Hayvancılık İzleme (Livestock Monitoring)

animal-behaviorcomputer-visionwearable-sensorsprecision-livestockdairypoultryaquaculture

Makine öğrenmesi ile hayvancılık izleme, hayvan yetiştiriciliğini tepkisel yönetimden proaktif, veri güdümlü karar alma sürecine dönüştürmektedir. Sensör verilerini, görüntüleri ve sesleri sürekli analiz ederek, makine öğrenmesi sistemleri sağlık sorunlarını erken tespit eder, yem kullanımını optimize eder, hayvan refahını iyileştirir ve süt, besi, kanatlı, domuz ve su ürünleri yetiştiriciliği operasyonlarında verimliliği artırır.

Hayvan Davranış Sınıflandırması

Otomatik davranış sınıflandırması temel yetkinliktir. Boyun tasmaları, kulak etiketleri veya bacak bantlarına takılı akselerometre ve jiroskoplar, makine öğrenmesi modellerinin davranış durumlarına sınıflandırdığı sürekli hareket verisi üretir:

Dinlenme / yatma: Süre ve sıklık konfor ve sağlığı gösterir
Ayakta durma / yürüme: Yürüyüş analizi topallığı ortaya koyar
Otlama / geviş getirme: Yeme örüntüleri sağlık ve yem kalitesini işaret eder
Kızgınlık tespiti: Aktivite artışları ve davranış değişimleri optimal çiftleştirme pencerelerini gösterir
Doğum tahmini: Doğumdan 6-24 saat önce davranış değişimleri zamanında müdahaleye olanak tanır

Sınıflandırma yaklaşımları, el yapımı özellikler (ortalama ivme, sinyal büyüklük alanı, jerk) üzerinde Rastgele Orman ve SVM'den ham sensör akışları üzerinde derin öğrenmeye (1D-CNN, LSTM, CNN-LSTM) uzanır. Tipik sınıflandırma doğrulukları ana davranış kategorileri için %85-95'i aşar; ancak ince taneli davranışlar (sosyal etkileşimler, spesifik beslenme davranışları) hâlâ zorlu olmaya devam etmektedir.

Bireysel Tanımlama için Bilgisayarlı Görü

Bireysel hayvanların görsel tanımlanması, otomatik kayıt tutma ve hassas yönetim için vazgeçilmezdir:

Sığır: Bürün izi tanıma (insan parmak izine benzer), vücut şekli analizi, tüy desen eşleştirme; CNN'ler kullanılarak
Domuz: Yüz tanıma, kulak şekli analizi
Kanatlı: Görsel benzerlik nedeniyle zorlu; yaklaşımlar ince tüy desenleri veya yürüyüş özelliklerini kullanır
Balık: Su ürünleri yetiştiriciliğinde leke desenleri veya vücut morfolojisi aracılığıyla bireysel tanımlama

Yeniden tanımlama modelleri (Siamese ağlar, triplet loss eğitimi) fiziksel etiketler olmadan bireysel hayvanların kameralar arasında takibini sağlayarak, etiketleme prosedürlerinden kaynaklanan stresi azaltır.

Sağlık ve Hastalık Erken Uyarı

Makine öğrenmesi, klinik belirtiler hayvancılara görünür olmadan günler önce sağlık sorunlarının tespitini sağlar:

Topallık tespiti: Akselerometre veya üstten kameralardan yürüyüş analizi; puanlama sistemleri veteriner değerlendirmeleriyle korelasyonlu (AUC 0.85-0.95)
Mastitis tahmini: Süt iletkenliği, somatik hücre sayısı trendleri, sağım davranış örüntüleri gradyan artırma veya LSTM modelleriyle analiz edilir; klinik başlangıçtan 1-3 gün önce erken uyarı
Solunum hastalıkları: Mel-spektrogram + CNN kullanarak öksürük tespiti ile ses sınıflandırma; besi yerleri ve kanatlı kümeslerinde özellikle önemli
Sıcaklık stresi izleme: Ortam sıcaklık-nem indeksinin bireysel hayvan tepkileriyle (solunum hızı, vücut sıcaklığı) birleştirilmesi
Ketoz ve metabolik bozukluklar: Süt bileşim değişimleri (yağ-protein oranı, BHB düzeyleri) topluluk yöntemleriyle modellenir

Yem Tüketimi Tahmini

Doğru yem tüketimi ölçümü ve tahmini, beslenmeyi optimize eder ve yem maliyetlerini (tipik olarak hayvancılık üretim giderlerinin %60-70'i) azaltır: - Kamera tabanlı sistemler yem yemlik seviyelerini ve bireysel hayvan yeme süresini ölçer - Makine öğrenmesi modelleri canlı ağırlık, süt verimi, ortam koşulları ve geçmiş örüntülerden günlük kuru madde alımını tahmin eder - Yem dönüşüm verimliliği modelleri, ıslah seçimi için yüksek verimli hayvanları belirler

Damızlık Değer Tahmini

Genomik seleksiyon, DNA marker verilerinden damızlık değerleri tahmin etmek için makine öğrenmesi kullanır: - Genomik BLUP (GBLUP): Genomik akrabalık matrişleri içeren standart karma model yaklaşımı - Makine öğrenmesi alternatifleri: Aditif olmayan genetik etkileri (epistazi, dominans) yakalamak için SNP dizileri üzerinde Rastgele Orman, gradyan artırma ve derin öğrenme - Karmaşık özellikler (doğurganlık, hastalık direnci) için soy tabanlı tahmine göre %5-15 doğruluk iyileştirmesi - Fenotipik ifadeyi beklemek yerine doğumda seçim yapılmasını sağlayarak genetik ilerlemeyi hızlandırır

Sektöre Özgü Uygulamalar

Hassas Süt Hayvancılığı (Precision Dairy)

En olgun hassas hayvancılık alanı. Otomatik sağım sistemleri (AMS), mastitis tespiti, kızgınlık tahmini ve ayıklama kararları için makine öğrenmesi modellerini besleyen zengin veri akışları (süt verimi, iletkenlik, renk, akış hızı, çeyrek başına sağım süresi) üretir.

Hassas Kanatlı Hayvancılığı (Precision Poultry)

Binlerce kuşa sahip broiler kümesleri şu uygulamalardan yararlanır: - Sürü düzeyinde sağlık değerlendirmesi için termal görüntüleme (ateş kümeleri tespiti) - Solunum hastalığı ve stres vokalizasyonu için ses analizi - Manuel işleme gerektirmeden üstten kameralarla ağırlık tahmini - Çevresel ve sürü performans verilerinden ölüm tahmini

Su Ürünleri Yetiştiriciliği (Aquaculture)

Su altı makine öğrenmesi uygulamaları şunları içerir: - Stereo kamera veya sonar görüntülerinden balık biyokütle tahmini - Yem optimizasyonu (israfı önlemek için balıkların yemeyi ne zaman bıraktığının tespiti) - Su altı kameraları kullanarak deniz biti tespiti ve sayımı - IoT sensörleri ve zaman serisi modelleri kullanarak su kalitesi tahmini (çözünmüş oksijen, amonyak)

Giyilebilir Sensörler ve Veri Boru Hattı

Tipik veri akışı şu şekildedir: giyilebilir sensörler (akselerometre, sıcaklık, GPS) Bluetooth Low Energy üzerinden çiftlik içi ağ geçitlerine iletim yapar, ardından makine öğrenmesi modellerinin gelen verileri işlediği bulut platformlarına aktarılır. Ağ geçidi veya etiketin kendisinde uç çıkarım (edge inference) gelişmekte olup, bulut bağımlılığı olmadan gerçek zamanlı uyarılar sağlamaktadır.

Bağlantılar

Hayvancılık izleme, metan emisyonu tahmini ve sıcaklık stresi adaptasyonu yoluyla iklim akıllı tarım ile bağlantılıdır. Yem optimizasyonu, çoğu yemin bitkisel tarımdan kaynaklanması nedeniyle bitki üretimi ile kesişir. Mera izlemesi, biyokütle tahmini ve otlatma yönetimi için uzaktan algılamadan yararlanır.

Ingest Edilen Makalelerden Bulgular

Küresel Hayvancılık Dağılım Haritalama

[Robinson et al., 2014] — Küresel Hayvancılık Gridleme (Gridded Livestock of the World - GLW) veritabanının 2. versiyonunu sunan bu çalışma, 1 km uzamsal çözünürlükte sığır, domuz ve tavuk için küresel dağılım haritaları üretmiştir. Tahmini küresel hayvan popülasyonları 1.43 milyar sığır, 1.87 milyar koyun ve keçi, 0.98 milyar domuz ve 19.60 milyar tavuktur. Modelleme yaklaşımı, MODIS uydu verilerinden Fourier-işlenmiş zaman serileri (bitki örtüsü indeksleri, arazi yüzey sıcaklığı, orta kızılötesi), insan nüfus yoğunluğu, yükseklik, eğim, büyüme periyodu uzunluğu ve yağış gibi çevresel değişkenlerle alt-ulusal hayvancılık istatistikleri arasında katmanlı regresyon modelleri (bootstrapping ile 25 tekrar) kullanır. Asya modeli en yüksek korelasyon katsayılarını vermiştir: domuz ve ördek (0.81), tavuk (0.74), sığır (0.63). Sığır tahminleri tüm türler arasında en düşük RMSE değerlerini göstermiştir (Güney Amerika'da 0.33, Kuzey Amerika'da 0.35). Eğitim verisi çözünürlüğünün model doğruluğu üzerindeki kritik etkisi gösterilmiştir: Brezilya'da sığır verileri yönetim birimi düzeyi 2'den düzey 1'e kaba laştırıldığında tahmin doğruluğu belirgin biçimde düşmüştür. Üç katmanlama şeması (25 ekolojik bölge, küresel hayvancılık üretim sistemleri, biyomlar) kullanılmış; en iyi katmanlama şeması kıtadan kıtaya ve türe göre değişmiştir. Haritalar, hayvancılık sektörünün sosyoekonomik analizi, çevresel etki değerlendirmesi (sera gazı emisyonları, arazi kullanım değişikliği), büyük ölçekli epidemiyolojik araştırmalar ve sürdürülebilir hayvancılık politikası planlaması için temel altlık sağlamaktadır.

Hassas Hayvancılıkta Veri Güdümlü Karar Destek

[Niloofar et al., 2021] — Hayvancılıkta veri güdümlü karar destek sistemlerinin kapsamlı derlemesi. Hassas Hayvancılık (PLF) yaklaşımlarını iki ana kategoride incelemektedir: (1) makine öğrenmesi ve veri analitiği algoritmaları; (2) modelleme ve simülasyon tabanlı yaklaşımlar. Temel bulgular:

PLF, sensörler (akselerometre, jiroskop, sıcaklık, biyosensörler) aracılığıyla hayvanların sürekli gerçek zamanlı izlenmesini sağlar.
Karar destek sistemlerinin iki temel hedefi tanımlanmıştır: (a) hayvan sağlığı ve refahının iyileştirilmesi; (b) sera gazı (GHG) emisyonlarının azaltılması.
Makine öğrenmesi algoritmaları, sensör verilerinden hastalık erken tespiti, davranış analizi ve verimlilik optimizasyonu için yaygın biçimde kullanılmaktadır.
IPCC tarafından önerilen üç katmanlı (Tier 1-3) GHG emisyon hesaplama metodolojisi incelenmiş; daha yüksek katman yöntemlerinin daha fazla veri gerektirdiği ancak daha doğru sonuçlar verdiği belirtilmiştir.
PLF teknolojilerinin benimsenmesi hâlâ erken aşamadadır; çiftçilerin güven, maliyet ve teknik yeterlilik endişeleri temel engeller olarak belirlenmiştir.
Hassas yemleme (precision feeding), GHG emisyon azaltımı için en umut vaat eden PLF teknolojisi olarak öne çıkmıştır.
Modelleme ve simülasyon (M&S) yaklaşımları, uzman bilgisi ile sensör verilerini birleştirerek kötü karar alma riskini minimize eder.
Video izleme ve yüz ifade tanıma teknolojileri insanlardan hayvanlara uyarlanmaya başlamıştır (örn. NOLDUS Ethovision).
Sonuç: Hayvancılıkta veri güdümlü karar destek, hayvan refahı ve çevresel sürdürülebilirlik hedeflerini birleştiren bütünleşik bir yaklaşım gerektirmektedir.

Derin Öğrenme ile Holstein Friesian Sığır Tanımlama

[Andrew et al., 2018] — Derin sinir ağı mimarileri kullanarak Holstein Friesian sığırların otomatik görsel tespit ve bireysel tanımlamasını gerçekleştiren ilk çalışma. İki veri seti yayımlanmıştır: FriesianCattle2017 (ahır içi üstten görüntüler) ve AerialCattle2017 (IHA ile çekilmiş açık alan görüntüleri). Friesian sığır tespiti ve lokalizasyonu %99,3 doğruluk ile gerçekleştirilmiştir. Sabit kamera ile ahır içi bireysel tanımlama 89 birey ve 940 RGB görüntüde %86,1 doğruluk elde etmiştir. IHA video boru hattı (Inception V3 + LSTM birleşimi — LRCN mimarisi) ile 23 birey üzerinde 46.430 kare işlenmiş ve %98,1 doğruluk sağlanmıştır. VGG-M 1024 tabanlı R-CNN tür tespiti için, Inception V3 + LSTM bireysel tanımlama için kullanılmıştır. KCF (Kernelised Correlation Filter) takip algoritması ile video karelerinde hayvan izleme yapılmıştır. Çalışma, Holstein Friesian sığırların bireysel olarak benzersiz siyah-beyaz deri desenleri üzerine kurulmuş olup, kulak etiketi kaybı ve hayvan refahı endişelerini azaltacak işaretsiz (marker-less) tanımlama yaklaşımı sunmaktadır.

IHA Görüntülerinde Aktif Öğrenme ile Hayvan Tespiti

[Kellenberger et al., 2019] — IHA görüntülerinde derin CNN tabanlı nesne dedektörünün yeni veri setlerine aktarılması için Aktif Öğrenme (AL) stratejisi sunulmuştur. Optimal Transport kullanan "Transfer Sampling" (TS) kriteri geliştirilmiş; kaynak ve hedef veri setleri arasında CNN aktivasyon uzayında karşılık gelen bölgeler bulunmuştur. Sonuçlar, her iki strateji birleştirildiğinde, oracle tarafından sağlanan etiketlerin yalnızca yarım yüzdesinin (%0,5) zorlu IHA görüntülerindeki hayvanların yaklaşık %80'ini bulmak için yeterli olduğunu göstermektedir. Bu, tüm karşılaştırma yöntemlerini belirgin farkla geçmektedir. Alan kayması (domain shift) sorunu — farklı yılların IHA görüntüleri arasındaki görsel farklılıklar — ele alınmıştır. Pencere kırpma stratejisi, örnek almayı hızlandırarak insan açıklayıcılar için süreci kolaylaştırmıştır. Çalışma, yaban hayatı nüfus sayımları ve çiftlik hayvanı izleme için pratik uygulanabilirlik sunmaktadır.