Sığırlarda retina biyometrisi ile görüntü işleme tabanlı kimliklendirme ve tanıma

Bu tez, geleneksel kimliklendirme yöntemlerinin sığırlarda enfeksiyon, ağrı ve kimlik kaybı gibi zarar verici etkilerine çözüm getirmek amacıyla sığır retina tabanlı kimliklendirme ve tanıma sistemi geliştirmektedir. Çalışmada hem klasik görüntü işleme hem de derin öğrenme yöntemleri kullanılarak geniş bir veri seti oluşturulmuş ve işlenmiştir. İlk olarak, 300 sığırdan 2460 retina görüntüsü toplanmıştır. Klasik yöntemler çerçevesinde yeşil kanal seçimi, CLAHE histogram eşitleme, morfolojik işlemler, görüntü çıkarımı ve gürültü filtreleme uygulanmış; retinal damar segmentasyonu için Bulanık C-Ortalamalar, K-Ortalamalar ve Level-Set yöntemleri kullanılmıştır. Öznitelik çıkarımı aşamasında BRISK, FAST, HARRIS, SIFT ve SURF tekniklerinin performansları değerlendirilmiştir. Klasik yöntemlere dayalı kimliklendirme sisteminde K-Ortalamalar + SIFT kombinasyonuyla %95.6 doğruluk oranına ulaşılmış; tanıma aşamasında ise Level-Set + SIFT yaklaşımıyla %87.9 doğruluk elde edilmiştir. Derin öğrenme tabanlı yöntemlerde U-Net, SA-UNet ve UNet++ modelleri elle etiketlenmiş görüntüler ve veri artırma teknikleri ile eğitilmiştir. Özellikle U-Net modeli, retina damar segmentasyonunda %97.4 doğrulama başarısıyla öne çıkmıştır. U-Net tabanlı tanıma sisteminde de HARRIS öznitelik çıkarma yöntemiyle %88.6 doğruluk elde edilmiştir. Elde edilen sonuçlar, retinal görüntülerden kimliklendirme ve tanıma işlemlerinin başarıyla gerçekleştirilebileceğini; derin öğrenme tabanlı yaklaşımların klasik yöntemlere kıyasla daha yüksek doğruluk ve güvenilirlik sağladığını ortaya koymaktadır. Bu yaklaşımın, sığır hırsızlığı ve kimlik hilelerini engelleyerek hayvanların zarar görmesini önlemede etkili bir yöntem olduğu sonucuna varılmıştır. Anahtar Kelimeler: Retina Kimliklendirme, Hayvan Tanıma, Derin Öğrenme, Görüntü İşleme, SIFT, SURF, U-Net, SA-UNet, UNet++