Application of artificial neural networks to predict dressing percentage in cattle

• Autorzy: Adamczyk K , Gil Z. , Golonka M. , Makulska J. , Zapletal P.

Warianty tytułu

PL

Wykorzystanie sztucznych sieci neuronowych do przewidywania wydajnosci rzeznej bydla

• Języki publikacji: EN

Abstrakty

EN

The objective of this study was to evaluate the results of the application of two variants of the artificial neural networks (ANNs) to predict dressing percentage in slaughter cattle. In the Ist variant the input data included sex, genotype, muscularity, age and weight at slaughter as well as hot carcass weight. In the IInd variant hot carcass weight was omitted. Values of root-mean- square (RMS) indicated the proper course of network training in both variants. As it was expected, the prediction of dressing percentage by means of the Ist variant was much more accurate. On the contrary, high final values of RMS and low correlation between the network predictions and the actual values (r = 0.27*) in the IInd variant make questionable the usefulness of ANNs for predicting dressing percentage based on pre-slaughter data assumed in the present study. However, it should be emphasised that the increase of the observation number and the optimisation of the network structure may result in the improvement of its performance.

PL

W pracy oceniono wyniki zastosowania dwóch wariantów sztucznych sieci neuronowych (SSN) do przewidywania wydajności rzeźnej bydła. Dane wejściowe w I wariancie obejmowały: płeć, genotyp, wiek i masę ciała przy uboju, masę tuszy ciepłej oraz umięśnienie zwierząt. W wariancie II pominięto masę tuszy ciepłej. Stwierdzono, że w obu wariantach proces uczenia się sieci przebiegał prawidłowo, o czym świadczy przebieg krzywej dla wartości błędu średniokwadratowego (RMS). Jak można było przypuszczać, predykcja wydajności rzeźnej z wykorzystaniem I wariantu sieci okazała się znacznie dokładniejsza. Wysokie wartości końcowe błędu RMS oraz niska korelacja między wskazaniami sieci w II wariancie a wartościami rzeczywistymi (r = 0,27*) stawiają pod znakiem zapytania przydatność SSN do przewidywania wydajności rzeźnej na podstawie przyjętych w pracy danych, dostępnych przed ubojem zwierzęcia. Należy jednak podkreślić, że zwiększenie liczby obserwacji i zastosowanie sieci o bardziej złożonej strukturze, mogłoby wpłynąć na poprawę skuteczności tej metody.

• Wydawca: -
• Czasopismo: Polish Journal of Natural Sciences
• Rocznik: 2007
• Tom: 22
• Numer: 1
• Opis fizyczny: p.23-30,fig.,ref.

Twórcy

autor

Adamczyk K

• Agricultural University in Krakow, al. Mickiewicza 24-28, 30-059 Krakow, Poland

autor

Gil Z.

autor

Golonka M.

autor

Makulska J.

autor

Zapletal P.

Bibliografia

• ADAMCZYK K. 2002. Określanie masy ciała, tempa wzrostu i wartości rzeźnej buhajków mieszańców. Kat. Hodowli Bydła, AR Kraków, pp. 132 (rozprawa doktorska).
• ADAMCZYK K., SZAREK J., MOLENDA K. 2002. Wykorzystanie sztucznych sieci neuronowych (Neural Networks) w zakresie hodowli bydła. Biul. Inf. IZ, 40(4): 65-75.
• ADAMCZYK K., MOLENDA K., SZAREK J., SKRZYŃSKI G. 2005. Prediction of Bulls; Slaughter value from growth data using artificial Neural Network. J. Cent. Eur. Agric., 6(2): 133-142.
• BRETHOUR J.R. 1994. Estimating marbling score in live cattle from ultrasound images using pattern recognition and neural network procedures. J. Anim. Sci., 72(6): 1425-1432.
• CROSS H.R., BELK K. E. 1992. Objective measurements of carcass and meat quality. Proc. of 38th ICoMST Clermont – Ferrand, France, pp. 127-134.
• CROSS H.R., WHITTAKER A.D. 1992. The role of instrument grading in a beef value-based marketing system. J. Anim. Sci., 70: 984-989.
• GILBERT R.P., BAILEY D.R.C., SHANNON N. H. 1993. Linear body measurements of cattle before and after 20 years of selection for postweaning gain when fed two different diets. J. Anim. Sci., 71: 1712-1720.
• GREINER S.P., ROUSE G.H., WILSON D.E., CUNDIFF L.V. WHEELER T.L. 2003. Prediction of retail product weight and percentage using ultrasound and carcass measurements in beef cattle. J. Anim. Sci., 81: 1736-1742.
• HATEM I., TAN J.L. 1998. Determination of animal skeletal maturity by image processing. ASAE An. Int. Meeting, Orlando, Florida, 12-16.07.1998, ASAE Paper, 983019, pp. 13.
• HILL B.D., JONES S.D.M., ROBERTSON W.M., MAJOR I.T. 2000. Neural Network modeling of carcass measurements to predict beef tenderness. Can. J. Anim. Sci., 80(2): 311-318.
• LI J., TAN J., MARTZ F.A., HEYMANN H. 1999. Image texture features as indicators of beef tenderness. Meat Sci., 53(1): 17-22.
• MASTERS T. 1996. Sieci neuronowe w praktyce. Programowanie w języku C++. WNT, Warszawa, pp. 455.
• MC KIERNAN B. 2000. Muscle scoring beef cattle. NSW Department of Primary Industries, New South Wales, Australia (http://www.dpi.nsw.gov.au).
• ROBINSON D.L., HAMMOND K., MCDONALD C.A. 1993. Live animal measurement of carcass traits: estimation of genetic parameters for beef cattle. J. Anim. Sci., 71: 1128-1135.
• SAKOWSKI T., DE LAURANS A, CYTOWSKI J. 1993. Świat stawia na obiektywną ocenę wartości rzeźnej zwierząt. Prz. Hod., 12: 14-15.
• TADEUSIEWICZ R. 1993. Sieci neuronowe. AOW, wyd. II, Warszawa, 12-19.
• WALL P.B., ROUSE G.H., WILSON D.E., TAIT, JR. R.G., BUSBY W.D. 2004. Use of ultrasound to predict body composition changes in steers at 100 and 65 days before slaughter. J. Anim. Sci., 82: 1621-1629.