İnsansız hava aracı (İHA) ile sürü analizi ve yönetiminde derinöğrenme tekniklerinin kullanılması

Tarım 4.0 devrimiyle birlikte insansız hava araçları (İHA) ve derin öğrenme tekniklerinin entegrasyonu, hayvancılık sektöründe önemli yeniliklere kapı aralamaktadır. Bu tez çalışmasında, İHA görüntüleri ile modern nesne tespiti algoritmaları ve veri artırma stratejileri bir araya getirilerek sürülerin etkin ve doğru biçimde izlenmesi amaçlanmıştır. Batman ili Kozluk ilçesinde SJRC F22S Pro 4K kameralı İHA ile farklı irtifalarda çekilen toplam 131 keçi ve 1531 sığır görüntüsünden oluşan çok ölçekli bir veri seti oluşturulmuştur. Bu veri seti, hem küçük nesne boyutları (32–64 piksel) hem de değişken irtifa koşulları (0.5 m – 30 m) açısından literatürde nadir görülen bir zenginliğe sahiptir. Çalışma kapsamında sekiz temel nesne tespiti algoritması—SSD, RetinaNet, YOLOv3, DETR, Faster R-CNN, Deformable DETR, EfficientDet, Cascade R-CNN—ile birlikte YOLOv5, YOLOv8 ve son sürüm YOLO11 mimarilerinin farklı varyantları detaylı biçimde karşılaştırılmıştır. Toplamda 20'den fazla model yapılandırması incelenmiştir. Cascade R-CNN modelinin sığır görüntülerinde en yüksek mAP değerine (%89,8), YOLOv8m modelinin ise her iki veri setinde dengeli ve güçlü bir performansa (Sığır: %92,3, Keçi: %70,8 mAP50) sahip olduğunu göstermiştir. Modern veri artırma tekniklerinin (CutMix, CutOut, MixUp, Mosaic) model performansı üzerindeki etkisi detaylı olarak incelenmiş; özellikle orijinal veriyle harmanlanan artırma stratejilerinin doğruluk oranlarını anlamlı düzeyde artırdığı gözlemlenmiştir. Örneğin, keçi veri setinde Orijinal + Mosaic kombinasyonu, Cascade R-CNN'in performansını %11,4 artırarak 0,751 mAP değerine çıkarmıştır. Sığır veri setinde ise Orijinal + CutOut, en iyi sonucu %93,0 mAP50 ile vermiştir. Yüksek irtifadan çekilen görüntülerde ortalama %22,4 mAP kaybı, düşük irtifada ise yaklaşık %5 mAP düşüşü gözlemlenmiştir. Bu durum, model eğitiminde irtifa ve nesne ölçeği uyumunun kritik rol oynadığını ortaya koymuştur. Sonuç olarak, bu tez çalışması, farklı mimarilerin kıyaslamalı analizi, zorlu tarımsal koşullarda model başarımı ve veri artırma stratejilerinin etkinliği konularında önemli katkılar sunmuştur. YOLOv8m ve Cascade R-CNN gibi modellerin dikkatli veri ön işleme ve artırma yaklaşımlarıyla güçlendirilmesi, esnek ve veriye özgü model seçimlerinin İHA tabanlı hayvancılık izleme sistemlerinin doğruluk, hız ve genelleme kapasitesini artırma potansiyeline sahip olduğu görülmüştür. Anahtar Kelimeler: İnsansız Hava Aracı (İHA), derin öğrenme, sürü analizi, veri artırma, Tarım 4.0, nesne tespiti