KaydedilenlerDerginizi ekleyin

Dergiler / Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi / 2026 / Cilt: 25 Sayı: 2

Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı

Detection and counting of wild animals as source value by image processing technique

İsmail Yabanova
Kadir Kaya
Sayfa
174–187
Yayın Tarihi
2019-04-22
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Çalışmamızda kullandığımız yaban hayvanı tanıma algoritmaları bilgisayarlı görme uygulamalarında dinamik nesne tespiti çalışmalarına altyapı olacağı ve diğer tüm nesne tanıma çalışmalardaki başarım oranını arttıracağı aşikardır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Normal 0 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:10.0pt; mso-para-margin-left:0cm; line-height:115%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-ansi-language:TR;} Bu çalışmada yaban hayatında görüntü işleme tabanlı yaban hayvanlarının tür tespiti ve sayımının yapılması hedeflenmiştir.   Korunan alanlarda sabit bir kameradan elde edilen görüntülerden ülke ekonomisine av turizmi ile katma değeri olan yaban hayvanlarının tür tespiti yapılarak sayımının yapılmasına yönelik görüntü işleme tabanlı bir sistem geliştirilmiştir.
📊
Temel Bulgular & Veri:Yapılan deneysel çalışmalarda geyik, tilki, kurt ve yaban atından oluşan 4 adet yaban hayvanı tür tespiti %100 doğruluk oranı ile gerçekleştirilmiştir.
💡
Sonuç & Katkı:Çalışmamızda kullandığımız yaban hayvanı tanıma algoritmaları bilgisayarlı görme uygulamalarında dinamik nesne tespiti çalışmalarına altyapı olacağı ve diğer tüm nesne tanıma çalışmalardaki başarım oranını arttıracağı aşikardır.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:4 adet
⚙️Değişkenler:Hayvan izleme ve sınıflandırma · Vahşi hayvanlar sınıflandırması · Görüntü işleme

Özet

Normal 0 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:10.0pt; mso-para-margin-left:0cm; line-height:115%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-ansi-language:TR;} Bu çalışmada yaban hayatında görüntü işleme tabanlı yaban hayvanlarının tür tespiti ve sayımının yapılması hedeflenmiştir.   Korunan alanlarda sabit bir kameradan elde edilen görüntülerden ülke ekonomisine av turizmi ile katma değeri olan yaban hayvanlarının tür tespiti yapılarak sayımının yapılmasına yönelik görüntü işleme tabanlı bir sistem geliştirilmiştir. Bu sistem sayesinde yüksek başarım ile yaban hayvanlarının türlerinin belirlenmesi ve sayımının yapılması amaçlanmıştır. Bunun için ilk olarak gauss karma modelleri (GMM) tekniği ile gerçek zamanlı foto kapan videolarından alınan görüntü sahnelerinden arka plan görüntüsü çıkarılmıştır. Sonra videonun arka plan ve ön plan görüntülerinden yaban hayvanlarının fiziksel ve renksel öznitelikleri çıkarılmıştır. Hareketliliğin çok olduğu doğal yaşamda anlık elde edilen gerçek zamanlı kompleks bir görüntü sahnesinde geliştirilen alan testi, öznitelik testi ve renk testi kriterleri ile hedeflenen yaban hayvanın tespit edilmesi sağlanmıştır. Yapılan deneysel çalışmalarda geyik, tilki, kurt ve yaban atından oluşan 4 adet yaban hayvanı tür tespiti %100 doğruluk oranı ile gerçekleştirilmiştir. Yazılımın video çerçevesi başına düşen işlem süresi 0.242 saniyedir. Geliştirilen yöntemler ile yaban hayvanı envanterine yönelik tür tespitinin %100 başarı oranı ile insan gücüne gerek duymadan, daha düşük maliyetli kamera sistemleri ve bilgisayar yazılımı ile yapılabileceği görülmüştür. Literatürdeki yaban hayvanları sınıflandırma çalışmalarından farkı yaban hayvanı tanıma işleminin nesne tanıma üzerine oluşturulan hazır algoritmaları kullanmadan geliştirilen daha basit matematiksel işlemlerle ve renk faktörü ile hedeflenen %100 tanıma oranının yakalanmasıdır. Çalışmamızda kullandığımız yaban hayvanı tanıma algoritmaları bilgisayarlı görme uygulamalarında dinamik nesne tespiti çalışmalarına altyapı olacağı ve diğer tüm nesne tanıma çalışmalardaki başarım oranını arttıracağı aşikardır.

🔖

Bu Makaleye Atıf Yap

Yabanova, İ., Kaya, K. (2019). Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 25 Sayı: 2, 174–187. https://ajindex.com/articles/1058622

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (29)

  1. T.C. Doğa Koruma ve Milli Parklar Genel Müdürlüğü. “Türkiye’deki Korunan Alan Sistemi Hakkında Bilgiler”. http://www.milliparklar.gov.tr/korunanalanlar/korunanalan1.htm (12.06.2017).
  2. TMMOB Orman Mühendisleri Odası. “Büyük Memeli Av Hayvanı Sayım Teknikler ve Ülkemizdeki Populasyon Durumu”. http://ormuh.org.tr/arsiv/files/Av%20Hayvanlari%20Envanteri.pdf (15.06.2017).
  3. Andreopoulos A, Tsotsos JK. “50 years of object recognition: Directions forward ”. Computer Vision and Image Understanding, 117, 827-891, 2013.
  4. Buğday A. Gerçek Zamanlı Videolarda Ön Plan ve Arka Plan Ayrımı. Yüksek Lisans Tezi, Ankara Üniversitesi, Ankara, Türkiye, 2010.
  5. Karasulu B. Videolarda Hareketli Nesne Tespiti ve Takibi için Benzetimli Tavlama Tabanlı Bir Başarım Eniyileme Yaklaşımı. Doktora Tezi, Ege Üniversitesi, İzmir, Türkiye, 2010.
  6. XU Y, Dong J, Zhang B, Xu D. “Backgraund modeling methods in video analysis: A review and comparative evaluation”. CAAI Transactions on Intelligence Technology, 1, 43-60, 2016
  7. Stauffer C, Grimson, WEL. “Adaptive background mixture modelsfor real-time tracking”. IEEE Computer Society Conference on ComputerVision and Pattern Recognition, Fort Collins, CO, USA, 23-25 June 1999.
  8. Alparslan N. Gradyan Tabanlı Heterojen Öznitelik Çıkarma Yöntemlerine Yeni Yaklaşımlar. Yüksek Lisans Tezi, İnönü Üniversitesi, Malatya, Türkiye, 2013.
  9. Yılboğa H. Büyük Veri Tabanlarında Özniteliklerin Etiketlere İndirgenmesine Dayalı İçerik ve Metin Tabanlı Görüntü Erişimi. Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, İstanbul, Türkiye, 2015.
  10. Kocaman Ç. Yapay Us Yöntemleri Kullanarak Enerji Kalitesi Bozucularının Belirlenmesi. Doktora Tezi, 19 Mayıs Üniversitesi, Samsun, Türkiye, 2010.
  11. Matuska S, Hudec R, Kamencay P, Benco M, Zachariasova M. “Classification of Wild Animals Based on DVM and Local Descriptors”. AASRI Procedia, 9, 25-30, 2014.
  12. Yu X, Wang J,Kays R, Jansen PA, Wang T, Huang T. “Automated identification of animalspecies in camera trap images”. EURASI Journal on Image and Video Processing, 52, 2-10, 2013.
  13. Alli MN, Viriri S. Animal Identification Based on Footprint Recognition”. IEEE Computer Society, Pretoria, South Africa, 25-27 November 2013.
  14. Boniecki P, Koszela K, Piekarska H, Weres J,Zaborowicz M, Kujawa S, Majeswski A, Raba B.“Neural identification of selected apple pests”. Computers and Electronics in Agriculture. 110, 9-16, 2015.
  15. Risse B, Mangan M, Barbara W. “Visual Tracking of Small Animals in Cluttered Natural Environments Using a Freely Moving Camera”. 2017 IEEE International Conference on Computer Vision Workshop, Venice, Italy, 22-27 October 2017.
  16. Jasko G, Giosan L, Nedevschi S. “Animal detection from traffic scenarios based on monocular color vision”. 13th IEEE International Conference on Intelligent Computer Communication and Processing (ICCP), Cluj-Napoca, Romania, 7-9 September 2017.
  17. Nguyen H, Maclagan SJ, Nguyen TD, Nguyen. “Animal Recognition and Identification with Deep Convolutional Neural Networks for Automated Wildlife Monitoring”. International Conference on Data Science and Advanced Analytics (DSAA), Tokyo, Japan, 19-21 October 2017.
  18. Villa AG, Salazar A. Vargas F. “Towards automatic wild animal monotoring: Identification of animal species in camera-trap images using very deep convolutional neural networks”. Ecological Informatics, 4, 24-32, 2017.
  19. Bacham S. Editorial Introduction. Editors: Graves M, Batchelor M. Machine Vision for the Inspection of Natural Products, 35-85, UK, Springer Science & Business Media, 2006.
  20. Sonugör G. İnsansız Kara Araçları için Dinamik Nesnelerin Tanınması amacıyla Görüntü İşleme Tabanlı Bir Sistem Geliştirilmesi. Doktora Tezi, Kocatepe Üniversitesi, Afyonkarahisar, Türkiye, 2016.
  21. Savaş K. Kontrol Sistemleri için Matlab’ta Gui Uygulamaları Tasarımı. Yüksek Lisans Tezi, Marmara Üniversitesi, İstanbul, Türkiye, 2007.
  22. Xiong Y, Zhang Z, Chen F. “Comparison of ANN and SVM Methods for Urban Land Use/Cover Classifications from Remote Sensing Images”. International Conference on Computer and System Modeling (ICCASM 2010), Taiyuan, China, 22-24 October 2010.
  23. Moraes R, Valiatı JF, Neto WPG. “Document-Level Sentiment Classification: An Empirical Comparison Between SVM and ANN”. Expert Systems with Application, 40, 621-633, 2013.
  24. Ren J. “ANN vs. SVM: Which one performs “better in Classification of MCCs in mammogram imaginig”. Knowledge-Based Systems, 26, 144-153,2012.
  25. You Tube. “Deer, Fox, Rabbit Bushnell Trophy Cam HD Aggressor”. https://www.youtube.com/watch?v=rvOagfFM6Cg (12.04.2017).
  26. You Tube. “Cam Two Active Buck Scrape”. https://www.youtube.com/watch?v=Ka2WH_22D5s(12.04.2017).
  27. You Tube. “Buck Battling the Raccoons”. https://www.youtube.com/watch?v=6DnZgU3fpA (12.05.2017)
  28. You Tube. “red-fox-on-trail-camera”. https://www.youtube.com/watch?v=xMLUAgEaC0w (12.05.2017).
  29. Matuska S, Hudec R, Kamencay P, Benco M, Zachariasova M. “Classification of Wild Animals Based on DVM and Local Descriptors”. AASRI Procedia, 9, 25-30, 2014.