Kasaplık sığırların dijital görüntülerini kullanarak canlı ve karkas ağırlıklarının yapay sinir ağları ve regresyon yöntemleriyle tahmini

Abstract

Bilgisayar ve internet teknolojileri farklı sektörlerde yaygın olarak kullanılmaktadır. Bu kapsamda özellikle Dijital Görüntü İşleme (Digital Image Processing) yöntemlerinin kullanım alanlarının her geçen gün hızla arttığı gözlenmektedir. Bitkisel ve hayvansal üretimde otomatik ürün tanımlama, sınıflandırma, verilerin elde edilmesi ve yorumlanması gibi pek çok aşamada dijital görüntü analizi ve işleme yöntemlerinden yararlanılmaktadır. Son yıllarda Yapay Sinir Ağları (YSA) yöntemi, geleneksel programlama yöntemleri ile gerçekleştirilmesi zor veya mümkün olmayan problemlerin çözümünde, analiz edilmesinde ve değişkenlerin tahmin edilmesinde oldukça başarılı bir şekilde kullanılmaktadır. YSA, hayvancılığın besleme ve yetiştirme gibi değişik alanlarında uygulanabilmekte ve pratiğe aktarılabilmesi üzerine bilimsel araştırmalara, yeni boyutlar açmaya hala devam etmektedir.Bu tez kapsamında; büyükbaş hayvanların Dijital Görüntü Analizi ile ölçülen dijital parametrelerinden kesim öncesi canlı ağırlık (CA)'ları ile sıcak karkas ağırlıkları (SKA), YSA ve Regresyon (REGR) yöntemleriyle tahmin edilmiş ve tahmin modelleri oluşturulmuştur. Bu araştırmada elde edilen veriler, kesimhaneye getirilen büyükbaş hayvanlara ait olup toplam 3433 hayvan değerlendirmeye alınmıştır. Bu hayvanların 2472 adedini Siyah Alaca, 79 adedini Esmer (Montofon), 488 adedini Simental ve 394 adedini de diğer ırklar oluşturmaktadır. Dijital görüntülerden CA'ların tahmin edilmesinde dijital vücut uzunluğu (DJVU), dijital cidago yüksekliği (DJCDG), dijital beden derinliği (DJBD) ve dijital sağrı genişliği (DJSG). Dijital görüntülerden SKA'larının tahmin edilmesinde ise dijital karkas uzunluğu (DJKU) ve dijital karkas genişliği (DJKG) parametreleri kullanılmıştır. Bu çalışmada `tüm veriler` ve `ırklar` olarak tasnif edilen verilerin ayrı ayrı analizi sonucunda dijital görüntülerden elde edilen dijital vücut parametreleri ile CA'lar arasında en yüksek korelasyon katsayısı DJVU parametresinde, dijital karkas parametreleri ile SKA'lar arasında en yüksek korelasyon katsayısı ise DJKU parametresinde bulunmuştur.Tüm verilerde CA tahminlerinin REGR ve YSA yöntemleriyle DJVU ve DJSG parametrelerinin kullanıldığı iki değişkenli modelde determinasyon katsayısı sırasıyla (R2=%88,1 ve %94,3), tek değişkenli modellerde ise DJVU'nun kullanıldığı modellerde en yüksek determinasyon katsayıları sırasıyla (R2=%82,0 ve %90,8) olarak bulunmuştur. Irklar bazında CA tahminlerinde REGR yöntemiyle DJVU ve DJSG'nin kullanıldığı modellerde en yüksek determinasyon katsayısı (R2=%93,0) Simental ırkında, YSA yönteminde ise en yüksek determinasyon katsayısı (R2=%97,8) Esmer ırkında bulunmuştur. Tüm verilerde SKA tahminlerinde REGR ve YSA yöntemleriyle DJKU ve DJKG parametrelerinin kullanıldığı iki değişkenli modellerde determinasyon katsayısı sırasıyla R2=%75,3 ve %88,5 olarak bulunmuştur. Irklar bazında SKA tahminlerinde, REGR ve YSA yöntemleriyle DJKU ve DJKG'nin kullanıldığı modellerde ise en yüksek determinasyon katsayısı sırasıyla R2=%84,4 ve %93,4 ile Esmer ırkında bulunmuştur. Tüm veriler ve ırklar bazında, gözlenen CA'lar ve SKA'ları ile REGR ve YSA yöntemleriyle elde edilen tahmini ağırlıklar arasındaki fark istatistiki olarak önemli bulunmamıştır (P >0.05). Bu tez çalışması ile yetiştiriciliği daha yaygın olarak yapılan her bir ırk için ayrı ayrı modeller elde edilmiştir. Irkların kendine özgü modelleri bağımsız veri setleriyle denenip tahminlerinin doğruluk seviyeleri araştırılarak geliştirilmelidir. Ayrıca her bir ırka ait CA ve SKA tahmin modellerinin kullanımı yetiştiricilikle ilgili sektörler için fayda sağlayacağı düşünülmektedir.

Computer and internet technologies are widely used in different sectors. In this context, it is observed that the use of Digital Image Processing methods has increased rapidly all the time. Digital Image Analysis and Processing methods are used in many stages such as automatic product identification, classification, data acquisition and interpretation in plant and animal production.Recent years, the Artificial Neural Networks (ANN) method has been used very successfully in the solution, analysis of the problems and estimation of variables which are difficult or impossible to be realized by traditional programming methods. ANN can be applied in various fields such as feeding and breeding of livestock and it is still continuing to open new dimensions to scientific researches on applying into practice.In this thesis; the pre-slaughter live weight (LW) and hot carcass weight (HCW) of beef cattle were estimated by digital body measurements using ANN and Regression (REGR) methods and prediction models were developed.The data obtained in this study belong to the cattle with a total of 3433 numbers brought to the slaughterhouse were used. These animals were composed of 2472 Holstein, 79 Brown Swiss, 488 Simmental and 394 Other breeds.Digital body length (DJBL), digital wither height (DJWH), digital body depth (DJBD) and digital hip width (DJHW) were used for estimating LWs from digital images. Similarly digital carcass length (DJCL) and digital carcass width (DJCW) parameters were used for estimating HCWs. In this study, the highest correlation coefficient among the LWs with the digital body parameters was found in DJBL parameter in the data classified as `All data` and `Breeds`, while the highest correlation coefficient between the digital carcass parameters and the HCWs was found to be DJCL parameter.In LW estimations of `All data`, the coefficient of determination in the two-variable model using the DJBL and DJHW parameters with REGR and ANN methods, R2 = 88.1 and 94.3% respectively, and the highest R2 values in models with one-variable in ANN and REGR for DJBL parameter were R2= 82.0 and 90.8 % respectively. When we look at the LW estimations in terms of breeds, the highest coefficient of determination R2 = 93.0 % was found in Simental breed by REGR method and the highest coefficient of determination R2 = 97.8% was found in Brown Swiss breed by ANN models consisting of DJBL and DJHW as parameters.In HCW estimation of `All data`, the coefficient of determination was found to be 75.3 and 88.5 % respectively, in the models with two-variables containing DJCL and DJCW parameters by REGR and ANN methods. When we look at the HCW estimations on the basis of `Breeds`, the highest coefficient of determination by REGR and ANN methods was found in Brown Swiss breed with 84.4 and 93.4 % respectively in the models containing DJCL and DJCW as two parameters.On the basis of `All data` and `Breeds`, the difference between the observed LWs and HCWs and the estimated weights obtained by REGR and ANN methods using digital images were not statistically significant (P> 0.05). In this thesis, different models for each breed were obtained which are commonly grown for beef production. The specific models obtained for the breeds should be tested with independent data sets and improved by investigating the accuracy levels of models. In addition, the use of the LW and HCW prediction models for each breed is considered to be beneficial for the sectors related to beef production.