SAF HAT YUMURTACI TAVUKLARDA VERİM ÖZELLİKLERİNE YÖNELİK PEDİGRİ TAKİBİ VE YUMURTA KALİTESİ ANALİZİ

Abstract

ÖZET

Artan dünya nüfusuyla birlikte insanların beslenme ihtiyacındaki gereksinimler artmaktadır. Bu artış, insanları maliyet olarak düşük ve protein olarak zengin besin maddelerinin geliştirilmesine yönlendirmektedir. Bu özelliklere en uygun besin kaynaklarının başında yumurta gelir. Yumurta ihtiyacının karşılanması için yapılan çalışmalar bu sebeple büyük önem arz etmektedir. Bu çalışmada; insanların doğru beslenmelerine katkı sunmak ve tavuklarda oluşabilecek kuş gribi gibi olumsuz durumlara karşı hazırlıklı olmak için sağlıklı saf hat yumurtacı bireyler yetiştirilmesi hedeflenmiştir. Sağlıklı bireylerin yetiştirilmesi için tam otomatik bir şekilde haugh birimi (HU) kullanılmadan yumurta kalitesinin belirlenmesi ve HU değerlerinin yumurta kalitesinin özellikleri hakkında ne kadar bilgi taşıdığını belirlemek amaçlanmıştır. Çalışma için Tavukçuluk Araştırma Enstitüsü (TAE) tarafından oluşturulan ve 438 tavuktan alınan yumurtalara ilişkin 20 özelliği içeren bir veriseti analiz edilmiştir. Bu çalışmada rastgele orman, lineer diskriminant analizi (LDA), lojistik regresyon (LR), naive bayes (NB), destek vektör makineleri (DVM), k-en yakın komşu (K-NN), karar ağacı ve yapay sinir ağları (YSA) makine öğrenmesi modelleri kullanılarak yumurta kalitelerini çok iyi ve mükemmel olarak sınıflandırabilen bir uygulama geliştirilmiştir. Buna ek olarak, yumurta kalitesini belirlemede en önemli sınıflandırıcı olan 24. hafta ve 32. hafta HU değerleri, geliştirilen uygulama ile az bilgi, orta bilgi ve çok bilgi veren olarak sınıflandırılmıştır. Yumurta kalitesi, doğruluk (accuracy) ve matthews korelasyon katsayısı (MCC) değerleri bazında, LR modeli tarafından sırasıyla %98.6 ve 0.96 olarak en iyi sınıflandırılmıştır. 24. hafta HU değerleri, doğruluk ve MCC değerleri bazında göre rastgele orman modeli tarafından sırasıyla %96.8 ve 0.93 olarak en iyi sınıflandırılmıştır. 32. hafta HU değerleri, doğruluk ve MCC değerleri bazında rastgele orman modeli tarafından sırasıyla %95.1 ve 0.92 olarak en iyi sınıflandırılmıştır. Bu çalışma temel olarak sadece HU değerlerine göre değil aynı zamanda yumurta karakteristik özelliklerine ve HU değerlerinin bilgilendirici özelliğinin yumurta kalitesini sınıflandırmadaki önemine dayalı olarak yumurta kalitesinin sınıflandırılmasına odaklanmaktadır. Böylece, literatürdeki çalışmalardan farklı olarak HU paratmesi kullanmadan yumurta kalitesi hakkında bilgi elde edilebildiği gözlemlenmiştir. Buna bağlı olarak, en doğru tavuk çiftleri belirlenerek damızlık seçiminde isabet derecesi artırılmıştır ve tavuk damızlık materyal temininde dışa bağımlılığın azaltılarak ülke öz yeterliliğinin artırılmasına katkı sunulmuştur.

ABSTRACT

With the increase in the human population all over the world, the nutritional needs of people are increasing. Increasing of the nutritional needs lead researchers to focus on low-cost, protein-rich food alternatives. Egg is one of the most suitable food source candidates for these characteristics. In this respect, studies aimed at overcoming the need for eggs prossess importance. In this study, it is aimed to raise healthy-pure line individual, in order to contribute to the proper nutrition of people and be prepared for adverse situations such as bird flu that may occur in chickens. In order to raise healthy individuals, it is aimed to determine the egg quality without using the haugh unit (HU) in a fully automatic way and determine how much valuable information HU values involve about the characteristics of egg quality. A dataset created by the Poultry Research Institute (TAE) containing 20 characteristics of eggs from 438 chickens was analysedin this study. An application that can classify egg qualities as good and excellent using machine learning models like random forest, linear discriminant analysis (LDA), logistic regression (LR), naïve bayes (NB), support vector machines (DVM), k-nearest neighboring (K-NN), decision tree and artificial neural networks (YSA) has been developed in this study. In addition to that, HU at the 24 th week and the 32 nd week which are the most important classifier to determine egg qualities have been classified as low informative, medium informative, and high informative by the developed application. Egg quality has the best been classified by LR model based on accuracy and matthews correlation coefficient (MCC) values as 98.6% and 0.96, respectively. HU at the 24 th week has the best been classified by random forest based on accuracy and MCC as 96.8% and 0.93, respectively. HU at the 32 nd week has the best been classified by random forest based on accuracy and MCC as 95.1% and 0.92, respectively. This study mainly focuses on the classification of egg quality not only according to HU values, but also based on egg characteristics and the importance of informative feature of HU values in classifying egg quality. Herewith, unlike the studies in the literature, it has been observed that information about the egg quality egg can be obtained without using HU parameter. Accordingly, the most accurate chicken couples were determined, the accuracy of breeder selection was increased, and the country's self-sufficiency was contributed by reducing external dependence in the supply of chicken breeder materials.