Daha Hızlı Bölgesel-Evrişimsel Sinir Ağları ile Sığır Yüzlerinin Tanınması

Abstract

Süt sığırcılığı işletmelerinde sürülerinin yönetilmesinden ziyade ineklerin bireysel olarak refahı ve sağlıklı olmasına yönelik hassasiyet son yıllarda artmıştır.⁠ Bu durumun sonucu olarak, bireysel olarak hayvanların takip edilme ihtiyacı ortaya çıkmıştır. Hayvanlar için biyometrik veriler kullanılarak oluşturulacak sistemler, hayvanları bireysel olarak tanınmasına yardımcı olmaktadır. Hayvanlardan elde edilen yüz, burun, iris gibi bireysel biyometrik veriler işlenerek makine öğrenmesi temelli sistemler oluşturulabilir. Bu çalışmada, derin öğrenmede önemli bir model olan Daha Hızlı Bölgesel-Evrişimsel Sinir Ağları(DHB-ESA) kullanılarak, sığırların yüz görüntülerinin sınıflandırılarak tanınması gerçekleştirilmiştir. Çalışmada öncelikle, bir besi yerinde bulunan sığırlardan yüz görüntülerini içeren görüntüleri alınarak bir veriseti oluşturulmuştur. Daha sonra, sığır görüntülerindeki yüz bölgeleri, uygulama ile işaretlenerek sığır sınıflarına göre etiketlenmiştir. Deneysel çalışmalar kapsamında, veriseti içerisinden beş farklı sığıra ait toplamda 1579 görüntüden oluşan bir alt küme oluşturulmuştur. Bu küme, ağın eğitimi için 1129 görüntü ve test işlemi için ise 450 görüntü olacak şekilde gruplandırılmıştır. Sığır yüz görüntüleri ön-eğitimli bir ağ üzerinde eğitildikten sonra, gerçekleştirilen test işlemlerinde sığır yüz görüntüleri %98.44 doğruluk ile başarılı bir şekilde sınıflandırılmıştır. Önerilen bilgisayar destekli bu yaklaşımın, sığırların yüzlerinin tanınmasında ikincil bir araç olarak uzmanlar tarafından farklı amaçlar için kullanılabileceği öngörülmektedir.Sensitivity to individual welfare and health of cows has increased in recent years rather than managing herds in dairy cattle holdings. As a result of this situation, the need to follow the animals individually emerged. Systems for animals using biometric data help identify animals individually. Machine learning based systems can be created by processing individual biometric data such as face, muzzle, iris from animals. In this study, facial images of cattle are classified and identified using faster regional-convolutional neural networks (faster R-CNN), which is an important model in deep learning. In the study, firstly, a dataset containing face images is obtained from cattle in a fattening site. The facial regions in the cattle images are then labelled by application according to cattle classes. Within the scope of experimental studies, a subset of 1579 images of five different cattle is created from the dataset. This subset is grouped into 1129 images for network training and 450 images for testing. After training on a pre-trained network of cattle face images, cattle face images are successfully classified with 98.44% accuracy in the performed test procedures. It is envisaged that this proposed computer-aided approach can be used by experts as a secondary tool in recognizing the faces of cattle for different purposes.