Süt keçilerinde vücut kondisyon skorunun evrişimsel sinir ağlarıyla saptanması
Using convolutional neural networks for determining the body condition scores of dairy goats
- Tez No: 831143
- Danışmanlar: PROF. DR. ZEYNEL CEBECİ
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Zootekni Ana Bilim Dalı
- Bilim Dalı: Biyometri ve Genetik Bilim Dalı
- Sayfa Sayısı: 96
Özet
Hayvan yetiştiriciliğinde sürü üretkenliğinin bir göstergesi olarak Vücut Kondisyon Skoru (VKS), hayvanların kondisyon derecesini ölçmek için kullanılan bir puanlama yöntemidir. VKS puanlaması uzmanlık ve deneyim gerektiren, zaman alıcı ve maliyeti yüksek bir işlemdir. Bu işlemleri daha nesnel ve kısa sürede yapmak için makine öğrenmesi yöntemlerinden yararlanılabilir. Bu tez çalışmasında bu amaçla, keçi görüntülerinden derin öğrenme yoluyla öğrenen Evrişimsel Sinir Ağları (ESA) modelleriyle VKS belirlenmesi amaçlanmıştır. Çalışmada Alpin ve Saanen keçi ırklarından 111 keçiden önden, sırttan ve pelvik bölgesinden alınan görüntüler kullanılarak tanınan bazı ESA başarımları karşılaştırılmıştır. ESA modelleri olarak uygulamalarda yaygın kullanılan AlexNet, VGGNet, DenseNet, GoogleNet, Inception V3, MobileNet ve ResNet ve bunların bazı versiyonları gibi önceden eğitilmiş ağlar kullanılmıştır. Bu ağlar keçilerden alınan görüntülerden orijinal (VS1), normalleştirilmiş (VS2), arttırılmış (VS3), kenar-bölütleme uygulanmış (VS4) ve SMOTE ile arttırılmış (VS5) olmak üzere beş veri seti üzerinde eğitilmiş ve test edilmiştir. Elde edilen sonuçlara göre tüm veri setlerinde diğerlerine göre en yüksek doğruluk ve F1 ölçütleri sunan VGG-11 ağı en başarılı ağ olarak saptanmıştır. VGG-11 VS1, VS2, VS3, VS4 ve VS5 veri setlerinde sırasıyla %80,00, %81,02, %81,66, %84,34 ve %87,53 doğruluk ve yine aynı veri setlerinde %81,93, %81,98, %82,80, %84,16 ve %86,78 F1 düzeyinde test başarımı göstermiştir. Sınıflardaki görüntü sayılarını dengelemek ve eşitlemek için yapılan SMOTE uygulaması tüm modellerin başarımlarında artışa yol açmıştır. Bu sonuç, SMOTE uygulamasının ESA ağlarında başarımı yükseltmesi nedeniyle uygulanması gereken bir arttırma yöntemi olduğunu göstermektedir. Ağların eğitiminde ızgarama araması yapılarak öğrenme oranı, kayıp fonksiyonu vd. hiperparametrelerin optimal bir kombinasyonunun aranması da önemlidir. Bu çalışmada başarımı yüksek VGG-11 ile VS5 veri setinde yapılan ızgara araması ile 0.0001 öğrenme oranı ve NLLLoss kayıp fonksiyonu ile yapılan testte %88.81 doğruluk ve %87.90 F1 ölçütü başarımına erişilmiştir. Çalışmada elde edilen bulgular SMOTE uygulanmış keçi görüntülerinde VGG-11 ağı ile NLLLoss kayıp fonksiyonu ve 0.0001 öğrenme oranı uygulanan ESA modelinin başarıyla kullanılabileceğini göstermiştir.
Özet (Çeviri)
Body Condition Score (BCS) as an indicator of herd productivity in animal husbandry is a scoring method used to measure the fitness level of animals. However, scoring animals is a time-consuming and costly process that requires good knowledge and experience, the machine learning can be applied to make scoring more objective in a short time. For this purpose, in this thesis, it is aimed to determine BCS with Convolutional Neural Networks (CNN) models that learn from goat images through deep learning. In the study, the classification performances of some recognized CNN models were compared using the images taken from front, back and pelvic region of 111 goats of Alpine and Saanen breeds. The pre-trained networks such as AlexNet, VGGNet, DenseNet, GoogleNet, Inception V3, MobileNet and ResNet and some versions of these, which are widely used in applications, were used as the CNN models in the study. These networks were trained and tested on five datasets from images taken from goats: original (DS1), normalized (DS2), augmented (DS3), edge-segmented (DS4) and SMOTE augmented (DS5). VGG-11 has the test performance 80.00%, 81.02%, 81.66%, 84.34% and 87.53% for accuracy on DS1, DS2, DS3, DS4 and DS5 datasets, respectively, and 81.93%, 81.98%, 82.80%, 84.16% and 86.78% for F1 metrics on the same datasets. The SMOTE to balance and equalize the number of images in the minority classes has led to an important increase in the performance of all models. This result shows that SMOTE is an augmentation method that should be applied because it improves the performance in CNN models. In the training of models, a grid-search for the hyperparameters such as learning rate, loss function, etc. is also important to find for an optimal combination of hyperparameters. In this study, with the grid search performed on the VS5 dataset, test performance levels of 88.81% accuracy and 87.90% F1 were achieved with 0.0001 learning rate and NLLLoss loss function using VGG-11. The findings obtained in the study showed that the CNN model with VGG-11 network using NLLLoss loss function and 0.0001 learning rate, can be used successfully on SMOTE balanced goat images datasets.
Benzer Tezler
- Kilis keçilerinde vücut kondisyon puanı ve döl verimi arasındaki ilişki
Relationship between body condition scores and reproductive characteristics in Kilis goat
DİLEK TÜNEY
Yüksek Lisans
Türkçe
2015
ZiraatMustafa Kemal ÜniversitesiHayvan Yetiştirme Ana Bilim Dalı
PROF. DR. MAHMUT KESKİN
- Saanen keçilerinde meme formu ve süt verim özellikleri arasındaki ilişkilerin belirlenmesi üzerine bir araştırma
An investigation on the determination of the relationship between udder type and milk yield characteristics in Saanen goats
AYSAR SHIHAB AHMED
- Teke katım döneminde keçilerin farklı miktarlarda protein ve enerji tüketmelerinin bazı kan parametreleri ile döl verimi üzerine etkileri
Effects of different dietary energy and protein levels during mating period on the reproductive performance and some blood parameters of does
DİLEK KOR
- Kilis keçilerinde farklı vücut özellikleri ile verim özellikleri arasındaki ilişkiler
Relationships between different body characteristics andyield characteristics in Kilis goats
HATİCE YILMAZ TİLKİ
Yüksek Lisans
Türkçe
2020
ZiraatHatay Mustafa Kemal ÜniversitesiZootekni Ana Bilim Dalı
PROF. DR. MAHMUT KESKİN