Derin öğrenme ve geleneksel makine öğrenme teknikleri kullanılarak manda yüz tanıma modellerinin geliştirilmesi
Development of water buffalo face recognition models using deep learning and traditional machine learning techniques
- Tez No: 842321
- Danışmanlar: DR. ÖĞR. ÜYESİ ORHAN ERMETİN
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Agriculture, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Büyükbaş hayvanlar, Livestocks
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Yozgat Bozok Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Tarım Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada büyükbaş hayvanlarda geleneksel kimliklendirme yöntemlerine alternatif olarak; yapay zekâ destekli otomatik bir yüz tanıma sistemi örneği geliştirilmiştir. Kullanılan modellerin eğitimi için oluşturulan veri setinde Yozgat iline bağlı bir işletmede bulunan sekiz mandaya ait yüz görüntüleri kullanılmıştır. Görüntüler farklı açılardan çekilerek ham veri seti oluşturulmuştur. Ham veri seti, literatürde geçerli, yaygın olarak kullanılan bazı veri artırım teknikleriyle artırılmış ve nihai olarak BUFFALO-22 ismiyle yeni bir veri seti oluşturulmuştur. Çalışmada oluşturulan BUFFALO-22 veri setinin eğitiminde geleneksel yöntemlerin yanı sıra modern yöntemler de işe koşularak sonuçları karşılaştırılmıştır. Geleneksel tarafta bazı ön işleme yöntemleri ile işlenen görsellerden yaygın kullanılan öznitelik çıkarım teknikleri (Gri Seviye EşOluşum Matrisi ve Yerel İkili Desenler) kullanılarak istenilen öznitelikler çıkarılmıştır. Çıkarılan öznitelikler geleneksel sınıflandırıcı olarak Destek Vektör Makinesi kullanılarak sınıflandırılmıştır. Yapılan testlerde LBP-HSV modeli ile %87.7'lik bir test doğruluğu elde edilmiştir. Diğer yandan modern yöntemler tarafında önceden eğitilmiş derin öğrenme modellerinden InceptionV3 ve nesne tanıma gibi görüntü sınıflandırma görevlerinde yaygın olarak önerilen derin öğrenme modeli YOLO'nun beşinci versiyonu olan YOLOv5 modeli kullanılmıştır. Deneysel sonuçlar hem InceptionV3 gibi önceden eğitilmiş CNN sınıflandırıcılarının hem de YOLOv5 gibi anlık tespit yaklaşımlarının hayvanlarda yüz tanımaya bağlı kimliklendirme görevlerinde başarılı bir şekilde kullanılabileceğini kanıtlamıştır. Sonuçlara göre InceptionV3 yaklaşımı yüz tespitinde %98.5'lik bir ortalama test doğruluğu elde etmiştir. YOLOv5 algoritmasının eğitimi sonucu 0.98'lik bir kesinlik, 0.99'luk bir hassasiyet ve 0.99'luk bir mAP değeri elde edilmiştir. Hem eğitim hem doğrulama hem de test doğruluk ölçütlerinin yanı sıra diğer ölçütler, bu çalışmada kullanılan modellerin hayvan kimliklendirme görevleri için rahatlıkla kullanılabileceği görüşünü desteklemiştir. Yapılan çalışma sonucunda, hayvan kimliklendirmeye bağlı olarak verim denetimi, üreme, sağlık ve refahın takibi, davranış analizi gibi birçok araştırmanın kolaylaşmasının yolunun açabileceği de ön görülmektedir.
Özet (Çeviri)
In this study, an artificial intelligence-supported automatic facial recognition system has been developed as an alternative to traditional identification methods for large livestock. Facial images of eight buffalos from a facility in the Yozgat province were used in the dataset created to train the models. The images were captured from various angles to make the raw dataset. The raw dataset was augmented using some commonly used augmentation techniques in the literature, and ultimately, a new dataset named BUFFALO-22 was created. In the study, the results were compared by employing both traditional and modern methods in the training of the BUFFALO-22 dataset. On the traditional side, common feature extraction techniques (Gray Level Co-occurrence Matrix and Local Binary Patterns) were utilized on images pre-processed with certain techniques to extract the desired features. The extracted features were classified using the Support Vector Machine as the traditional classifier. In the conducted tests, a test accuracy of 87.7% was achieved with the LBP-HSV model. On the other hand, in the realm of modern techniques, the YOLOv5 model, the fifth version of the YOLO (You Only Look Once) deep learning model widely recommended for image classification tasks such as object recognition, was employed alongside pre-trained deep learning models like InceptionV3. Experimental results have demonstrated the successful utility of both pre-trained CNN classifiers like InceptionV3 and real-time detection approaches like YOLOv5 in animal identification tasks based on facial recognition. According to the results, the InceptionV3 approach achieved an average test accuracy of 98.5% in facial detection. Training the YOLOv5 algorithm resulted in a precision of 0.98, a recall of 0.99, and a mean average precision (mAP) value of 0.99. Furthermore, in addition to training, validation, and test accuracy metrics, other criteria have also supported the notion that the models employed in this study can be comfortably used for animal identification tasks. The study suggests that animal identification may pave the way for the facilitation of various research areas such as performance monitoring, reproduction, health and welfare tracking, and behavior analysis.
Benzer Tezler
- Yapay sinir ağları ve derin öğrenme teknikleri kullanılarak elma ve ayvada çeşitli hastalıkların tespit edilmesi
Detection of various diseases in apple and quince by using artificial neural networks and deep learning techniques
AYSUN YILMAZ KIZILBOĞA
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ATİLLA ERGÜZEN
- Using traditional and deep machine learning methods on predicting triage level in an emergency room
Geleneksel makine öğrenmesi ve derin öğrenme yöntemleriyle acil servis triyaj tahminlemesi
MEHMET YILDIRIM
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE UĞUR
PROF. DR. AYŞE BAŞAR
- Görüntü işleme tabanlı derin öğrenme ve makine öğrenmesi yaklaşımlarıyla yabancıotların gelişim dönemlerinin sınıflandırılması
Classification of weed developmental stages using image processing based deep learning and machine learning approaches
YASİN ÇİÇEK
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EYYÜP GÜLBANDILAR
PROF. DR. AHMET ULUDAĞ
- Kestirimci bakım için makine öğrenmesi ve derin öğrenme yöntemleri uygulanarak hata tespiti ve sınıflandırılması
Fault detection and classification for predictive maintenance using machine learning and deep learning methods
UĞUR İLERİ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiDüzce ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF ALTUN
- Sosyal medya verilerinin makine ve derin öğrenme yöntemleriyle içerik ve duygu tahmini
Sentiment prediction of social media data with machine and deep learning
DENİZ KIZILASLAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. HAKAN BURAK EMEKLİ