Görüntü işleme teknikleri ile balıklarda duruş tahmini ve hareket tanıma

Balıkların besin değerinin yüksek olması, nüfus artışına bağlı olarak balık etine olan talebin artması ve gelecekte daha da artacak olması balıkların insan yaşamındaki önemini ortaya koymaktadır. Ancak bu önemine karşın yeterli veri setinin olmaması gibi etkenler balıklar üzerinde çalışma yapmayı zorlaştırmaktadır. Bir başka ifadeyle literatürde balıklar üzerine yapılmış çalışma sayısı yeterli düzeyde değildir. Bu alanda yapılacak çalışmalar hem literatüre katkı yapacağı hem de bu konudaki bilinçlenme düzeyini artıracağı söylenebilir. Bu araştırmada veri olarak Xu vd. tarafından 2017 yılında yapılan çalışmada açık olarak paylaşılan veri seti kullanılmıştır. 16528 görüntüden oluşan veri setinde 9 farklı sınıfta balık hareketi mevcuttur. Bu çalışmada literatürden farklı olarak direkt balık görüntülerinin üzerinden işlem yapılmasının aksine balığın hareketini duruş tahmini yöntemi ile iki boyutlu bir düzleme aktarıp hareketinin görüntüsü üzerinden transfer öğrenme yöntemlerini kullanarak sınıflandırılması önerilmiştir. Çalışmada hareketin düzleme aktarılma aşamalarında görüntü işleme yöntemleri kullanılmıştır. Anahtar nokta tespiti için YOLOv8 modeli ve sınıflandırma için evrişimsel sinir ağları modellerinden olan Xception, ResNet50, ResNet101, Inception v3, NasNetLarge, DensNet169, VGG 16, EfficientNet-B4 modelleri kullanılmıştır. Çalışmada detaylı olarak sınıflandırma raporları verilen modellerden en yüksek model performansına %89,43 doğruluk, %91,85 kesinlik, %88,80 duyarlılık ve %89,17 f1-skor değerleri ile EfficientNet-B4 ile ulaşılmıştır.