Besi sığırlarında sayısal görüntü analizi ile canlı ağırlık ve karkas performansının tahmin edilmesi ve tahmin modelleri ile karşılaştırılması

Abstract

iiÖZETBesi Sığırlarında Sayısal Görüntü Analizi ile Canlı Ağırlık ve Karkas Performansının TahminEdilmesi ve Tahmin Modelleri İle KarşılaştırılmasıBu tez çalışması, Isparta ve çevre illerde bulunan özel sektöre ait kesimhanelerde kesilen kasaplıksığırlarda canlı ağırlık, cidago yüksekliği, göğüs çevresi, vücut uzunluğu, beden derinliği, sağrıgenişliği ve yüksekliği gibi bazı vücut ölçüleri alınarak, sayısal kamera ile alınan görüntülerden eldeedilen verilerle kombine edilip, hayvanların canlı ağırlıklarının tahminin yanı sıra karkas kalitesi ve etverimi özelliklerinin belirlenmesi, belirlenen özelliklerin diğer tahmin modelleriyle karşılaştırılmasıamacıyla yapılmıştır.Klasik yöntem ve sayısal görüntü analizi yöntemi ile elde edilen vücut ölçüleri değerleri arasındakifark istatistiksel olarak önemli bulunmuştur (P<0.05). Gözlenen ve tahmin edilen vücut ölçüleri(Vücut uzunluğu (VU), Cidago yüksekliği (CDG), Sağrı yüksekliği (SY), Sağrı genişliği (SG) veBeden derinliği (BD)) arasında R2 sırasıyla 0.88, 0.89, 0.82, 0.49 ve 0.75 olarak bulunmuştur. VU,CDG, SY, SG ve BD ölçülerinin MSPE değerleri sırasıyla 24.3, 11.6, 16.9, 15.6 ve 20.7 olarakbulunmuştur.Klasik yöntem ile yapılan çalışmada bütün vücut ölçüsü parametreleri kullanılarak elde edilenregresyon eşitliğinde R2 değeri %85.6 olarak bulunmuştur. Yapılan regresyon analizleri sonucundagöğüs çevresinin tek başına canlı ağırlığı tahmin etmede yeterli bir parametre olduğu görülmüştür(R2=%81.3). Sayısal görüntü analizi yöntemi ile elde edilen vücut ölçüleri verileriyle canlı ağırlıktahminlerinde klasik yöntemde dikkate alınan parametrelerin yanı sıra vücut alanı (VA) ölçüsü farklıbir parametre olarak değerlendirmeye alınmıştır. Ancak sadece VA' nın bulunduğu regresyoneşitliğinde düşük bir R2 değeri elde edilmiştir (R2=%42.1). Sadece vücut uzunluğu ölçüsünü içerenregresyon en yüksek R2 değeri göstermiştir (R2=%63.6). Irk farklılıkları dikkate alındığında sadecevücut alanını içeren regresyon eşitliklerinde Brown Swiss ve Melezlerde R2 değerlerinin arttığı(sırasıyla %43.2 ve 51.7) ve VA ile VU içeren regresyon eşitliklerinde Brown Swiss ve melezlerdesayısal görüntü analizi yönteminin tahmin gücünün Holsteinlara kıyasla arttığı görülmüştür (sırasıylaR2= % 82.6, 76.5 ve 29.5).Sayısal görüntü analizi yöntemi ile elde edilen sıcak karkas görüntülerinden elde edilen karkas alanı(KA) ile karkas ağırlığının tahmininde R2 değer %85.9 olarak elde edilmiş ve her iki değer arasındayüksek bir korelasyon (r= 0.93) istatistiksel olarak önemli bulunmuştur (P<0.05). Aynı zamanda gözkası görüntülerinden elde edilen göz kası alanı verileri ile asetat planimetre ile elde edilen göz kasıalanı verileri arasında R2 değeri %85.6 olarak bulunmuştur.Minolta spektrometre ile elde edilen renk değerleri ile sayısal görüntü analizi yöntemi ile elde edilendeğerler birbiriyle karşılaştırılmış ve etin kırmızı renk değeri (a) arasındaki fark istatistiksel olarakönemsiz bulunmuştur (P>0.05) (R2=%4.6). Kesimden 24 saat sonra göz kası alanından alınan pHdeğerleri ile (a) değeri arasındaki korelasyon istatistiksel olarak önemli (P<0.05) bulunmuştur(r=0.83).Yapılan çalışmanın sonucunda, sayısal görüntü yönteminin canlı ağırlık ve vücut ölçülerini tahmingücünün ve VA kullanılarak canlı ağırlık tahminin yapılmasının ihtimalinin düşük olduğubulunmuştur. Ancak karkas alanı, göz kası alanı ve etin kırmızı renk değeri (a) kamera ile elde edilengörüntülerden tahmin edilebileceği sonucuna varılmış ve konuyla ilgili daha kontrollü araştırmalaragereksinim olduğu önerilmiştir.Anahtar Kelimeler: Sığır, Canlı Ağırlık, Vücut Ölçüsü, Görüntü Analizi, Göz Kası Alanı, KarkasAlanı, Et Renk Değerleri, Karkas Randımanı

iiiABSTRACTPrediction of Liveweight and Carcass Performance of Beef Cattle by Using DigitalImage Analysis and Comparing with Other Prediction ModelsIn this study it was aimed to predict live weight and carcass weight of slaughtering beefcattle and to determine carcass merits and meat yield characteristics of beef cattle by usingboth traditional methods and digital image analysis system. For this purpose, the data used inthis study was collected from slaughterhouses in Isparta and nearby provinces. Some bodymeasurements such as live weight (LW), wither height (WH), chest girth (CG), body length(BL), chest depth (CD), hip width (HW) and height (HH) of different breeds of beef cattlewere combined and compared by traditional methods and digital image analysis system.There were significant differences (P<0.05) between the body measurements obtained bytraditional methods and digital image analysis system. Regression coefficients of observedand predicted body measurements (BL, WH, HH, HW and CD) were 0.88, 0.89, 0.82, 0.42and 0.75 respectively.In traditional method the determination coefficient (R2) of the regression equation thatincluded whole body measurements parameters was 85.6%. The analysis of regressionsshowed that only CG was the best predictor for prediction of LW (R2=81.3%). The bodymeasurements obtained by image analysis system included body area (BA) as a differentparameter for the prediction of LW. However, regression equation that included only BAgave the lowest R2 value (42.1%). The highest R2 value was obtained by the equation thatincluded only BL (63.6%). Considering breed differences, the R2 value increased when theequation included only BA in Brown Swiss and crossbred animals (%43.2 and 51.7,respectively). The regression equation which included BA and BL showed that the predictionability of digital image analysis system was high for prediction of LW in Brown Swiss andcrossbred animals compared to Holsteins (R2=%82.6, 76.5 and 29.5 respectively).Carcass area was calculated from hot carcass images by digital camera for prediction ofcarcass weight and R2 was found to be 85.9%. Correlation between carcass area and carcassweight was 0.93 and found to be statistically significant (P<0.05). At the same time, therewere no significant difference (P>0.05) between mean values of Longissimus muscle areaobtained by digital images and calculated by acetate planimeter. Correlation coefficient wasalso high (r=0.93) and significant (P<0.05) for these values.Among meat colour values, a (red colour) values obtained by Minolta colour meter anddigital camera images from Longissimus muscle area were found to be none-significant(P>0.05). pH is collected from Longissimus muscle area 24 hours after slaughter andcorrelation was found significant (P<0.05) between pH and a values (r=0.83).The results showed that the prediction ability of digital image analysis system was low forprediction of LW and body measurements. Although possibility of using body weight area asa new parameter in predicting LW is low it can be developed by further and better designedexperiments. It was also concluded that carcass area, Longissimus muscle area and red valueof meat (a) can be predicted by digital image analysis system and there is a need for furtherstudies in order to develop better techniques to use for prediction.Keywords: Beef, Live Weight, Body Measurements, Digital Image Analysis, LongissimusMuscle Area, Meat Colour, Carcass Yield