Besleme Sistemi için Derin Öğrenme Tabanlı Hayvan Tanıma

Abstract

Geleneksel hayvan besleme yöntemleri, manuel uygulamalara dayalı olmaları nedeniyle günümüz hayvancılık ihtiyaçlarını karşılamada yetersiz kalmakta; bu durum yem israfı, düzensiz besleme döngüsü ve yemliklere yetkisiz hayvan erişimi gibi sorunları beraberinde getirmektedir. Özellikle kontrolsüz yem tüketimi, hem ekonomik kayıplara yol açmakta hem de hijyen ve güvenlik açısından ciddi riskler oluşturmaktadır. Bu çalışma, hayvan besleme süreçlerinin daha etkin ve kontrollü yönetilebilmesini sağlamak amacıyla derin öğrenme tabanlı görüntü işleme tekniklerinin hayata geçirilmesini amaçlamaktadır. Çalışma kapsamında, kuş, kedi ve köpek türlerinin tespiti için YOLOv8, YOLOv9, YOLOv11 ve geliştirilme aşamasındaki YOLOv12 algoritmaları kullanılmıştır. Bu modeller, gerçek zamanlı nesne tespiti özelliği sayesinde hayvanların hızlı ve doğru biçimde tanınmasını mümkün kılmaktadır. Tanıma sürecinde ayrıca ResNet-50, MobileNet ve EfficientNetB0 gibi Evrişimli Sinir Ağı (CNN) tabanlı derin öğrenme mimarileri kullanılarak, sınıflandırma başarımı önemli ölçüde artırılmıştır. Görüntüden alınan veriler doğrultusunda, yalnızca tanımlı ve yetkilendirilmiş hayvanların yemlik alanlarına erişimine izin verilmekte; böylece yem tüketimi kontrol altına alınmakta, kaynak israfı önlenmekte ve hijyen koşulları korunmaktadır. Ortaya konan yapay zekâ temelli yaklaşım, hayvan barınaklarından kırsal hayvancılık alanlarına kadar birçok farklı kullanım alanına sahiptir. Gelecek çalışmalarda, tanınabilecek hayvan türlerinin çeşitlendirilmesi, daha geniş kapsamlı ve dengeli veri setleriyle eğitim süreçlerinin iyileştirilmesi, düşük güç tüketimine sahip gömülü donanımlarla entegrasyon sağlanması ve mobil uygulamalar aracılığıyla uzaktan erişim imkânı sunan bir ara yüz geliştirilmesi hedeflenmektedir. Bu çalışma, hayvan tanıma temelli besleme uygulamalarında yapay zekâ destekli çözümlerin etkinliğini ortayaTraditional animal feeding methods, due to their reliance on manual practices, fall short in meeting the demands of modern animal husbandry. This leads to issues such as feed wastage, irregular feeding cycles, and unauthorized animal access to feeders. Specifically, uncontrolled feed consumption results in both economic losses and poses significant risks regarding hygiene and security. This study aims to implement deep learning-based image processing techniques to enable more efficient and controlled management of animal feeding processes. Within the scope of this study, YOLOv8, YOLOv9, YOLOv11, and the developing YOLOv12 algorithms were used for the detection of bird, cat, and dog species. These models allow for fast and accurate animal recognition thanks to their real-time object detection capabilities. Furthermore, the classification performance was significantly enhanced by utilizing Convolutional Neural Network (CNN)-based deep learning architectures such as ResNet-50, MobileNet, and EfficientNetB0 during the recognition process. Based on the data obtained from images, only identified and authorized animals are permitted access to feeding areas, thereby controlling feed consumption, preventing resource waste, and maintaining hygienic conditions. The proposed artificial intelligence-based approach has a wide range of applications, from animal shelters to rural livestock farming areas. Future work aims to diversify the animal species that can be recognized, improve training processes with more comprehensive and balanced datasets, ensure integration with low-power embedded hardware, and develop an interface offering remote access via mobile applications. This study demonstrates the effectiveness of AI-powered solutions in animal recognition-based feeding applications, offering a sustainable and secure framework.