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: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ziraat, Computer Engineering and Computer Science and Control, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- 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: 86
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
- Some machine learning techniques for medical diagnosis
Tıbbi teşhisler için bazı makine öğrenme teknikleri
İLHAN UYSAL
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CAFER ÇALIŞKAN
- Classification of lung CT images using deep convolutional neural network
Akciğer tomografi görüntülerinin derin evrişimsel sinir ağları ile sınıflandırılması
HOMAY DANAEI MEHR
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HÜSEYİN POLAT
- Derin öğrenme ile yüz tanıma
Face recognition with deep learning
FATIMA ZEHRA ÜNAL
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET SERDAR GÜZEL
- A robust and hybrid machine learning model for university satisfaction estimation on Turkish Twitter feeds
Türkçe Twitter yayınlarında üniversite memnuniyeti tahmini için sağlam ve hibrit bir makine öğrenme modeli
ABDULFATTAH ESMAIL HASAN ABDULLAH BA ALAWI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FERHAT BOZKURT