Жануарларға арналған жемсапасын кешенді бағалауға арналған жасанды интеллект -кескінді талдау (IA) технологияларының жетістіктері

Үй жануарларына арналған жоғары сапалы жем өнімдеріне сұраныстың артуы және қатаң қауіпсіздік стандарттарының қажеттілігі осы өнімдердің сапасын дәл және жылдам бағалай алатын технологияларды іздестіруге және дамытуға әкелді. Осы дамып келе жатқан талаптарға сәйкес келетін технологиялардың бірі - Imaging Analysis (IA) жүйелері, олар жем жасау үрдістерін автоматтандыру мен үнемділікті қамтамасыз етіп, анализ кезінде өнімді бұзбай талдауға мүмкіндік береді. Imaging Analysis (IA) жүйелері адамның көрнекі қабылдауын электронды түрде қайталайды, бұл кескіндерді дәл және тиімді бағалауға мүмкіндік береді. Кең ауқымды зерттеулер бұл жүйелердің мүмкіндіктерін ашып көрсетті және үй жануарларына арналған жем өнімдерін сараптауда және бағалауда тиімді екендігін дәлелдейді. Бұл шолу мақаласы компьютерлік көру жүйелері технологиясының негізгі құрамдас бөліктеріне тоқталады, сонымен бірге олардың артықшылықтары мен кемшіліктерін талқылайды. Оған қоса, ол кескіндерді өңдеу әдістерін зерттейді және үй жануарларына арналған жем өнімдерінің сапасын бағалаудағы соңғы жетістіктер мен әлеуетті қолданбалардың жан-жақты талдауын қамтамасыз етеді.

1. Brosnan, T. and Sun, D.W. (2004). Improving quality inspection of food products by computer visiona review. Journal of Food Engineering, 61: 3-16.

2. Bukhari, S.N.H., Jain, A. and Haq E. (2021). “Machine learning based ensemble model for zika virus Tcell epitope prediction,” Journal of Healthcare Engineering, vol. 2021, Article ID 9591670, 10 pages, 2021.

3. Gunasekaran, S. (2001). Non-destructive food evaluation techniques to analyse properties and quality. Food Science and Technology (vol. 105), New York: Marcel Decker.

4. Krutz, G.W., Gibson, H.G., Cassens, D.L. and Zhang, M. (2000). Colour vision in forest and wood engineering. Landwards, 55: 2-9.

5. Kumar R, Goswami M, Pathak V. Innovations in pet nutrition: investigating diverse formulations and varieties of pet food: mini review. MOJ Food Process Technols. 2024;12(1):86‒89. DOI: 10.15406/mojfpt.2024.12.00302

6. Kumar R, Goswami M. Harnessing poultry slaughter waste for sustainable pet nutrition: a catalyst for growth in the pet food industry. J Dairy Vet Anim Res. 2024;13(1):31‒33. DOI: 10.15406/jdvar.2024.13.00344

7. Kumar, R., & Goswami, M. (2024). Feathered nutrition: unlocking the potential of poultry byproducts for healthier pet foods. Acta Scientific Veterinary Sciences. http://dx.doi.org/10.31080/ASVS.2024.06.0868

8. Kumar, R., & Goswami, M. (2024). Optimizing Pet Food Formulations with Alternative Ingredients and Byproducts. Acta Scientific Veterinary Sciences. http://dx.doi.org/10.31080/ASVS.2024.06.0869

9. Kumar, R., & Sharma, A. (2024). Review of Pet Food Packaging in the US Market: Future Direction Towards Innovation and Sustainability. Annual Research & Review in Biology, 39(6), 16–30. https://doi.org/10.9734/arrb/2024/v39i62085

10. Kumar, R., Goswami, M. and Pathak, V. (2023). Enhancing Microbiota Analysis, Shelf-life, and Palatability Profile in Affordable Poultry Byproduct Pet Food Enriched with Diverse Fibers and Binders. J. Anim. Res., 13(05): 815-831. DOI: 10.30954/2277-940X.05.2023.24

11. Kumar, R., Goswami, M., & Pathak, V. (2024). Gas Chromatography Based Analysis of Fatty Acid Profiles in Poultry Byproduct-Based Pet Foods: Implications for Nutritional Quality and Health Optimization. Asian Journal of Research in Biochemistry, 14(4), 1–17. https://doi.org/10.9734/ajrb/2024/v14i4289

12. Kumar, R., Goswami, M., Pathak, V., & Singh, A. (2024). Effect of binder inclusion on poultry slaughterhouse byproducts incorporated pet food characteristics and palatability. Animal Nutrition and Feed Technology, 24(1), 177-191. DOI: 10.5958/0974-181X.2024.00013.1

13. Kumar, R., Goswami, M., Pathak, V., Bharti, S.K., Verma, A.K., Rajkumar, V. and Patel, P. 2023. Utilization of poultry slaughter byproducts to develop cost effective dried pet food. Anim. Nutr. Technol., 23: 165-174. DOI: 10.5958/0974-181X.2023.00015.X

14. Kumar, R., Goswami, M., Pathak, V., Verma, A.K. and Rajkumar, V. 2023. Quality improvement of poultry slaughterhouse byproductsbased pet food with incorporation of fiber-rich vegetable powder. Explor. Anim. Med. Res., 13(1): 54-61. DOI: 10.52635/eamr/13.1.54-61

15. Kumar, R., Thakur, A., & Sharma, A. (2023). Comparative prevalence assessment of subclinical mastitis in two crossbred dairy cow herds using the California mastitis test. J Dairy Vet Anim Res, 12(2), 98-102. http://dx.doi.org/10.15406/jdvar.2023.12.00331

16. Kumar., et al. “Promoting Pet Food Sustainability: Integrating Slaughterhouse By-products and Fibrous Vegetables Waste". Acta Scientific Veterinary Sciences 6.5 (2024): 07-11. DOI: 10.31080/ASVS.2024.06.0871

17. Liu, D., Ma, J., Sun, D.W., Pu, H., Gao, W., Qu, J. and Zeng, X.A. (2014). Prediction of Color and pH of Salted Porcine Meats Using Visible and NearInfrared Hyperspectral Imaging. Food Bioprocess Technology, 7(11):3100 – 3108.

18. Mahalik, N.P. and Nambiar, A.N. 2010. Robotic Automation in Dairy and Meat Processing Sector for Hygienic Processing and Enhanced Production. Trends in food packaging and manufacturing systems and technology. Trends in Food Science & Technology, 21(3): 117-128. http://dx.doi.org/10.1016/j.tifs.2009.12.006.

19. Mery, D., Pedreschi, F., Soto, A. (2013). Automated Design of a Computer Vision System for Visual Food Quality Evaluation. Food Bioprocess Technology, 6(8): 2093-2108

20. Misimi, E., Oye, E.R., Eilertsen, A., Mathiassen, J.R., Asebo, O.B., Gjerstad, T., Buljo, J. and Skotheim, O. (2016). GRIBBOT– Robotic 3D vision-guided harvesting of chicken fillets. Computer and Electronic Agriculture, 121: 84-100.

21. Park, B. (2016). Quality Evaluation of Poultry Carcasses. Computer Vision Technology for Food Quality Evaluation, Chapter, 9, pp. 213-218.

22. Storbeck, F. and Daan, B. (2001). Fish species recognition using computer vision and a neural network. Fisheries Research, 51: 11-15.

23. Tarbell, K.A. and Reid, J.F. (1991). A computer vision system for characterizing corn growth and development. Transactions of the ASAE, 34(5), 2245–2249.

24. Valous, N.A., Mendoza, F. and Sun, D.W. (2010). Emerging Non-Contact Imaging, Spectroscopic and Colorimetric Technologies for Quality Evaluation and Control of Hams: A review. Trends in Food Science & Technology, 21(1): 26-43.

25. Vithu, P. and Moses, J.A. (2016). Machine Vision System for Food Grain Quality Evaluation: A review. Trends in Food Science & Technology, 56:13-20

26. Wu, D., Sun, DW. 2013. Colour Measurements by Computer Vision for Food Quality Control – A review. Trends in Food Science & Technology, 29(1): 5-20.

27. Wu, X., Liang, X., Wang, Y. Wu, B. and Sun, J. (2022), Non-Destructive Techniques for the Analysis and Evaluation of Meat Quality and Safety: A Review. Foods 11, 3713. https://doi.org/10.3390/foods11223713.

28. Zhang, B., Huang, W., Li, J., Zhao, C., Fan, S., Wu, J. and Liu, C. (2014). Principles, Developments and Applications of Computer Vision for External Quality Inspection of Fruits and Vegetables: A review. Food Research International 62: 326-343.