Görüntü işleme ve sensör verisi analizi ile süt siğirlarinda erken mastitis tespiti
Early detection of mastitis in dairy cattle using image processing and sensor data analysis
- Tez No: 984056
- Danışmanlar: DOÇ. DR. YUSUF ÖZÇEVİK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Süt sığırcılığında en yaygın ve maliyetli hastalıklardan biri olan mastitis, ciddi ekonomik kayıplara yol açmaktadır. Hastalığın erken teşhisi, bu kayıpları en aza indirmek için kritik öneme sahiptir. Bu çalışma, mastitisin erken tespiti amacıyla iki tamamlayıcı yapay zekâ yaklaşımını geliştirmeyi ve karşılaştırmayı amaçlamaktadır: (i) görüntü işleme tabanlı bir sınıflandırma sistemi ve (ii) sensör verisi tabanlı bir tahmin modeli. Görüntü işleme yaklaşımında, Kaggle platformundan elde edilen 343 adet inek meme görüntüsünden oluşan bir veri seti kullanılmıştır. Görüntülerden Local Binary Pattern (LBP) yöntemiyle doku özellikleri çıkarılmış, bu özellikler Destek Vektör Makineleri (SVM) algoritmasıyla ile sınıflandırılmış ve modelin pratik uygulamasını göstermek amacıyla bir web arayüzü geliştirilmiştir. Geliştirilen LBP+SVM modeli, test seti üzerinde %89.66 doğruluk %96.15 kesinlik ve %92.59 duyarlılık gibi başarı oranları göstermiştir. Sensör verisi yaklaşımında, 1 milyondan fazla kayıt içeren ve elektriksel iletkenlik (EC), süt verimi (MY) ve aktivite (AQ) gibi 35 özellik barındıran büyük ölçekli bir veri seti analiz edilmiştir. Veri setindeki %0.22 mastitis prevalansı, ciddi bir sınıf dengesizliği problemi teşkil etmiştir. Bu sorunu çözmek için SMOTE algoritması uygulanmıştır. SMOTE sonrası Lojistik Regresyon, Rastgele Orman (RF) ve XGBoost modelleri karşılaştırılmıştır. Rastgele Orman modeli, ROC-AUC'de 0.997 ve PR-AUC'de 0.820 performans sergilemiştir. Eşik optimizasyonu ile modelin %73.63 duyarlılık ve %96.61 kesinlik oranıyla klinik olarak anlamlı bir denge sunduğu saptanmıştır. Sonuç olarak, bu çalışma mastitis tespiti için iki geçerli model sunmaktadır. LBP+SVM modeli hızlı ve temassız bir görsel doğrulama sağlarken, SMOTE destekli Random Forest modeli sensör verileri üzerinden sürekli bir risk izleme imkânı tanımaktadır. Bu iki yaklaşımın hibrit bir karar destek sisteminde birleştirilmesi, çiftliklerde proaktif sağlık yönetimi için ölçeklenebilir bir çözüm sunmaktadır.
Özet (Çeviri)
Mastitis, one of the most common and costly diseases in dairy cattle, leads to significant economic losses. Early detection of the disease is critically important to minimize these losses. This study aims to develop and compare two complementary artificial intelligence approaches for the early detection of mastitis: (i) an image processing–based classification system, and (ii) a sensor data–based prediction model. In the image processing approach, a dataset consisting of 343 cow udder images obtained from the Kaggle platform was used. Texture features were extracted from the images using the Local Binary Pattern (LBP) method, and these features were classified using the Support Vector Machine (SVM) algorithm. Additionally, a web interface was developed to demonstrate the practical application of the model. The developed LBP+SVM model achieved performance rates of 89.66% accuracy, 96.15% precision, and 92.59% sensitivity on the test set. In the sensor data approach, a large-scale dataset containing over 1 million records and 35 features including electrical conductivity (EC), milk yield (MY), and activity (AQ) was analyzed. The dataset exhibited a mastitis prevalence of only 0.22%, posing a serious class imbalance problem. To address this issue, the SMOTE algorithm was applied. After SMOTE balancing, Logistic Regression, Random Forest (RF), and XGBoost models were compared. The Random Forest model achieved a ROC-AUC of 0.997 and a PR-AUC of 0.820. With threshold optimization, the model demonstrated a clinically meaningful balance with 73.63% sensitivity and 96.61% precision. In conclusion, this study presents two viable models for mastitis detection. The LBP+SVM model provides a fast and contactless visual verification method, while the SMOTE-supported Random Forest model enables continuous risk monitoring based on sensor data. Integrating these two approaches into a hybrid decision support system offers a scalable solution for proactive health management in dairy farms.
Benzer Tezler
- DRONE AND BIRD CLASSIFICATION USING CONVOLUTIONAL NEURAL NETWORKS
EVRİŞİMSEL SİNİR AĞI YÖNTEMİ İLE İNSANSIZ HAVA ARACI VE KUŞ SINIFLANDIRMASI
EDA KARALA
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- Human operator modelling with ts fuzzy modelling using symbolic interval-valued data
Sembolik aralık-değerli veri kullanarak takagi-sugeno bulanık modelleme ile insan opertörlerinin modellenmesi
ANIL ERDİNÇ TÜFEKÇİ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Veri füzyonu ve derin öğrenme yöntemi kullanılarak yapısal sağlık izleme sistemi geliştirilmesi
Development of structural health monitoring system using data fusion and deep learning method
SONGÜL DEMİRTAŞ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖVÜNÇ POLAT
- Improving lane change decisions in autonomous driving using adversarial learning
Otonom sürüşte şerit değiştirme kararlarının karşıt öğrenme yöntemiyle iyileştirilmesi
AYTUĞ ONURHAN EFİL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Textile based sensing system for leg motion monitoring
Bacak hareketi izleme için tekstil tabanlı algılama sistemi
KADİR ÖZLEM
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE