد. در پایان تاثیر سن، تغذیه و نور محیط مادرها بر روی پارامترهای کیفی تخم بررسی شد. با مقایسه حجم واقعی تخم‌ها و مدل Hoyt، دقت ??% و با حجم محاسبه شده بروش تقسیم لایه‌ای تخم، دقت ???% حاصل شد که اهمیت روش تقسیم لایه‌ای تخم را بخوبی نشان می‌دهد. با مقایسه مقادیر واقعی وزن تخم‌ها با مدل Hoyt، دقت ??% ، با مدل چند متغیره، دقت ??% و با مدل عصبی، دقت ??% حاصل شد. مدل عصبی نه تنها دقت بهتری نشان داد بلکه اثر زمان تخمگذاری را هم در تخمین در نظر می‌گرفت که بسیار حائز اهمیت است. از مقایسه نتایج پرورش بلدرچین‌ها مشخص شد، سن بلدرچین مادر در زمان تخمگذاری بر پارامترهای کیفی تخم موثر است و تخم‌ بلدرچین‌های جوان‌تر شکل کروی‌تری دارند که ممکن است از گسترش نیافتن رحم مادرها باشد. همچنین مشخص شد نحوه قرارگرفتن قفس مادرها از لحاظ دریافت نور، غذا و آب مناسب بر کیفیت تخم‌ها موثر است. بطوریکه تخم مادرهایی که در بالاترین قفس‌ها قرار داشته و دارای نور و غذای بهتری بودند دارای افزایش ابعاد و وزن معنی‌داری بودند. این نتایج بخوبی نشان می دهد که ادغام تکنیک های پردازش تصویر و شبکه عصبی می تواند به مکانیزه کردن مراحل فراوری و آماده سازی تخم بلدرچین کمک کند.

کلیدواژه‌ها

• پردازش تصویر
• تغذیه مادر
• حجم تخم
• سن مادر
• شبکه عصبی
• وزن تخم

عنوان مقاله [English]

Determining volume and weight of Quail eggs using image processing and artificial neural network techniques and comparing with regression models

نویسندگان [English]

• Mahmood Mahmoodi-Eshkaftaki
• Ehsan Houshyar

چکیده [English]

The quail egg is a without cholesterol food and riches of different vitamins. This food expunges the radioactive particle and the carcinogen of human’s body. For mechanizing its preparation process, the quality parameters should be modeled with computer techniques. Therefore in this research, the image processing technique was used to determine the physical properties of quail egg, then egg volume was calculated by slicing each egg and rotating the slices around its main axis. Furthermore to determine the egg weight, a regression multi-variable model and a neural network model were developed. The results of suggested methods and models in this research were compared with real values and previous methods (Hoyt model). Finally, the influence of nutrition, ventilation and female quail age on quality parameters of eggs was determined. By comparing the real volume of eggs with the Hoyt model, accuracy was ??% and with the slices-rotation method, accuracy was ???% which well shows the importance of slices-rotation method. By comparing the real weight of eggs with the Hoyt model, accuracy was ??%, with the regression multi-variable model, accuracy was ??%, and with the neural network model, accuracy was ??%. The neural network model not only presented the egg weight with high accuracy but also considered the effect of laying time which is very important for the egg weight estimation. After comparing the results, it was shown that the nutrition, ventilation and female quail age influence egg quality. The eggs of younger females were limited to spherical geometry that may be due to the mother's womb not being expanded. Furthermore, the female quails in topper cages which had better nutrition and ventilation showed more weighting and sizing. These results show that coupled the image processing and artificial neural network techniques can help very well to mechanize the preparation process of quail egg.

کلیدواژه‌ها [English]

• Egg volume
• egg weight
• female age
• female nutrition
• Image Processing
• Neural Network