Geri Dön

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

  1. Tez No: 651617
  2. Yazar: AHMET ERHAN KARAHAN
  3. Danışmanlar: PROF. DR. HÜLYA ATIL
  4. Tez Türü: Doktora
  5. Konular: Ziraat, Agriculture
  6. 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
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: Ege Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Zootekni Ana Bilim Dalı
  12. Bilim Dalı: Biyometri ve Genetik Bilim Dalı
  13. 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

  1. 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

    İngilizce

    2023

    Astronomi ve Uzay Bilimleriİstanbul Teknik Üniversitesi

    Fizik Mühendisliği Ana Bilim Dalı

    PROF. DR. EMRE ONUR KAHYA

    PROF. DR. ZEHRA ÇATALTEPE

  2. Deep learning-based building segmentation using high-resolution aerial images

    Yüksek çözünürlüklü hava görüntüleri kullanarak derin öğrenme temelli bina bölütlemesi

    BATUHAN SARITÜRK

    Doktora

    İngilizce

    İngilizce

    2022

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  3. Rigid pavement crack detection utilizing generative adversarial networks

    Beton yollarda çekişmeli üretici ağlar kullanarak yol çatlak tespiti

    TANNER WAMBUI MUTURI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    İnşaat MühendisliğiOrta Doğu Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ONUR PEKCAN

  4. 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

    İngilizce

    2023

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜLYA YALÇIN

    PROF. DR. ERDİNÇ ALTUĞ

  5. 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

    Türkçe

    2016

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. IŞIN ERER