Bilgisayarlı görme ve derin öğrenme ile süt sığırlarında biyometrik marker tabanlı kimlik doğrulama ve yüz tespitine dayalı yemlik alanı takibi

Bu tez çalışması, süt sığırlarında otomatik kimlik tespiti, takibi ve yüz tespitine dayalı yemlik alanı takibi için bilgisayarlı görme ve derin öğrenme teknolojilerini kullanan entegre bir sistem geliştirmeyi amaçlamıştır. Çalışma, farklı morfolojik özelliklere sahip üç sığır ırkını (Holstein, Simental ve Montofon) kapsayarak, biyometrik kimlik doğrulama sistemlerinin performansını değerlendirmiştir. Çalışmada veriler, üç farklı konumda yerleştirilmiş yüksek çözünürlüklü kameralar aracılığıyla toplanmıştır ve bunlar sırasıyla: sırt görüntüleri için üstten ve yüz tespiti için sağım ünitesine girerken ve yemlik alanından alınan görüntülerdir. Sistem, YOLOv8 mimarisini kullanarak gerçek zamanlı nesne tespiti ve segmentasyon gerçekleştirmiş, ardından bireysel kimlik doğrulama ve yemlik alanı takibi için yüz tespiti yapmıştır. Seçilen ırklar Simmental (n=9), Montafon (n=4) ve Holstein (n=5) baş olmak üzere toplam 18 süt sığırı üzerinde 2 günlük bir veri toplama süreci planlanmıştır. Çalışmanın özgün değeri, mevcut sistemlerin sınırlılıklarını aşarak üç temel yenilik sunmasından kaynaklanmaktadır. İlk olarak farklı sığır ırklarında biyometrik kimlik doğrulama, ikincisi yüz tespitine dayalı yemlik alanı takibi analizinin tek bir sistemde entegrasyonu ve son olarak da gerçek zamanlı video akışında çalışabilen pratik bir çözüm sunulmasıdır. Geliştirilen sistemin, süt sığırcılığında hassas hayvancılık uygulamalarının yaygınlaşmasına katkı sağlaması, hayvan refahının iyileştirilmesi ve çiftlik verimliliğinin artırılması konularında pratik çözümler sunmuştur. Yapılan bu çalışmada, süt sığırlarının sırt görüntülerinden bireysel kimlik tespiti için geliştirilen YOLOv8 tabanlı derin öğrenme modellerinin (nano, small ve medium) performansları kapsamlı olarak değerlendirilmiştir. Modeller arasındaki karşılaştırmalı analiz, mimari karmaşıklığın artmasının temel performans metrikleri üzerinde kayda değer bir iyileşme sağlamadığını ortaya koymuştur. En düşük model olan YOLOv8n, 0.92 hassasiyet ve 0.95 F1 skoru ile öne çıkarken, daha karmaşık mimariye sahip YOLOv8s ve YOLOv8m modeller 0.91 hassasiyet ve 0.94 F1 skoru ile benzer performans sergilemiştir. Normalize edilmiş karmaşıklık matrislerinde gözlemlenen yüksek diyagonal değerler (≈1.00), modellerin sınıflandırma başarısını doğrularken, veri seti dengesizliğinden kaynaklanan sınırlı sayıda sınıflar arası karışma tespit edilmiştir. Özellikle YOLOv8n modelinin, karmaşık mimarilere kıyasla çok daha düşük hesaplama maliyeti sunması ve benzer tespit performansı göstermesi, gerçek zamanlı süt sığırı kimlik tespiti uygulamaları için optimum performans-maliyet dengesi açısından öne çıkmaktadır. Süt sığırlarının yüz tespitine dayalı yemlik alanı takibi için geliştirilen YOLOv8 tabanlı derin öğrenme modellerinin (nano, small ve medium) performansları kapsamlı olarak değerlendirilmiştir. Modeller arasındaki karşılaştırmalı analiz, mimari karmaşıklığın artmasının temel performans metrikleri üzerinde kayda değer bir iyileşme sağlamadığını ortaya koymuştur. YOLOv8n ve YOLOv8s modelleri 0.99 hassasiyet ve 0.99 F1 skor benzerlikleri ile öne çıkarken, daha karmaşık mimariye sahip YOLOv8m modeli 0.91 hassasiyet ve 0.99 F1 skor performansı sergilemiştir. Normalize edilmiş karmaşıklık matrislerinde gözlemlenen yüksek diyagonal değerler (1.00), modellerin sınıflandırma başarısını doğrulamaktadır. Özellikle YOLOv8n ve YOLOv8s modelleri, karmaşık mimarilere kıyasla çok daha düşük hesaplama maliyeti sunması ve benzer tespit performansı göstermesi, gerçek zamanlı süt sığırı beslenme davranışı tespiti uygulamaları için optimum performans-maliyet dengesi açısından öne çıkmaktadır. Hassasiyet ve duyarlılık değerleri incelendiğinde en iyi model YOLOv8s olarak öne çıkmaktadır. Elde edilen bulgular, hayvancılık sektöründe yapay zekâ ve bilgisayarlı görme teknolojilerinin kullanımına yönelik yeni perspektifler sağlayacaktır.