Browsing by Author "Dalga, Selma"

Now showing 1 - 2 of 2

Biometric Marker-Based Identification and Facial Detection-Driven Feedbunk Interaction Monitoring Indairy Cattle Using Computer Vision and Deep Learning
(2025) Dalga, Selma; Çakmakçı, Cihan
Bu tez çalışması, süt sığırlarında otomatik kimlik tespiti, takibi ve yüz tespitine dayalı yemlik alanı takibi için bilgisayarlı görme ve derin öğrenme teknolojilerini kullanan entegre bir sistem geliştirmeyi amaçlamıştır. Çalışma, farklı morfolojik özelliklere sahip üç sığır ırkını (Holstein, Simental ve Montofon) kapsayarak, biyometrik kimlik doğrulama sistemlerinin performansını değerlendirmiştir. Çalışmada veriler, üç farklı konumda yerleştirilmiş yüksek çözünürlüklü kameralar aracılığıyla toplanmıştır ve bunlar sırasıyla: sırt görüntüleri için üstten ve yüz tespiti için sağım ünitesine girerken ve yemlik alanından alınan görüntülerdir. Sistem, YOLOv8 mimarisini kullanarak gerçek zamanlı nesne tespiti ve segmentasyon gerçekleştirmiş, ardından bireysel kimlik doğrulama ve yemlik alanı takibi için yüz tespiti yapmıştır. Seçilen ırklar Simmental (n=9), Montafon (n=4) ve Holstein (n=5) baş olmak üzere toplam 18 süt sığırı üzerinde 2 günlük bir veri toplama süreci planlanmıştır. Çalışmanın özgün değeri, mevcut sistemlerin sınırlılıklarını aşarak üç temel yenilik sunmasından kaynaklanmaktadır. İlk olarak farklı sığır ırklarında biyometrik kimlik doğrulama, ikincisi yüz tespitine dayalı yemlik alanı takibi analizinin tek bir sistemde entegrasyonu ve son olarak da gerçek zamanlı video akışında çalışabilen pratik bir çözüm sunulmasıdır. Geliştirilen sistemin, süt sığırcılığında hassas hayvancılık uygulamalarının yaygınlaşmasına katkı sağlaması, hayvan refahının iyileştirilmesi ve çiftlik verimliliğinin artırılması konularında pratik çözümler sunmuştur. Yapılan bu çalışmada, süt sığırlarının sırt görüntülerinden bireysel kimlik tespiti için geliştirilen YOLOv8 tabanlı derin öğrenme modellerinin (nano, small ve medium) performansları kapsamlı olarak değerlendirilmiştir. Modeller arasındaki karşılaştırmalı analiz, mimari karmaşıklığın artmasının temel performans metrikleri üzerinde kayda değer bir iyileşme sağlamadığını ortaya koymuştur. En düşük model olan YOLOv8n, 0.92 hassasiyet ve 0.95 F1 skoru ile öne çıkarken, daha karmaşık mimariye sahip YOLOv8s ve YOLOv8m modeller 0.91 hassasiyet ve 0.94 F1 skoru ile benzer performans sergilemiştir. Normalize edilmiş karmaşıklık matrislerinde gözlemlenen yüksek diyagonal değerler (≈1.00), modellerin sınıflandırma başarısını doğrularken, veri seti dengesizliğinden kaynaklanan sınırlı sayıda sınıflar arası karışma tespit edilmiştir. Özellikle YOLOv8n modelinin, karmaşık mimarilere kıyasla çok daha düşük hesaplama maliyeti sunması ve benzer tespit performansı göstermesi, gerçek zamanlı süt sığırı kimlik tespiti uygulamaları için optimum performans-maliyet dengesi açısından öne çıkmaktadır. Süt sığırlarının yüz tespitine dayalı yemlik alanı takibi için geliştirilen YOLOv8 tabanlı derin öğrenme modellerinin (nano, small ve medium) performansları kapsamlı olarak değerlendirilmiştir. Modeller arasındaki karşılaştırmalı analiz, mimari karmaşıklığın artmasının temel performans metrikleri üzerinde kayda değer bir iyileşme sağlamadığını ortaya koymuştur. YOLOv8n ve YOLOv8s modelleri 0.99 hassasiyet ve 0.99 F1 skor benzerlikleri ile öne çıkarken, daha karmaşık mimariye sahip YOLOv8m modeli 0.91 hassasiyet ve 0.99 F1 skor performansı sergilemiştir. Normalize edilmiş karmaşıklık matrislerinde gözlemlenen yüksek diyagonal değerler (1.00), modellerin sınıflandırma başarısını doğrulamaktadır. Özellikle YOLOv8n ve YOLOv8s modelleri, karmaşık mimarilere kıyasla çok daha düşük hesaplama maliyeti sunması ve benzer tespit performansı göstermesi, gerçek zamanlı süt sığırı beslenme davranışı tespiti uygulamaları için optimum performans-maliyet dengesi açısından öne çıkmaktadır. Hassasiyet ve duyarlılık değerleri incelendiğinde en iyi model YOLOv8s olarak öne çıkmaktadır. Elde edilen bulgular, hayvancılık sektöründe yapay zekâ ve bilgisayarlı görme teknolojilerinin kullanımına yönelik yeni perspektifler sağlayacaktır.
Discovering the Hidden Personality of Lambs: Harnessing the Power of Deep Convolutional Neural Networks (Dcnns) To Predict Temperament From Facial Images
(Elsevier, 2023) Cakmakci, Cihan; Magalhaes, Danielle Rodrigues; Pacor, Vitor Ramos; Silva de Almeida, Douglas Henrique; Cakmakci, Yusuf; Dalga, Selma; Titto, Cristiane Goncalves
The objective of this study was to define a more practical and reliable alternative to manual temperament classification methods that rely on the behavioral responses of animals individually subjected to various tests. Specifically, this study evaluated the correlation between facial image information and temperament based on deep convolutional neural networks (DCNNs) to predict the temperament of lambs based on their facial images. In the first phase, the lambs were categorized as to their temperament based on data acquired from a behavioral test to establish a ground truth for the temperament of the lambs. This enabled us to train (70%), validate (20%), and test (10%) deep-learning models in the second phase based on facial images and the corresponding temperament labels derived from the behavioral test. The performance of a custom deep convolutional neural network (C-DCNN) was compared to that of pre-trained VGG19 and Xception models for image classification. The Xception model achieved a training accuracy of 81%, which indicated that it learned well the underlying patterns in the data; however, lower validation (0.75) and test (0.58) accuracies indicate that it overfit the training data and did not generalize well to new samples. The VGG19 model, produced lower training (0.59), validation (0.46), and test (0.34) accuracies, which indicated that it did not learn the underlying patterns in the data as well as the Xception model. Furthermore, its precision (0.47), recall (0.42), and F1 score (0.41) indicated that the model performed poorly in identifying the classes correctly. The C-DCNN produced a moderate accuracy of 60%, which indicated that the model was able to predict the temperament traits of lambs with an accuracy of 60%, which was better than random guessing (33% accuracy), and demonstrated the potential of this approach in assessing temperament. The C-DCNN precision (0.69), recall (0.61) and F1 score (0.63) indicated that it had a moderate ability to correctly identify positive cases; however, the small size of the original dataset remains a limitation of the study because it might have caused the suboptimal performance of the models. To validate this approach, further research is needed based on a larger and more diverse dataset. We will continue to investigate the potential of deep learning and computer vision to predict animal personality traits from facial images based on large, diverse datasets, which might lead to more efficient and objective methods for assessing animal temperament and improving animal welfare.