R-CNN Derin Öğrenme Mimarisi ile Vücut Kondisyon Skoru (VKS) Alanı Bölütlenmesi ve Sınıflandırması
Authors:
- Kerim Kürşat ÇevikKÇKerim Kürşat Çevik
- Mustafa BoğaMBMustafa Boğa
Open Access
- 31 December 2019
- journal article
- Published by ASOS Yayinevi in European Journal of Science and Technology
- p. 1248-1255
Abstract
Vücut kondisyon skoru (VKS) süt sığırlarında hayvanların dış görünüşüne göre 1 den 5 e kadar puanlanması esasına dayanmaktadır. VKS, sığırlarda sırt, bel ve kuyruk sokumu bölgelerinde deri altı yağ kalınlığının, pelvik bölgede kemik çıkıntıları ile ilişkisinin görsel olarak veya palpasyon yöntemi ile belirlenmesine dayalı sübjektif bir yöntemdir. Hayvancılık işletmelerinde hayvanların ihtiyaçlarının karşılanıp karşılanmadığının en önemli göstergesi hayvanların VKS puanlamasıdır. Genellikle işletmelerde VKS değerleri uzman bilgisine dayanan ve gözlem yoluyla belirlenen bir yöntem ile belirlenmektedir. Eğer hayvan istenilen VKS’nin üzerinde veya altında ise bu aşamada da metabolik problemlerden kaynaklanan hastalıklar, verim düşüklüğü veya hayvan kayıpları gözlemlenebilecektir. Bu durumun düzenli bir şekilde kontrolü ile birlikte daha sağlık hayvanların ve işletmenin karlılığı da artabilecektir. Bu amaçla çalışmamızda VKS puanlamasının yapılabilmesi için görüntüler üzerinden gerekli alanların bölütlenmesi ve bölütlenen alanların sınıflandırılması amaçlanmıştır. Süt sığırlarından alınan görüntüler Evrişimsel Sinir Ağları (ESA) mimarilerinden nesne belirleme uygulamalarında kullanılan R-CNN mimarisi ile eğitilmiştir. 184 adet görüntü içerisinden %75’i (138 adet) eğitim, %25’i (46 adet) test için kullanılmıştır. Eğitim aşamasında ham görüntüler içerisinden VKS skorlaması yapılabilecek alanlar etiketlenmiş ve bu alanların öğrenilmesi sağlanmıştır. Daha sonra ise sisteme yeni gelen görüntüler içerisinden doğru alanların bölütlenmesi test edilmiştir. Sistem başarısını artırmak adına önceden eğitilmiş (pre-trained) ağlardan faydalanılmıştır. Bölütlenen alanların sınıflandırılması için ise AlexNet mimarisi ile eğitilmiş CNN ağı kullanılmıştır. Sistemin genel başarısı değerlendirildiğinde AlexNet ağı 46 ham test görüntü içerisinden 40 adedini doğru bölütlemiş ve AlexNet CNN ağı 28 tanesini doğru sınıflandırarak %60.86 genel başarı sağlamıştır. VGG16 ağı 46 ham test görüntü içerisinden 42 adedini doğru bölütlemiş ve AlexNet CNN ağı 30 tanesini doğru sınıflandırarak %65.21 genel başarı sağlamıştır. VGG19 ağı ise 46 ham test görüntü içerisinden 43 adedini doğru bölütlemiş ve AlexNet CNN ağı 31 tanesini doğru sınıflandırarak %67.39 genel başarı sağlamıştır.Keywords
This publication has 8 references indexed in Scilit:
- Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı Bir AraştırmaBilişim Teknolojileri Dergisi, 2018
- Deep Residual Learning for Image Recognition2016
- Going deeper with convolutions2015
- Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation2014
- Invited review: Body condition score and its association with dairy cow productivity, health, and welfareJournal of Dairy Science, 2009
- Associations Among Body Condition Score, Body Weight, Somatic Cell Count, and Clinical Mastitis in Seasonally Calving Dairy CattleJournal of Dairy Science, 2007
- Influence of Body Condition Score on Relationships Between Metabolic Status and Oxidative Stress in Periparturient Dairy CowsJournal of Dairy Science, 2005
- Gradient-based learning applied to document recognitionProceedings of the IEEE, 1998