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

İsmail YABANOVA, (Afyon Kocatepe Üniversitesi, Teknoloji Fakültesi, Elektrik Elektronik Mühendisliği Bölümü, Afyonkarahisar, Türkiye)
Kadir KAYA (Orman ve Su İşleri Bakanlığı, Doğa Koruma ve Milli Parklar Genel Müdürlüğü, 5. Bölge Müdürlüğü, Afyonkarahisar, Türkiye)
Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi
16 2
Yıl: 2019 Cilt: 25 Sayı: 2 Sayfa Aralığı: 174 - 187 Metin Dili: Türkçe DOI: 10.5505/pajes.2018.19577 İndeks Tarihi: 30-06-2020

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

Öz:
Bu çalışmada yaban hayatında görüntü işleme tabanlı yabanhayvanlarının tür tespiti ve sayımının yapılması hedeflenmiştir.Korunan alanlarda sabit bir kameradan elde edilen görüntülerden ülkeekonomisine av turizmi ile katma değeri olan yaban hayvanlarının türtespiti yapılarak sayımının yapılmasına yönelik görüntü işleme tabanlıbir sistem geliştirilmiştir. Bu sistem sayesinde yüksek başarım ile yabanhayvanlarının türlerinin belirlenmesi ve sayımının yapılmasıamaçlanmıştır. Bunun için ilk olarak gauss karma modelleri (GMM)tekniği ile gerçek zamanlı foto kapan videolarından alınan görüntüsahnelerinden arka plan görüntüsü çıkarılmıştır. Sonra videonun arkaplan ve ön plan görüntülerinden yaban hayvanlarının fiziksel ve renkselöznitelikleri çıkarılmıştır. Hareketliliğin çok olduğu doğal yaşamdaanlık elde edilen gerçek zamanlı kompleks bir görüntü sahnesindegeliştirilen alan testi, öznitelik testi ve renk testi kriterleri ile hedeflenenyaban hayvanın tespit edilmesi sağlanmıştır. Yapılan deneyselçalışmalarda geyik, tilki, kurt ve yaban atından oluşan 4 adet yabanhayvanı tür tespiti %100 doğruluk oranı ile gerçekleştirilmiştir.Yazılımın video çerçevesi başına düşen işlem süresi 0.242 saniyedir.Geliştirilen yöntemler ile yaban hayvanı envanterine yönelik türtespitinin %100 başarı oranı ile insan gücüne gerek duymadan, dahadüşük maliyetli kamera sistemleri ve bilgisayar yazılımı ileyapılabileceği görülmüştür. Literatürdeki yaban hayvanlarısınıflandırma çalışmalarından farkı yaban hayvanı tanıma işlemininnesne tanıma üzerine oluşturulan hazır algoritmaları kullanmadangeliştirilen daha basit matematiksel işlemlerle ve renk faktörü ilehedeflenen %100 tanıma oranının yakalanmasıdır. Çalışmamızdakullandığımız yaban hayvanı tanıma algoritmaları bilgisayarlı görmeuygulamalarında dinamik nesne tespiti çalışmalarına altyapı olacağı vediğer tüm nesne tanıma çalışmalardaki başarım oranını arttıracağıaşikardır
Anahtar Kelime:

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

Öz:
In this study, it is aimed to detect and count wild animals based on image processing in wildlife. From the images obtained from a fixed camera in the protected areas, an image processing based system has been developed for detecting and counting wild animals which are added value with hunting tourism to the country's economy. Through this developed system, it is aimed to both determine and count the wild animal species with high performance. For this, firstly, using gaussian mixed models (GMM) technique, the background images were extracted from the image scenes coming from real-time photocapture videotapes. In a real-time complex image scene that is instantaneous in nature where there is a lot of mobility, developed field test, attribute test and color test criteria are used to determine the targeted wild animal. In the experimental studies, 4 species of wild animals including deer, fox, wolf and wild horses were detected with 100% accuracy. The software's processing time per video frame is 0.242 seconds. With the developed methods, it has been seen that species determination for wild animal inventory can be done with less cost camera systems and computer software without human power with 100% success rate. The difference from the wild animal classification studies in the literature is the catching of the 100% recognition rate targeted by wild animal identification process with simpler mathematical operations and color factor developed without using ready-made algorithms on object recognition. The wild animal recognition algorithms we use in our work are obviously to be the infrastructure for dynamic object detection studies in computer vision applications and all other object recognition will increase the performance ratio in the studies.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • [1] T.C. Doğa Koruma ve Milli Parklar Genel Müdürlüğü. “Türkiye’deki Korunan Alan Sistemi Hakkında Bilgiler”. http://www.milliparklar.gov.tr/korunanalanlar/koruna nalan1.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%20E nvanteri.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).
APA YABANOVA I, KAYA K (2019). Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. , 174 - 187. 10.5505/pajes.2018.19577
Chicago YABANOVA ISMAIL,KAYA Kadir Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. (2019): 174 - 187. 10.5505/pajes.2018.19577
MLA YABANOVA ISMAIL,KAYA Kadir Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. , 2019, ss.174 - 187. 10.5505/pajes.2018.19577
AMA YABANOVA I,KAYA K Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. . 2019; 174 - 187. 10.5505/pajes.2018.19577
Vancouver YABANOVA I,KAYA K Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. . 2019; 174 - 187. 10.5505/pajes.2018.19577
IEEE YABANOVA I,KAYA K "Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı." , ss.174 - 187, 2019. 10.5505/pajes.2018.19577
ISNAD YABANOVA, ISMAIL - KAYA, Kadir. "Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı". (2019), 174-187. https://doi.org/10.5505/pajes.2018.19577
APA YABANOVA I, KAYA K (2019). Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25(2), 174 - 187. 10.5505/pajes.2018.19577
Chicago YABANOVA ISMAIL,KAYA Kadir Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 25, no.2 (2019): 174 - 187. 10.5505/pajes.2018.19577
MLA YABANOVA ISMAIL,KAYA Kadir Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, vol.25, no.2, 2019, ss.174 - 187. 10.5505/pajes.2018.19577
AMA YABANOVA I,KAYA K Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2019; 25(2): 174 - 187. 10.5505/pajes.2018.19577
Vancouver YABANOVA I,KAYA K Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2019; 25(2): 174 - 187. 10.5505/pajes.2018.19577
IEEE YABANOVA I,KAYA K "Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı." Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25, ss.174 - 187, 2019. 10.5505/pajes.2018.19577
ISNAD YABANOVA, ISMAIL - KAYA, Kadir. "Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı". Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 25/2 (2019), 174-187. https://doi.org/10.5505/pajes.2018.19577
Sayfa Oluşturulma Tarihi
23-04-2024 12:28

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları