Süt sığırcılığı işletmelerinde
sürülerinin yönetilmesinden ziyade ineklerin bireysel olarak refahı ve sağlıklı
olmasına yönelik hassasiyet son yıllarda artmıştır. Bu durumun sonucu
olarak, bireysel olarak hayvanların takip edilme ihtiyacı ortaya çıkmıştır.
Hayvanlar
için biyometrik veriler kullanılarak oluşturulacak sistemler, hayvanları
bireysel olarak tanınmasına yardımcı olmaktadır. Hayvanlardan
elde edilen yüz, burun, iris gibi bireysel biyometrik veriler işlenerek makine
öğrenmesi temelli sistemler oluşturulabilir. Bu
çalışmada, derin öğrenmede önemli bir model olan Daha Hızlı Bölgesel-Evrişimsel
Sinir Ağları(DHB-ESA) kullanılarak, sığırların yüz görüntülerinin
sınıflandırılarak tanınması gerçekleştirilmiştir. Çalışmada
öncelikle, bir besi yerinde bulunan sığırlardan yüz görüntülerini içeren
görüntüleri alınarak bir veriseti oluşturulmuştur. Daha
sonra, sığır görüntülerindeki yüz bölgeleri, uygulama ile işaretlenerek sığır
sınıflarına göre etiketlenmiştir. Deneysel çalışmalar
kapsamında, veriseti içerisinden beş farklı sığıra ait toplamda 1579 görüntüden
oluşan bir alt küme oluşturulmuştur. Bu küme, ağın
eğitimi için 1129 görüntü ve test işlemi için ise 450 görüntü olacak şekilde
gruplandırılmıştır. Sığır yüz görüntüleri ön-eğitimli
bir ağ üzerinde eğitildikten sonra, gerçekleştirilen test işlemlerinde sığır
yüz görüntüleri %98.44 doğruluk ile başarılı bir şekilde sınıflandırılmıştır.
Önerilen
bilgisayar destekli bu yaklaşımın, sığırların yüzlerinin tanınmasında ikincil
bir araç olarak uzmanlar tarafından farklı amaçlar için kullanılabileceği
öngörülmektedir.
Hayvan biyomerisi sığır yüzü tanıma derin öğrenme daha hızlı bölgesel-evrişimsel sinir ağları sınıflandırma
Sensitivity to individual
welfare and health of cows has increased in recent years rather than managing
herds in dairy cattle holdings. As a result of this situation, the need to
follow the animals individually emerged. Systems for animals using biometric data
help identify animals individually. Machine learning based systems can be
created by processing individual biometric data such as face, muzzle, iris from
animals. In this study, facial images of cattle are classified and identified
using faster regional-convolutional neural networks (faster R-CNN), which is an
important model in deep learning. In the study, firstly, a dataset containing
face images is obtained from cattle in a fattening site. The facial regions in
the cattle images are then labelled by application according to cattle classes.
Within the scope of experimental studies, a subset of 1579 images of five different
cattle is created from the dataset. This subset is grouped into 1129 images for
network training and 450 images for testing. After training on a pre-trained
network of cattle face images, cattle face images are successfully classified
with 98.44% accuracy in the performed test procedures. It is envisaged that
this proposed computer-aided approach can be used by experts as a secondary
tool in recognizing the faces of cattle for different purposes.
Animal biometry cattle face recognition deep learning faster regional-convolutional neural network classification
Birincil Dil | Türkçe |
---|---|
Konular | Mühendislik |
Bölüm | Makaleler |
Yazarlar | |
Yayımlanma Tarihi | 30 Eylül 2019 |
Gönderilme Tarihi | 15 Temmuz 2019 |
Kabul Tarihi | 13 Ağustos 2019 |
Yayımlandığı Sayı | Yıl 2019 Cilt: 6 |