Live Weight Prediction From Top View Images of Akkaraman Male Lambs Using Digital Image Processing and Machine Learning Methods

Abstract

Koyun yetiştiriciliğinde canlı ağırlık bilgisinin hızlı ve doğru tespiti sürü yönetimi açısından büyük öneme sahiptir. Geleneksel canlı ağırlık ölçüm yöntemleri zaman alıcı olup, hem hayvanlar hem de çalışanlar için çeşitli zorluklar içermektedir. Bu çalışmanın amacı, koyunların sırt görüntülerinden dijital görüntü işleme ve makine öğrenmesi yöntemleriyle canlı ağırlık tahmini gerçekleştirmektir. Araştırmada, Van Yüzüncü Yıl Üniversitesi Hayvancılık Uygulama ve Araştırma Merkezi'nde yetiştirilen 38 baş Akkaraman ırkı erkek kuzunun üç farklı yaşta (3, 4 ve 5 aylık) alınan sırt görüntüleri ile eşzamanlı tartımla elde edilen canlı ağırlık verileri kullanılmıştır. Video kayıtlarından elde edilen yüksek çözünürlüklü görüntülerden, morfolojik öznitelikler çıkarılarak veri seti oluşturulmuştur. Oluşturulan veri seti üzerinde Rassal Ormanlar (RF), Destek Vektör Makineleri (SVM), Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (MARS) ve Aşırı Gradyan Artırma (XGBoost) algoritmaları modellenmiş ve performansları karşılaştırılmıştır. Modellerin tahmin performansları test verilerinde Ortalama Mutlak Hata (MAE), Kök Ortalama Kare Hata (RMSE) ve Belirtme Katsayısı (R²) gibi çeşitli istatistiksel ölçütlerle değerlendirilmiştir. MARS modeli en yüksek tahmin performansını göstermiş (R²=0.94, MAE=1.54 kg, RMSE=2.14 kg), bunu sırasıyla RF (R²=0.92, MAE=1.88 kg, RMSE=2.60 kg) ve XGBoost (R²=0.91, MAE=1.96 kg, RMSE=2.83 kg) modelleri takip etmiştir. Araştırma sonuçları, görüntü işleme ve makine öğrenmesi tekniklerinin koyunculukta canlı ağırlık tahmininde güvenilir ve pratik bir alternatif olarak kullanılabileceğini ortaya koymuştur. Bu çalışma, hayvancılıkta teknolojik gelişmelerin uygulanması ve sürü yönetiminde dijital dönüşümün sağlanması açısından önemli bir adım teşkil etmektedir.

The rapid and accurate determination of live weight in sheep farming holds great importance for effective flock management. Traditional live weight measurement methods are time-consuming and pose various challenges for both animals and workers. This study aimed to estimate the live weight of sheep using digital image processing and machine learning methods based on dorsal images. The research utilized dorsal images and corresponding live weight data of 38 Akkaraman male lambs, raised at the Livestock Application and Research Center of Van Yüzüncü Yıl University, collected at three different ages (3, 4, and 5 months). High-resolution images obtained from video recordings were processed to extract morphological features, forming the dataset. Random Forest (RF), Support Vector Machines (SVM), Multivariate Adaptive Regression Splines (MARS), and Extreme Gradient Boosting (XGBoost) algorithms were modeled and their performances were compared. The prediction performances of the models were evaluated on test data using statistical metrics such as Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Coefficient of Determination (R²). The MARS model exhibited the highest prediction performance (R²=0.94, MAE=1.54 kg, RMSE=2.14 kg), followed by RF (R²=0.92, MAE=1.88 kg, RMSE=2.60 kg) and XGBoost (R²=0.91, MAE=1.96 kg, RMSE=2.83 kg). The findings demonstrate that image processing and machine learning techniques can serve as reliable and practical alternatives for live weight estimation in sheep farming. This study represents a significant step toward applying technological advancements in livestock farming and achieving digital transformation in flock management.