Estrus Detection in Cows With Deep Learning Techniques

Abstract

Accurately predicting the estrus period is essential for enhancing the efficiency and lowering the costs of artificial insemination in livestock, a crucial sector for global food production. Precisely identifying the estrus period is critical to avoid economic losses such as decreased milk production, delayed calf births, and loss of eligibility for government subsidies. Since the most obvious movement that needs to be detected during the fertilization period is mounting, it is important to detect this movement. Since manual detection of this movement is difficult and costly, automated methods were needed. Therefore, it is thought that deep learning-based methods can be applied to detect the mounting moment. The proposed method detects the estrus period using deep learning and XAI (Explainable Artificial Intelligence) techniques. Deep learning-based mounting detection is performed using CNN, ResNet, VGG-19 and YOLO-v5 models. The ResNet model in this proposed study detects mounting movement with 99% accuracy. Explainability of deep learning models describes features that aid in decision-making in detecting mounting motion. Grad-CAM and Gradient Inputs models, which are XAI techniques, are used for the black box behind the proposed models. The developed deep learning models reveal that they focus on the udder and back area of the cows during the decision-making phase. In addition, how successfully the Grad-CAM and Gradient Inputs models, which are the XAI models used for the explainability of the deep learning models trained in this study, performed the explanation process was measured by calculating the 'faithfulness', 'maximum sensitivity' and 'complexity' metrics.Doğurganlık döneminin doğru tahmini, küresel gıda üretimi için hayati bir sektör olan hayvancılıkta suni tohumlamanın verimliliğini optimize etmek ve maliyetlerini azaltmak için kritik öneme sahiptir. Süt üretiminde azalma, buzağı doğumlarının gecikmesi ve devlet desteklerinden mahrum kalma gibi ekonomik kayıpların önlenmesi için döllenme süresinin kesin olarak belirlenmesi hayati önem taşımaktadır. Doğurganlık periyodu boyunca tespit edilmesi gereken en belirgin hareket atlama hareketi olduğu için bu hareketin tespiti önem taşımaktadır. Bu hareketin manuel tespiti zor ve maliyetli olduğu için otomatize yöntemlere ihtiyaç duyulmuştur. Dolayısıyla atlama hareketi anının tespiti için derin öğrenme tabanlı yöntemlerin uygulanabileceği düşünülmüştür. Önerilen yöntem, derin öğrenme ve açıklanabilir yapay zeka tekniklerini kullanarak doğurganlık dönemini tespit etmektedir. Derin öğrenme tabanlı atlama tespiti CNN, ResNet, VGG-19 ve YOLO-v5 modelleri kullanılarak gerçekleştirilmektedir. Önerilen sistemdeki ResNet modeli atlama hareketini %99 doğrulukla tespit etmektedir. Derin öğrenme modellerinin açıklanabilirliği, atlama hareketinin tespit edilmesinde karar vermeye yardımcı olan özellikleri açıklar. Önerilen modellerin arkasında yer alan kara kutu için açıklanabilir yapay zeka tekniklerinden olan Grad-CAM ve Gradient Giriş modelleri kullanılmıştır. Geliştirilen derin öğrenme modelleri, karar verme aşamasında ineklerin meme ve sırt bölgesine odaklandıklarını ortaya koymuştur. Ayrıca, bu çalışmada eğitilen derin öğrenme modellerinin açıklanabilirliği için kullanılan Grad-CAM ve Gradient Inputs gibi XAI modellerinin, 'faithfulness', 'maximum sensitivity' ve 'complexity' metrikleri hesaplanarak ölçülen açıklama işlemini ne kadar başarılı bir şekilde gerçekleştirdiği incelenmiştir.