Geri Dön

Estrus detection in cows with deep learning techniques

Derin öğrenme teknikleri ile ineklerde kızgınlık tespiti

  1. Tez No: 873098
  2. Yazar: İBRAHİM ARIKAN
  3. Danışmanlar: PROF. DR. TOLGA AYAV, DR. ÖĞR. ÜYESİ FATİH SOYGAZİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İzmir Yüksek Teknoloji Enstitüsü
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 72

Özet

Doğurganlık döneminin doğru tahmini, küresel gıda üretimi için hayati bir sektör olan hayvancılıkta suni tohumlamanın verimliliğini optimize etmek ve maliyetlerini azaltmak için kritik öneme sahiptir. Süt üretiminde azalma, buzağı doğumlarının gecikmesi ve devlet desteklerinden mahrum kalma gibi ekonomik kayıpların önlenmesi için döllenme süresinin kesin olarak belirlenmesi hayati önem taşımaktadır. Doğurganlık periyodu boyunca tespit edilmesi gereken en belirgin hareket atlama hareketi olduğu için bu hareketin tespiti önem taşımaktadır. Bu hareketin manuel tespiti zor ve maliyetli olduğu için otomatize yöntemlere ihtiyaç duyulmuştur. Dolayısıyla atlama hareketi anının tespiti için derin öğrenme tabanlı yöntemlerin uygulanabileceği düşünülmüştür. Önerilen yöntem, derin öğrenme ve açıklanabilir yapay zeka tekniklerini kullanarak doğurganlık dönemini tespit etmektedir. Derin öğrenme tabanlı atlama tespiti CNN, ResNet, VGG-19 ve YOLO-v5 modelleri kullanılarak gerçekleştirilmektedir. Önerilen sistemdeki ResNet modeli atlama hareketini %99 doğrulukla tespit etmektedir. Derin öğrenme modellerinin açıklanabilirliği, atlama hareketinin tespit edilmesinde karar vermeye yardımcı olan özellikleri açıklar. Önerilen modellerin arkasında yer alan kara kutu için açıklanabilir yapay zeka tekniklerinden olan Grad-CAM ve Gradient Giriş modelleri kullanılmıştır. Geliştirilen derin öğrenme modelleri, karar verme aşamasında ineklerin meme ve sırt bölgesine odaklandıklarını ortaya koymuştur. Ayrıca, bu çalışmada eğitilen derin öğrenme modellerinin açıklanabilirliği için kullanılan Grad-CAM ve Gradient Inputs gibi XAI modellerinin, 'faithfulness', 'maximum sensitivity' ve 'complexity' metrikleri hesaplanarak ölçülen açıklama işlemini ne kadar başarılı bir şekilde gerçekleştirdiği incelenmiştir.

Özet (Çeviri)

Accurately predicting the estrus period is essential for enhancing the efficiency and lowering the costs of artificial insemination in livestock, a crucial sector for global food production. Precisely identifying the estrus period is critical to avoid economic losses such as decreased milk production, delayed calf births, and loss of eligibility for government subsidies. Since the most obvious movement that needs to be detected during the fertilization period is mounting, it is important to detect this movement. Since manual detection of this movement is difficult and costly, automated methods were needed. Therefore, it is thought that deep learning-based methods can be applied to detect the mounting moment. The proposed method detects the estrus period using deep learning and XAI (Explainable Artificial Intelligence) techniques. Deep learning-based mounting detection is performed using CNN, ResNet, VGG-19 and YOLO-v5 models. The ResNet model in this proposed study detects mounting movement with 99% accuracy. Explainability of deep learning models describes features that aid in decision-making in detecting mounting motion. Grad-CAM and Gradient Inputs models, which are XAI techniques, are used for the black box behind the proposed models. The developed deep learning models reveal that they focus on the udder and back area of the cows during the decision-making phase. In addition, how successfully the Grad-CAM and Gradient Inputs models, which are the XAI models used for the explainability of the deep learning models trained in this study, performed the explanation process was measured by calculating the“faithfulness”,“maximum sensitivity”and“complexity”metrics.

Benzer Tezler

  1. İneklerde iki farklı yöntemle östrus senkronizasyonunu takiben foliküler gelişim ve gebelik oranlarının karşılaştırılması

    Comparison of follicular development and pregnancy rates following estrus synchronization by two differerent methods in cows

    FAHRİ ÖNDER SEYHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Veteriner HekimliğiAtatürk Üniversitesi

    Doğum ve Jinekoloji (Veterinerlik) Ana Bilim Dalı

    PROF. DR. ARMAĞAN ÇOLAK

  2. Yapay sinir ağı kullanarak farklı kategoriler ile süt ineklerinde kızgınlık tahmini

    Estimation of infection in dairy cows with different categories by using artificial neural network

    İRFAN SARICA

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Mühendislik BilimleriMuğla Sıtkı Koçman Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    PROF. DR. İLHAN TARIMER

  3. Erken laktasyondaki sütçü ineklerde östrus belirlemede aktivite ölçer kullanımının reprodüktif performans üzerine etkilerinin araştırılması

    The effects of the use of activity meter for estrous detection onreproductive performance of early lactation dairy cows

    SEMRA ERGÜL YILMAZ

    Doktora

    Türkçe

    Türkçe

    2023

    Veteriner HekimliğiAnkara Üniversitesi

    Veteriner Doğum ve Jinekoloji Ana Bilim Dalı

    PROF. DR. HALİT KANCA

  4. Sığırların kızgınlık tespitinde vücut salgıları biyo-indikatörlerinin incelenmesi

    Investigation of body secretions bio-indicators in cattle estrus detection

    ÖZGÜL ANİTAŞ

    Doktora

    Türkçe

    Türkçe

    2019

    ZiraatÇukurova Üniversitesi

    Zootekni Ana Bilim Dalı

    PROF. DR. SERAP GÖNCÜ