Makine öğrenmesi ve görüntü işleme yöntemlerini kullanarak et sığırlarında canlı ağırlık tahmini
Live weight estimation in beef cattle using image processing and machine learning methods
- Tez No: 651617
- Danışmanlar: PROF. DR. HÜLYA ATIL
- Tez Türü: Doktora
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Canlı ağırlık, CHAID, çoklu doğrusal regresyon, makine öğrenmesi, MARS, et sığırı, tahmin, yapay sinir ağları, Body weight, CHAID, multiple linear regression, beef cattle, machine learning, MARS, prediction, artificial neural network
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Zootekni Ana Bilim Dalı
- Bilim Dalı: Biyometri ve Genetik Bilim Dalı
- Sayfa Sayısı: 230
Özet
Çiftlik hayvanlarında canlı ağırlığın belirlenmesi ve düzenli olarak takip edilmesi, hastalıkların erken tesbiti, ilaç miktarlarından tasarruf ve dolayısıyla işletme karlılığı açısından büyük önem arz etmektedir. Ancak işletmelerin büyük çoğunluğunda kantar bulunmadığından, ya da varsa bile tartım işinin zaman alıcı, zahmetli oluşu ve hayvanlarda stres oluşturmasından dolayı işletmelerin çoğunluğunda tartım yapılmamaktadır. Günümüzde klasik tartım yöntemlerinden kaynaklı olumsuzlukların önüne geçmek amacıyla, hayvanların vücut ölçümleri kullanılarak canlı ağırlıklarının belirlenebileceği çeşitli tahmin yöntemleri geliştirilmiştir. Bu yöntemler tartım işlemine kıyasla daha az zaman almaktadır ancak hayvanlarda stres oluşumunun ve insan yaralanmalarının önüne geçilememektedir. Tez çalışmasında bu geleneksel yöntemlere alternatif olarak canlı ağırlık tahmini gerçekleştirmek amacıyla makine öğrenmesi ve görüntü işleme tekniklerine dayalı bir yöntem önerilmiştir. Bu amaçla, hayvanları rahatsız etmeden, yerden 2.65m yükseklikte konumlandırılmış üç boyutlu sabit bir kamera ile alınan derinlik görüntülerinden sığırların canlı ağırlıkları tahmin edilmiştir. Sığırların tamamı aynı kamera çekim açısında olmadığından canlı ağırlık otomatik olarak tahmin edilememiş ancak her bir sığırdan alınan yaklaşık 10'ar görüntüden uygun olanlar seçilerek klasörlendikten sonra bu klasördeki görüntülerinden sığırların üstten sırt (dorsal) alanları otomatik olarak hesaplanmıştır. Ayrıca derinlik görüntüsünden yararlanılarak sığır yükseklikleri de tahmin edilmiş ve elde edilen bu yükseklik değerleri yöntemlerde girdi (bağımsız değişken) olarak kullanılmıştır. Derinlik görüntüsü kullanılarak sığır yükseklerinin tahmin edildiği görüntü işleme yöntemiyle literatüre yeni bir bakış açısı kazandırılması hedeflenmiştir. Çalışmada makine öğrenmesinde kullanılan yapay sinir ağları yaklaşımı detaylı bir şekilde incelenmiş, çok sayıda eğitim kombinasyonu denenmiştir. YSA'nın yanı sıra hayvancılık alanında kullanımı yeni olan MARS ve CHAID yöntemleri ile de sığır canlı ağırlıkları tahmin edilmiş ve elde edilen bulgular bir fikir vermesi açısından tez kapsamında sunulmuştur. Yapay sinir ağları (YSA), Çok değişkenli uyarlanabilir regresyon eğrileri (MARS), ve Ki kare otomatik etkileşim belirleme (CHAID) yöntemleri ile yapılan canlı ağırlık tahminlerinde ortalama mutlak hata yüzdesi (MAPE) değerleri sırasıyla %4.15, %4.75 ve %5.36 olarak tespit edilmiştir. Her bir yaklaşımla yapılan tahminlerin R 2 değerleri aynı sırayla 0.9467, 0.9334 ve 0.9211 olarak, hata kareler ortalamasının karekökü (RMSE) değerleri sırasıyla 31.63kg, 32.95kg ve 38.42kg olarak belirlenmiştir. Hayvancılıkta daha sık kullanılan çoklu doğrusal regresyon (ÇDR) yöntemiyle ise MAPE, R 2 ve RMSE değerleri sırasıyla %5.02, 0.9266 ve 37.06kg olarak tespit edilmiştir. Yapay sinir ağlarında deneysel çalışmalar sırasında farklı parametre değerleri kullanılarak 972 yapay sinir ağı eğitimi yapılmıştır. Ayrıca YSA'da kullanılan öğrenme algoritmalarından Levenberg&Marquardt (LM), Bayesian regularization (BR) ve uyarlanabilir öğrenme oranlı gradyan yöntemi (GDX), hatayı azaltma bakımından karşılaştırılmış ve ortalama olarak en düşük MAPE değeri (%4.56), LM algoritması kullanılarak iki katmanda sekiz nöron bulunan (2-8-8-1) ağ mimarisiyle yapılan eğitimden elde edilmiştir. Çalışma sonuçları, sığırlarda canlı ağırlığın makine öğrenmesi ve görüntü işleme yöntemleriyle başarılı bir şekilde tahmin edilebileceğini göstermektedir.
Özet (Çeviri)
Determination and monitoring of body weight in animal husbandry are of great importance in terms of profitability, early diagnosis of diseases, saving the amount of drugs used. However, the majority of farms do not weigh livestock for reasons most farms do not have a scale or, even if they do, the weighing is time consuming, laborious, and can cause stress on animals. In recent years, various estimation methods have been developed to determine the live weights of animals by using body measurements in order to prevent negativity from classical weighing methods. Although these methods take less time compared to weighing, stress formation in animals and injuring human cannot be prevented. In this study, an image processing and machine learning-based method is proposed to estimate body weight as an alternative to these traditional methods. For this purpose, the body weights of cattle were estimated by using their three-dimensional depth view taken with a fixed camera positioned at a height of 2.65m from the ground without disturbing the animals. Since all cattle were not at the same camera shooting angle, their body weight could not be predicted automatically, but approximately 10 images were taken from each cattle and after the appropriate ones were selected and filed, the dorsal areas of the cattle were automatically calculated from the images in this folder. In addition, cattle heights values were also estimated using the depth image were used as inputs (independent variables) in the methods. It is aimed to gain a new perspective to the literature by image processing method in which cattle heights are estimated using depth view. In the study, the artificial neural networks approach used in machine learning was examined in detail, and many training combinations were tried in ANN. In addition to ANN, live weights of cattle were estimated with MARS and CHAID methods, which are new to used in animal husbandry, and the findings are presented to the reader within the scope of the thesis to give an idea. Mean Absolute Percentage Error (MAPE) values of approach were defined as 4.15, 4.75, and 5.36% in the body weight estimations by using Artificial Neural Network (ANN), Multivariate Adaptive Regression Splines (MARS) and Chi-Square Automatic Interaction Detection (CHAID) methods, respectively. The R 2 values of the estimates by each approach were 0.9467, 0.9334, and 0.9211, and the Root Mean Square Error (RMSE) values were 31.63, 32.95, and 38.42kg respectively. MAPE, R2 and RMSE values were found to be 5.02%, 0.9266 and 37.06 kg, respectively, with the multiple linear regression (MLR) method, which is more frequently used in animal husbandry. During the experimental studies in artificial neural networks, 972 artificial neural network trainings were carried out using different parameter values. In addition to Levenberg-Marquardt (LM), Bayesian Regularization (BR) and Gradient Descent with Adaptive Learning Rate (GDX) algorithms which are among the learning algorithms used in ANN were compared in terms of error reduction and the lowest MAPE value (4.56%) on average was obtained from LM algorithm with 2-8-8-1 network architecture training. The results of the study show that body weight of cattle can be predicted successfully by machine learning and image processing methods
Benzer Tezler
- Ensemble and deep learning on astronomical data with different modalities
Astronomik veride farklı kiplerle topluluk öğrenmesi ve derin öğrenme
FATMA KUZEY EDEŞ HUYAL
Doktora
İngilizce
2023
Astronomi ve Uzay Bilimleriİstanbul Teknik ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE ONUR KAHYA
PROF. DR. ZEHRA ÇATALTEPE
- Deep learning-based building segmentation using high-resolution aerial images
Yüksek çözünürlüklü hava görüntüleri kullanarak derin öğrenme temelli bina bölütlemesi
BATUHAN SARITÜRK
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Rigid pavement crack detection utilizing generative adversarial networks
Beton yollarda çekişmeli üretici ağlar kullanarak yol çatlak tespiti
TANNER WAMBUI MUTURI
Yüksek Lisans
İngilizce
2023
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ONUR PEKCAN
- Design, modelling and control of a nano quadrotor withmicrocontroller based vision system for object tracking
Nesne takibi için bir nano dört rotorlu helikopterin tasarımı, modellenmesi ve mikrodenetleyici tabanlı görüntü sistemi ile kontrolü
MUSTAFA ENES KIRMACI
Yüksek Lisans
İngilizce
2023
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN
PROF. DR. ERDİNÇ ALTUĞ
- Kenar koruyan görüntü ayrışım yöntemleri ile SAR görüntülerinde otomatik hedef sınıflama performansının arttırılması
Increasing automatic target recognition rate of SAR images via edge preserving image decomposition methods
HALDUN BOZKURT
Yüksek Lisans
Türkçe
2016
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. IŞIN ERER