پديد آورندگان :
حيدري، سجاد دانشگاه رازي - دانشكده كشاورزي - گروه مهندسي مكانيك بيوسيستم، كرمانشاه , ميرزائي قلعه، اسماعيل دانشگاه رازي - دانشكده كشاورزي - گروه مهندسي مكانيك بيوسيستم، كرمانشاه , رباني، حكمت دانشگاه رازي - دانشكده كشاورزي - گروه مهندسي مكانيك بيوسيستم، كرمانشاه , وصالي، فرشاد دانشگاه رازي - دانشكده كشاورزي - گروه مهندسي مكانيك بيوسيستم، كرمانشاه
كليدواژه :
آب , استخر پرورش ماهي , كيفيت سنجي , تلفن همراه هوشمند , شبكه عصبي مصنوعي
چكيده فارسي :
در اين تحقيق، برخي از پارامترهاي كيفي آب استخر پرورش ماهي شامل pH، هدايت الكتريكي (EC)، كل مواد محلول (TDS) و كدورت (Turb) به كمك روش‌هاي استاندارد اندازه‌گيري شده و با استفاده از پردازش تصاوير گرفته شده توسط گوشي تلفن همراه هوشمند و شبكه‌هاي عصبي مصنوعي پيش‌بيني شدند. همه آزمايش‌ها در استخر پرورش ماهي كپور در شهرستان سنقر واقع در استان كرمانشاه انجام شد. نمونه‌ها از سه عمق مختلف جمع آوري شدند. دوازده مولفه شامل 6 مولفه رنگي ( قرمز، سبز، آبي، سياه، خاكستري و سفيد) و 6 مولفه بافت (ميانگين، انحراف معيار، نرمي، گشتاور سوم، يكنواختي و آنتروپي) از نمونه تصاوير گرفته شده استخراج و به عنوان ورودي مدل شبكه عصبي انتخاب شدند. بر اساس نتايج، شبكه با ساختار 4-15-12 (12 نرون در لايه ورودي، 15 نرون در لايه مخفي و 4 نرون در لايه خروجي) به عنوان بهترين مدل براي پيش‌بيني پارامترهاي pH، TDS، EC و Turb به ترتيب با ضرايب تبيين 0/913، 0/993، 0/994 و 0/958 و مقادير RMSE به ترتيب برابر 0/054، 1/835، 3/766 و 0/262 انتخاب شد.
چكيده لاتين :
In this research some water quality parameters in fish pond includes pH, Electrical Conductivity (EC), Total Dissolved Solids (TDS) and Turbidity (Turb) were determined by standard methods and predicted by image processing using smart phone and artificial neural network. All experiments carried out in Kappur ponds in Sonqor city, Kermanshah province. Samples collected from three different depths. The 12 parameters consisted of 6 color features (red, green, blue, black, gray and white), and 6 tissue features (mean, standard deviation, softness, third torque, uniformity and entropy) were extracted from image samples and were selected as inputs to the neural network model. Based on the results, network with structure of 12-15-4 (12 neurons in the input layer, 15 neurons in the hidden layer and 4 neurons in the output layer) was the best model for predicting the parameters with R2 of 0.913, 0.993, 0.994 and 0.958 for pH, TDS, EC and Turb, respectively. These values for RMSE were 0.054, 1.835, 3.766 and 0.262, respectively.
