Estimation of Live Weight from 2D Digital Images of Simmental Cattle Grazing in Kars Province

Abstract

In this study, we aimed to develop regression models to estimate the live weight (LW) of Simmental cattle using image-based body area (BA) and back view area (BVA) measurements. A total of 42 healthy Simmental cattle were included in the study, and a total of 336 measurements of CG, HW, BA and BVA were taken during the whole grazing season. The collected data were subjected to linear and polynomial analyses, and the predictive power of different variables for estimating LW was compared. According to the results, the highest R2 value for LW prediction was provided by CG (R2=0.93). For BA, the linear model yielded an R2=0.90, while the cubic model improved the prediction accuracy to R2=0.92. The model using HW had relatively low predictive power (R2=0.46), whereas BVA showed a moderate relationship (R2=0.60). In multiple regression analysis, combining CG and HW increased the predictive power to R2=0.94. Similarly, combining BA and BVA resulted in an R2=0.93. A high correlation was found between LW and both CG and BA (0.97 and 0.95, respectively). These findings confirm that CG remains the most reliable traditional measurement for predicting LW. However, digital BA measurements obtained through DIA can also serve as a contact-free and practical alternative under field conditions. In particular, cubic polynomial models improve the accuracy of predictions derived from DIA. It was determined that study could be implemented under field conditions without causing any adverse effects.

Keywords

• Live weight
• Digital image
• Body area
• Back view area
• Estimation

Kars İlinde Otlayan Simmental Sığırların 2 Boyutlu Dijital Görüntülerinden Canlı Ağırlıklarının Tahmini

Abstract

Bu çalışma, Kars ili meralarında otlayan Simmental ırkı sığırların canlı ağırlıklarının (CA), dijital görüntü analizine (DGA) dayalı vücut alanı (VA) ve arka görüntü alanı (AGA) ile göğüs çevresi (GÇ) ve sağrı genişliği (SG) gibi bazı metrik vücut ölçüleri kullanılarak tahmin edilmesi amaçlanmıştır. Çalışmaya toplam 42 baş sağlıklı Simmental sığırı dahil edilmiş ve tüm otlatma sezonu boyunca 336 GÇ, SG, VA ve AGA ölçümü yapılmıştır. Toplanan veriler doğrusal ve polinomsal analizlerine tabi tutulmuş ve CA tahmini için farklı değişkenlerin tahmin gücü karşılaştırılmıştır. Elde edilen sonuçlara göre, CA tahmini için en yüksek R2 değeri GÇ tarafından sağlanmıştır (R2= 0.93). VA için doğrusal model R2= 0.90 verirken, kübik model tahmin doğruluğunu R2= 0.92’a çıkarmıştır. SG kullanılan model nispeten düşük tahmin gücüne sahip olmuştur (R2=0.46) oysa AGA orta düzeyde bir ilişki göstermiştir (R2=0.60). Çoklu regresyon analizinde GÇ ve SG’ni birleştirmek tahmin gücünü R2=0.94 çıkarmıştır. Benzer şekilde VA ve AGA’nı birleştirmek R2=0.93 ile sonuçlanmıştır. CA ile hem GÇ hem de VA arasında yüksek korelasyon bulunmuştur (sırasıyla 0.97 ve 0.95). Bu bulgular, GÇ’nin geleneksel olarak CA tahmininde en güvenilir ölçüm olmaya devam ettiğini doğrulamaktadır. Bununla birlikte, DGA aracılığıyla elde edilen dijital BA ölçümleri, saha koşullarında temas gerektirmeyen ve pratik bir alternatif olarak da kullanılabileceği belirlenmiştir. Özellikle kübik polinom modelleri, DGA’den türetilen tahminlerin doğruluğunu artırmaktadır. Çalışmanın arazi şartlarında herhangi bir olumsuz etkiye yol açmadan uygulanabilir olduğu belirlenmiştir.

Keywords

• Canlı ağırlık
• Digital görüntü
• Vücut alanı
• Arka görüntü alanı
• Tahmin

References

1. Bi, Y., Campos, L. M., Wang, J., Yu, H., Hanigan, M. D., Morota, G., 2023. Depth video data-enable prediction of longitudinal dairy cow body weight using thresholding and Mask R-CNN algorithms. http://arxiv.org/abs/2307.01383. Erişim tarihi: 15.07.2025.
2. Bozkurt, Y., Aktan, S., Ozkaya, S., 2007. Body weight prediction using digital image analysis for slaughtered beef cattle. Journal of Applied Animal Research. 32: 195-198.
3. Lesosky, M., Dumas, S., Conradie, I., Handel, I. G., Jennings, A.,Thumbi, S., Toye, P., de Clare Bronsvoort, B. M., 2012. A live weight-heart girth relationship for accurate dosing of East African shorthorn zebu cattle. Tropical Animal Health and Production. 45: 311-316.
4. Lukuyu, M. N., Gibson, J. P., Savage, D. B., Duncan, A.J., Mujibi, F. D. N., Okeyo, A. M., 2016. Use of body linear measurements to estimate live weight of crossbred dairy cattle in smallholder farms in Kenya. SpringerPlus. 5:63. Doi: 10.1186/s40064-016-1698-3.
5. Miller, G. A., Hyslop, J. J., Barclay, D., Edwards, A., Thomson, W., Duthie, C., 2019. Using 3D imaging and machine learning to predict liveweight and carcass characteristics of live finishing beef cattle. Frontiers in Sustainable Food Systems. 3:30. Doi: 10.3389/fsufs.2019.00030.
6. Nguyen, A. H., Holt, J. P., Knauer, M. T., Abner, V. A., Lobaton, E. J., Young, S. N., 2023. Towards rapid weight assessment of finishing pigs using a handheld, mobile RGB-D camera. Biosystems Engineering. 226: 155-168. Doi: 10.1016/j.biosystemseng.2023.01.005.
7. Ozkaya, S., Bozkurt, Y., 2008. The relationship of parameters of body measures and body weight by using digital image analysis in pre slaughter cattle. Archiv Tierzucht. 51: 120-128.
8. Ozkaya, S., Bozkurt, Y., 2009. The accuracy of prediction of body weight from body measurements in beef cattle. Archiv Tierzucht. 52(4): 371-377.

9. Ozkaya, S., Neja, W., Krezel-Czopek, S., Oler, A., 2016. Estimation of bodyweight from body measurements and determination of body measurements on Limousin cattle using digital image analysis. Animal Production Science. 56(12): 2060-2063. Doi: 10.1071/AN14943.
10. Pezzuolo, A., Guarino, M., Sartori, L., Gonzalez, L. A., Marinello, F., 2018. On-barn pig weight estimation based on body measurements by a Kinect v1 depth camera. Computer and Electronics in Agriculture. 148: 29-36.
11. Tasdemir, S., Ozkan, İ. A., 2019. An approach for estimation of cow weight depending on photogrammetric body dimensions. International Journal of Engineering and Geosciences. 4(1): 036-044. Doi: 10.26833/ijeg.427531.
12. Xu, B., Mao, Y., Wang, W., Chen, G., 2024. Intelligent weight prediction of cows based on semantic segmentation and back propagation neural network. Frontiers in Artificial Intelligence. 7: 1299169. Doi: 10.3389/frai.2024.1299169.