Tarım ve Hayvancılık Alanında Dijital Dönüşüm: Evrişimsel Sinir Ağları ve Regresyon Modelleri Kullanılarak Sığırlarda Canlı Ağırlık Tahmini

Öz

Hayvancılık, insanoğlunun köklü ekonomik faaliyetlerinden biri olup günümüzde artan dünya nüfusuyla birlikte protein ihtiyacının karşılanması, sanayiye hammadde temini ve istihdam alanlarının oluşturulması gibi kritik işlevleri üstlenmektedir. Sığırların performans takibi, sağlık durumu takibi, beslenme düzeni ve rasyon ayarlama ve etin kalitesi için ağırlık ölçümü elzemdir. Ayrıca, hayvan refahı günümüz işletmelerinin temel standartlarından birini oluştururken tüketicilerin de yakından takip ettiği bir konu haline gelmiştir. Ağırlık ölçüm yöntemlerinden biri olan kantar kullanımı, hayvanların strese girmesine ve yaralanmaların meydana gelmesine neden olmaktadır. Bu çalışma, hayvana temas etmeden fotoğraf çekilerek ve sığırların vücut bölümlerine dayalı bir model kullanarak canlı ağırlığının tahmin edilmesini sağlayan bir yöntem önerilmiştir. Önerilen yaklaşımda veri toplamak üzere anlaşmalı çiftlikte geliştirilen mobil uygulama vasıtasıyla fotoğraflar çekilmiş ve gerçek ağırlık değerleri kayıt altına alınmıştır. Fotoğraflar labelme etiketleme aracıyla etiketlenmiş, detectron2 kütüphanesinde faster R-CNN algoritması çalıştırılmıştır. Doğrusal regresyon modeli ile ağırlık tahmini MAPE ölçeğine göre %96 oranında başarılı olmuştur. Literatürde bu konudaki çalışmalarda genelde tek bir cins üzerine ya da cins belirtilmeden yapılan uygulamalarla karşılaşılmaktadır. Bu çalışma birden fazla ırk üzerinde hayvanın ağırlığını tahmin etmeye çalışan ilk çalışmadır. Yöntem olarak hayvana temas etmeden fotoğraf çekilerek ve sığırların vücut bölümlerine dayalı makine öğrenmesi yaklaşımlarını kullanır. Veri kümesi çalışma kapsamında teker teker fotoğraf çekimleri ile oluşturuldu. Yine bildiğimiz ve literatürden görebildiğimiz kadarıyla bu çalışma, aynı hayvan için yandan çekilmiş sadece tek bir fotoğraf kullanılarak ve vücut parçalarının fotoğraf üzerinde kapladığı alandan yola çıkarak yapılmış ilk çalışmadır. Gerek yurt içinde gerekse de yurt dışında, özellikle de pandemi sürecinden sonra tarım ve hayvancılığın dijital dönüşüm sürecinin hızlandığı günümüzde, bu çalışmada raporlanan sonuçların bu alanda çalışan diğer araştırmacılar için ve tarım ve hayvancılık sektörü için oldukça anlamlı olduğu değerlendirilebilir.

Anahtar Kelimeler

• Sığır Ağırlık Tahmini
• Sığır Irk Tespiti
• Nesne Segmentasyonu
• Derin Öğrenme
• Hayvancılıkta Dijital Dönüşüm
• Karar Destek Sistemleri

Digital Transformation in Agriculture and Livestock: Live Weight Estimation in Cattle Using Convolutional Neural Networks and Regression Models

Öz

Livestock farming is one of the deep-rooted economic activities of human beings and today, with the increasing world population, it undertakes critical functions such as meeting the need for protein, supplying raw materials to the industry and creating employment areas. Weight measurement is essential for performance monitoring of cattle, health status monitoring, nutrition and ration adjustment, and meat quality. In addition, while animal welfare constitutes one of the basic standards of today's businesses, it has also become an issue that consumers follow closely. The use of scales, one of the weight measurement methods, causes stress and injuries to animals. In this study, a method is proposed to estimate the live weight of cattle by taking photographs without touching the animal and using a model based on body parts. In the proposed approach, photographs were taken and actual weight values were recorded through the mobile application developed on the contracted farm to collect data. Photos were tagged with the labelme tagging tool, and the faster r-cnn algorithm was run in the detectron2 library. Weight prediction with the linear regression model was 96% successful according to the MAPE scale. In the literature, studies on this subject are generally conducted on a single breed or without specifying the breed. This study is the first to attempt to estimate the weight of an animal on more than one breed. As a method, it uses machine learning approaches based on body parts of cattle and taking photographs without touching the animal.The dataset was created by taking photos one by one within the scope of the study. Again, as far as we know and can see from the literature, this study is the first study to use only a single photo taken from the side of the same animal and based on the area covered by the body parts on the photo. It can be evaluated that the results reported in this study are quite meaningful for other researchers working in this field and for the agriculture and livestock sector, especially in today's world where the digital transformation process of agriculture and livestock has accelerated after the pandemic process, both in Turkey and abroad.

Anahtar Kelimeler

• Cattle Weight Estimation
• Cattle Breed Detection
• Object Segmentation
• precision livestock farming
• deep learning
• Digital transformation in livestock farming
• Decision Support Systems

Kaynakça

1. [1] Koç, A., & Akman, N. (2003). Farklı Ağırlıkta Besiye Alınan Ithal Edilmiş Siyah-Alaca Tosunların Besi Gücü Ve Karkas Özellikleri. Hayvansal Üretim, 44(1), 26-36.
2. [2] Kumlu, S. (2000). Damızlık Ve Kasaplık Sığır Yetiştirme. Ankara: Türkiye Damızlık Sığır Yetiştiricileri Merkez Birliği Yayınları. Yayın No: 3.
3. [3] Demir, C., & Aydın, A. (2021). Büyükbaş Hayvancılıkta Görüntü Işleme Ile Sağlık Ve Refah Tespiti. Lapseki Meslek Yüksekokulu Uygulamalı Araştırmalar Dergisi, 2(4), 1-15. Https://Dergipark.Org.Tr/En/Pub/Ljar/Issue/67817/1015944
4. [4] Gjergji, M., Weber, V. A. M., Silva, L. O. C., Gomes, R. C., Araújo, T. L. A. C., Pistori, H., & Alvarez, M. (2020). Deep Learning Techniques For Beef Cattle Body Weight Prediction. In Ieee Computational Intelligence Society, 2020 International Joint Conference On Neural Networks (Ijcnn 2020). Glasgow, Scotland, United Kingdom, 1–11.
5. [5] Zehender, G., Cordella, L. P., Chianese, A., Ferrara, L., Del Pozzo, A., Barbera, S., Tonielli, R. (1996). Image Analysis In Morphological Animal Evaluation: A Group For The Development Of New Techniques In Zoometry. Animal Genetic Resources/Resources Génétiques Animales/Recursos Genéticos Animales, 20, 71-79.
6. [6] Akman, N. (1998). Pratik Sığır Yetiştiriciliği. Ankara: Türkiye Ziraat Mühendisleri Birliği Vakfı Yayını.
7. [7] Heinrichs, A. J., Rogers, G., & Cooper, J. (1992). Predicting Body Weight And Wither Height In Holstein Heifers Using Body Measurements. J. Dairy Sci., 75, 3576–3581.
8. [8] Pena, H. C., Machado, F. S., Campos, M. M., Tomich, T. R., Pereira, L. G. R., & Jayme, C. G. (2015). Prediçao Do Peso Vivo A Partir De Medidas Corporais Em Animais Girolando. In Embrapa Gado De Leite-Resumo Em Anais De Congresso (Alice), 15.

9. [9] Reis, G. L., Albuquerque, F. H. M. A. R., Valente, B. D., Martins, G. A., Teodoro, R. L., Ferreira, M. B. D., ... Madalena, F. E. (2008). Prediçao Do Peso Vivo A Partir De Medidas Corporais Em Animais Mestiços Holandˆes/Gir.
10. [10] Weber, V. A. M., Weber, F. De L., Oliveira, A. Da S., Astolfi, G., Menezes, G. V., Porto, J. V. De A., Pistori, H. (2020). Cattle Weight Estimation Using Active Contour Models And Regression Trees Bagging.
11. [11] Nasirahmadi, A., Edwards, S. A., & Sturm, B. (2017). Implementation Of Machine Vision For Detecting Behaviour Of Cattle And Pigs. Livestock Sci.
12. [12] Wurtz, K., Camerlink, I., D’eath, R. B., Fernandez, A. P., Norton, T., Steibel, J., & Siegford, J. (2019). Recording Behaviour Of Indoor-Housed Farm Animals Automatically Using Machine Vision Technology: A Systematic Review.
13. [13] Qiao, Y., Truman, M., & Sukkarieh, S. (2019). Cattle Segmentation And Contour Extraction Based On Mask R-Cnn For Precision Livestock Farming. Comput. Electron. Agric.
14. [14] Xu, B., Wang, W., Falzon, G., Kwan, P., Guo, L., Chen, G., & Schneider, D. (2020). Automated Cattle Counting Using Mask R-Cnn In Quadcopter Vision System. Comput. Electron.
15. [15] Jun, K., Kim, S. J., & Ji, H. W. (2018). Estimating Pig Weights From Images Without Constraint On Posture And Illumination. Comput. Electron.
16. [16] Bercovich, A., Edan, Y., Alchanatis, V., Moallem, U., Parmet, Y., Honig, H., ... Halachmi, I. (2013). Development Of An Automatic Cow Body Condition Scoring Using Body Shape Signature And Fourier Descriptors.
17. [17] Spoliansky, R., Edan, Y., Parmet, Y., & Halachmi, I. (2016). Development Of Automatic Body Condition Scoring Using A Low-Cost 3-Dimensional Kinect Camera.
18. [18] Song, X., Bokkers, E., Van Der Tol, P., Koerkamp, P. G., Van Mourik, S. (2018). Automated Body Weight Prediction Of Dairy Cows Using 3-Dimensional Vision.
19. [19] Cozler, Y. L., Allain, C., Xavier, C., Depuille, L., Caillot, A., Delouard, J., ... Faverdin, P. (2019). Volume And Surface Area Of Holstein Dairy Cows Calculated From Complete 3d Shapes Acquired Using A High-Precision Scanning System: Interest For Body Weight Estimation. Comput. Electron.
20. [20] Nir, O., Parmet, Y., Werner, D., Adin, G., & Halachmi, I. (2018). 3d Computer-Vision System For Automatically Estimating Heifer Height And Body Mass. Biosyst.
21. [21] Cominotte, A., Fernandes, A., Dorea, J., Rosa, G., Ladeira, M., Vancleef, E., ... Neto, O. M. (2020). Automated Computer Vision System To Predict Body Weight And Average Daily Gain In Beef Cattle During Growing And Finishing Phases. Https://Doi.Org/10.1016/J.Livsci.2019.1039feature04.
22. [22] Gürkan, H., & Hanilçi, A. (2020). Evrişimsel Sinir Ağı Ve Qrs Imgeleri Kullanarak Ekg Tabanlı Biyometrik Tanıma Yöntemi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 26(2), 318-327.
23. [23] Goodfellow, I., Bengio, Y., & Courville, A. (2015). Deep Learning. The Mit Press, Cambridge, Massachusetts, United States.
24. [24] Indolia, S., Goswami, A. K., Mishra, S. P., & Asopa, P. (2018). Conceptual Understanding Of Convolutional Neural Network-A Deep Learning Approach. Procedia Computer Science, 132, 679-688.
25. [25] Nebauer, C. (1998). Evaluation Of Convolutional Neural Networks For Visual Recognition. Ieee Transactions On Neural Networks, 9(4), 685-696. Doi: 10.1109/72.701181.
26. [26] Inik, Ö., & Ülker, E. (2017). Derin Öğrenme Ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
27. [27] Elmas, B. (2021). Türkiye'deki Kelebek Türlerinin Basamakli Evrişimli Sinir Ağlari Ile Siniflandirilmasi. Konya Mühendislik Bilimleri Dergisi, 9(3), 568-587. Doi: 10.36306/Konjes.844847
28. [28] He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask R-Cnn. In Proceedings Of The Ieee International Conference On Computer Vision (Pp. 2961-2969).
29. [29] Drucker, H., Burges, C.J. C., Kaufman, L., Smola, A., Vapnik, V. 1997. Support vector regression machines, Advances in Neural Information Processing Systems, Cilt. 9, s. 155-161.
30. [30] Breiman, L. (2001), Random forests. Machine learning, 45(1), 5-32.
31. [31] Cosgun, C. (2023). İçi Beton Dolu Dairesel Kesitli Çelik Boruların Eksenel Yük Kapasitelerinin Yapay Sinir Ağları ve Rassal Orman Yöntemleri İle Tahmini. Mühendislik Bilimleri Ve Tasarım Dergisi, 11(2), 564-574. https://doi.org/10.21923/jesd.1032191
32. [32] Alonso, J., Castañón, Á. R., & Bahamonde, A. (2013). Support Vector Regression to predict carcass weight in beef cattle in advance of the slaughter. Computers and electronics in agriculture, 91, 116-120.
33. [33] Tırınk, C., Piwczyński, D., Kolenda, M., & Önder, H. (2023). Estimation of body weight based on biometric measurements by using random forest regression, support vector regression and CART algorithms. Animals, 13(5), 798.
34. [34] Sarini, N. P., & Dharmawan, K. (2023). Estimation of bali cattle body weight based on morphological measurements by machine learning algorithms: random forest, support vector, K-Neighbors, and extra tree regression. J Adv Zool, 44(3), 1-9.
35. [35] Grzesiak, W., Rzewucka-Wójcik, E., Zaborski, D., Szatkowska, I., Kotarska, K., & Dybus, A. (2014). Classification of daily body weight gains in beef cattle via neural Networks and decision trees. Applied Engineering in Agriculture, 30(2), 307-313.
36. [36] Bakshi, A., & Prasad, A. (2021, June). Robust linear regression: Optimal rates in polynomial time. In Proceedings of the 53rd Annual ACM SIGACT Symposium on Theory of Computing (pp. 102-115).
37. [37] Kikechi, C. B. (2020). On local polynomial regression estimators in finite populations. Int. J. Stats. Appl. Math, 5, 58-63.
38. [38] Wei, J., Chen, T., Liu, G., & Yang, J. (2016). Higher-order multivariable polynomial regression to estimate human affective states. Scientific reports, 6(1), 23384.
39. [39] Gök, M. (2017). Makine öğrenmesi yöntemleri ile akademik başarının tahmin edilmesi. Gazi University Journal of Science Part C: Design and Technology, 5(3), 139-148.
40. [40] Toğaçar, M. (2021). Measuring the Security Effectiveness of Machine Learning Methods Used Against Cyber Attacks in Web Applications. Gazi University Journal of Science Part C: Design and Technology, 9(4), 608-620. https://doi.org/10.29109/gujsc.950639.
41. [41] Taşkın, G. G. E. V. Ç. (2005). Veri madenciliğinde karar ağaçları ve bir satış analizi uygulaması. Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, 6(2), 221-239.
42. [42] Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. Peerj computer science, 7, e623.