R-CNN Derin Öğrenme Mimarisi ile Süt Sığırlarında Vücut Kondisyon Skoru (VKS) Alanı Bölütlenmesi ve Sınıflandırması

Öz

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.

Anahtar Kelimeler

• Vücut Kondisyon Skoru,Derin Öğrenme,Bölütleme,R-CNN,Süt Sığırları

Body Condition Score (BCS) Segmentation and Classification in Dairy Cows using R-CNN Deep Learning Architecture

Abstract

Body condition score (BCS) is based on scoring of dairy cattle from 1 to 5 according to the appearance of animals. BCS is a subjective method based on assessing of subcutaneous fat thickness on the regions in back, waist and coccyx regions in cattle and the bone spurs in the pelvic region by visual inspection and palpation method. BSC of animals in among the most important indicator of whether the needs of animals are met in livestock enterprises. In general, BCS values are determined by a method based on expert knowledge and determined by observation. If the animal is above or below the desired BCS, at this stage, diseases resulting from metabolic problems, low yield or animal losses may occur. With the regular control of this situation, the profitability of the enterprise may increase with healthier animals. For this purpose, in this study, it is aimed to segment the required regions and to classify the segmented regions in order to perform BCS. Images taken from dairy cattle were trained with the R-CNN architecture used in object detection applications, which are among the Convolutional Neural Networks (CNN) architectures. Of the 184 images, 75% (138) were used for training and 25% (46) were used for testing. During the training phase, the regions where BSC could be conducted from the raw images were labeled and these regions were learned. Then, the segmentation of the correct regions from the new images to the system was tested. Pre-trained networks were utilized to increase system success. For the classification of the segmented regions, the CNN network trained with AlexNet architecture was used. When the overall success of the system was evaluated, the AlexNet network correctly segmented 40 of the 46 raw test images, and the AlexNet CNN network correctly classified 28 of them and provided 60.86% overall success. The VGG16 network correctly segmented 42 of the 46 raw test images, and the AlexNet CNN network correctly classified 30 of them, achieving 65.21% overall success On the other hand, The VGG19 network correctly segmented 43 of the 46 raw test images, and the AlexNet CNN network correctly classified 31 of them, achieving 67.39% overall success.

Keywords

• Body Condition Score,Deep Learning,Segmentation,R-CNN,Dairy Cows

Kaynakça

1. Arı, A., & Hanbay, D. (2019). Tumor detection in MR images of regional convolutional neural networks. Journal of the Faculty of Engineering and Architecture of Gazi University, 34(3), 1395-1408.
2. Bayramoğlu, R. (2011, 19.05.2011). Vücut Yapısının Değerlendirilmesi. Retrieved 25.06.2019, 2019, from https://veternaryruminant.blogspot.com/2011/03/vucut-kondisyon-skoru-vucut-yapsnn.html
3. Bernabucci, U., Ronchi, B., Lacetera, N., & Nardone, A. (2005). Influence of body condition score on relationships between metabolic status and oxidative stress in periparturient dairy cows. Journal of dairy science, 88(6), 2017-2026.
4. Berry, D., Lee, J., Macdonald, K., Stafford, K., Matthews, L., & Roche, J. (2007). Associations among body condition score, body weight, somatic cell count, and clinical mastitis in seasonally calving dairy cattle. Journal of dairy science, 90(2), 637-648.
5. Canatan, H. E. (2013). İnek ve Düvelerde Vücut Kondisyon Skoru Değişminin Postpartum Döneme ve Fertilite Parametrelerine Etkisi. (Phd.), Ankara Üniversitesi Akara.
6. Çevik, K. K., & Boğa M., (2019). Derin Öğrenme İle Vücut Kondisyon Skoru (VKS) Sınıflandırılması. Akıllı Sistemlerde Yenilikler ve Uygulamaları Konferansı (Asyu 2019).
7. Doğan, F., & Türkoğlu, İ. (2018). Derin Öğrenme Algoritmalarının Yaprak Sınıflandırma Başarımlarının Karşılaştırılması. Sakarya University Journal of Computer and Information Sciences, 1(1), 10-21.
8. Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. Paper presented at the Proceedings of the IEEE conference on computer vision and pattern recognition.

9. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Paper presented at the Proceedings of the IEEE conference on computer vision and pattern recognition.
10. KetoLution. (2016). VKS – Vücut Kondisyon Skoru. Retrieved 31.07.2019, 2019, from https://www.ketolution.com/tr/bcs-body-condition-scoring/
11. Kızrak, M. A. (2018, 28.05.2018). Derine Daha Derine: Evrişimli Sinir Ağları. Retrieved 25.06.2019, 2019, from https://medium.com/@ayyucekizrak/deri%CC%87ne-daha-deri%CC%87ne-evri%C5%9Fimli-sinir-a%C4%9Flar%C4%B1-2813a2c8b2a9
12. Kızrak, M. A., & Bolat, B. (2018). Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı Bir Araştırma. Bilişim Teknolojileri Dergisi, 11(3), 263-286.
13. Krizhevsky, A., & Sutskever, I. (2012). H. Geoffrey E.,“Alex Net,”. Adv. Neural Inf. Process. Syst, 25, 1-9.
14. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Paper presented at the Advances in neural information processing systems.
15. LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.
16. Özkan, İ., & Ülker, E. (2017). Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
17. Roche, J. R., Friggens, N. C., Kay, J. K., Fisher, M. W., Stafford, K. J., & Berry, D. P. (2009). Invited review: Body condition score and its association with dairy cow productivity, health, and welfare. Journal of dairy science, 92(12), 5769-5801.
18. Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
19. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., . . . Rabinovich, A. (2015). Going deeper with convolutions. Paper presented at the Proceedings of the IEEE conference on computer vision and pattern recognition.