Kilis keçilerinde görüntü işleme ve makine öğrenimi ile canlı ağırlık tahmini
Liveweight estimation in ki̇lis goats with image processing and machine learning
- Tez No: 942562
- Danışmanlar: DOÇ. DR. HALİT DENİZ ŞİRELİ, DOÇ. DR. CİHAN ÇAKMAKÇI
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Kilis Keçisi, Makine Öğrenimi, Görüntü İşleme, Canlı Ağırlık tahmini, Kilis Goat, Machine Learning, Image Processing, Live Weight prediction
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Zootekni Ana Bilim Dalı
- Bilim Dalı: Zootekni Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma Kilis keçisi oğlaklarında görüntü işleme ve makine öğrenimi yöntemlerini kullanarak canlı ağırlığın tahmin edilmesi amaçlanmıştır. Çalışma, Dicle Üniversitesi Ziraat Fakültesi Araştırma ve Uygulama Çiftliği Küçükbaş Biriminde 2023 Temmuz ile 2024 Mart tarihleri arasından gerçekleştirilmiştir. Çalışmada, 9 baş Kilis keçisi oğlağından elde edilen morfolojik ölçümler ile sırt görüntüleri, 10 aylık bir süre boyunca düzenli olarak kaydedilmiştir. Oğlaklar, benzer yaş aralığında olan bireyler arasından seçilmiştir. Sırt görüntüleri, saniyede 30 kare (fps) çekim yapabilen 4K çözünürlükteki GoPro cihazı ile alınmıştır. Bu görüntüler, makine öğrenmesi için kullanılacak veri setinde özellik çıkarımı amacıyla işlenmiştir. Görüntüler, Python üzerinden Labelme programı ile etiketlenmiş, ardından sırt görüntülerinin arka planları çıkarılarak ImageJ programında analiz edilmiştir. Bu analizlerle elde edilen morfolojik ölçümler kullanılarak, farklı makine öğrenmesi modellerinin (Random Forest, SVR, MARS ve XGBoost) test performansları karşılaştırılmıştır. Modellerin tahmin performansları, test verilerinde R², MAE ve RMSE gibi istatistiklerle değerlendirilmiştir. Sonuçlar, XGBoost modelinin eğitim veri setinde en yüksek performansı gösterdiğini (R² = 0.98, MAE = 0.50, RMSE = 0.64), ancak test veri setinde R² = 0.01, MAE = 0.01, RMSE = 5.36 ile düşük performans sergilediğini ortaya koymuştur. Diğer modellerin performansları sırasıyla; Random Forest için R² = 0.85, MAE = 1.55, RMSE = 1.89; SVR için R² = 0.51, MAE = 2.26, RMSE = 3.19; MARS için ise R² = 0.19, MAE = 3.10, RMSE = 3.91 olarak bulunmuştur. Sonuçta, görüntü işleme ve makine öğrenmesi tekniklerinin küçükbaş hayvanların canlı ağırlıklarının tahmin edilmesinde güvenilir ve pratik bir alternatif sunduğunu göstermektedir. Bunun yanı sıra, hayvancılık sektöründe teknolojik gelişmelerin entegrasyonu ve sürü yönetiminde dijital dönüşümün gerçekleştirilmesi adına önemli bir adım teşkil etmektedir.
Özet (Çeviri)
The aim of this study is to predict the live weight of Kilis goat kids using image processing and machine learning techniques. The research was conducted at the Small Ruminant Unit of the Faculty of Agriculture, Dicle University, between July 2023 and March 2024. The study's material consisted of morphological measurements and back images obtained from 9 Kilis goat kids, which were collected regularly over a period of 10 months. The goats were selected based on similar age ranges within the Kilis breed. The back images were captured using a GoPro device with 4K resolution (3840x2160 pixels) and 30 frames per second (fps). These images were used to extract features for the dataset intended for machine learning. The images were initially labeled using the Labelme program in Python, with the labels being generated based on the references in the images. After the background removal of the back images, the resulting images were analyzed using ImageJ to obtain morphological measurements. Various machine learning models (Random Forest, SVR, MARS, and XGBoost) were employed to compare different datasets and test performance. The predicted performance of these models was evaluated based on statistics such as R² (Coefficient of Determination), MAE (Mean Absolute Error), and RMSE (Root Mean Squared Error) for the test data. The results indicated that the XGBoost model exhibited the best performance on the training dataset with R² = 0.98, MAE = 0.50, and RMSE = 0.64, but showed lower performance on the test dataset with R² = 0.01, MAE = 0.01, and RMSE = 5.36. The performance of the other models was as follows: Random Forest (R² = 0.85, MAE = 1.55, RMSE = 1.89), SVR (R² = 0.51, MAE = 2.26, RMSE = 3.19), and MARS (R² = 0.19, MAE = 3.10, RMSE = 3.91). This research demonstrates that image processing and machine learning techniques offer a reliable and practical alternative for predicting the live weight of small ruminants. Moreover, it represents a significant step towards the application of technological advancements in the livestock industry and the digital transformation of flock management.
Benzer Tezler
- Ege bölgesi keçi liflerinin bazı önemli fiziksel, kimyasal özellikleri ve değerlendirme imkanları
Başlık çevirisi yok
NİLÜFER ERDEM
Doktora
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLSEREN YAZICIOĞLU
- Bentonitlerde değişebilir katyonların katman yapısına etkilerinin x-ışınları kırınım yöntemi ile incelenmesi
Başlık çevirisi yok
İLHAN AKSOY
Doktora
Türkçe
1986
Fizik ve Fizik Mühendisliğiİnönü ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. NİZAMETTİN ARMAĞAN
- Enez kili ve asitle etkileşmesinin kristal yapı bakımından x-ışını kırınım yöntemi ile incelenmesi
Başlık çevirisi yok
NEZİHE ÇALIŞKAN
Doktora
Türkçe
1986
Fizik ve Fizik Mühendisliğiİnönü ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. NİZAMETTİN ARMAĞAN
- Tekstil boyamacılığında atık flottede boyama imkanları üzerine araştırma
Başlık çevirisi yok
MEHMET YAKARTEPE
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. KERİM DURAN
- Çorum toprak sanayii malzeme sahası olarak Sazköy killerinin etüdü
The Investigation of the Sazköy clays as meterial deposit for Çorum brick and the industry
METİN ARSLAN
Yüksek Lisans
Türkçe
1987
İnşaat MühendisliğiGazi ÜniversitesiYapı Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. RECEP KILIÇ