Scientific Reports'ta 24 Ağustos 2026'da yayımlanan çalışma, grup halinde barındırılan domuzlarda davranışı birey düzeyinde izlemek için açık kaynak ve modüler bir bilgisayarlı görü hattı sundu. Sistem yeni bir temel öğrenme algoritması geliştirmek yerine sıfır örnekli nesne tespiti, harekete duyarlı bölütleme ve takip ile görüntü dönüştürücü özellik çıkarımını tek iş akışında birleştiriyor. Edinburgh Pig Behavior Video Dataset üzerinde dokuz davranış için zaman modeli yüzde 94,2 genel doğruluk, izleme aşaması yüzde 93,3 IDF1 ve tespit aşaması yüzde 89,3 ortalama hassasiyet bildirdi. Bu rakamlar araştırma veri setindeki deneysel performanstır; farklı kamera, ırk, yaş, barınak ve ışık koşullarında aynı sonucu garanti etmez.
Sürü görüntüsünden bireysel zaman çizgisine
Grup barınağında hayvanlar birbirini örter, sıkışır ve benzer görünümleri nedeniyle kimlikleri karışabilir. Çalışmadaki hat önce hayvanı arka plandan ayırıyor, ardından kareler arasında kimliğini koruyor ve bireye ait zaman dizisinden davranış sınıfı üretiyor. Böylece yalnız 'sürüde hareket var' ölçümü yerine hangi hayvanın hangi davranışı ne kadar süre gösterdiği izlenebiliyor.
Yazarlar sistemin önceki ölçüte göre davranış doğruluğunu 21,2 yüzde puan artırdığını bildirdi. Aynı mimarinin yapısı değişmeden eşlik eden çalışmalarda buzağı oyun davranışında yüzde 97,6 ve süt sığırı duruşunda yüzde 98,3 doğruluk verdiği de aktarıldı. Bunlar ayrı görevlerin sonuçlarıdır; türler arası doğrudan ürün yeterliliği kanıtı değildir.
Açık kaynak yapı denetlenebilirliği güçlendiriyor
Modüler ve açık kaynak yaklaşım, çiftlik veya araştırma kurumunun tespit, takip ve sınıflandırma bileşenlerini ayrı ayrı sınamasına olanak tanır. Hatanın kameradan mı, örtüşmeden mi, kimlik kaymasından mı yoksa davranış modelinden mi kaynaklandığı daha görünür hale gelir. Kapalı kutu tek puan yerine aşama bazlı kabul ölçütleri kurulabilir.
Bununla birlikte açık kaynak kod ücretsiz ve bakımsız sistem anlamına gelmez. Kamera yerleşimi, veri depolama, işlem donanımı, etiket kalitesi, güncelleme, siber güvenlik ve hayvan başına yanlış alarm maliyeti işletme bütçesine girmelidir.
Refah alarmı için doğruluk tek başına yetmez
Genel doğruluk, seyrek fakat kritik davranışlarda kaçırılan olayları gizleyebilir. Ticari kabul testinde her davranış için duyarlılık, yanlış alarm, kimlik kayması, örtüşme anı, gece-gündüz performansı ve kesintili kamera durumu ayrı raporlanmalıdır. Alarm eşikleri veteriner veya refah protokolüyle ilişkilendirilmelidir.
Bir modelin davranışı sınıflandırması hastalık teşhisi koyduğu anlamına gelmez. Davranış değişimi yem, sıcaklık, sosyal etkileşim, zemin, sağlık veya yönetim kaynaklı olabilir. Sistem erken inceleme listesi üretebilir; klinik değerlendirme ve işletme gözleminin yerini almamalıdır.
Türkiye için uygulama yolu ve editoryal değerlendirme
Türkiye'de hassas hayvancılık uygulamasına geçişte önce tek bir barınak ve sınırlı davranış setiyle körlenmiş kabul testi yapılabilir. Mevcut kamera açıları, yerel barınak yoğunluğu, temizlik koşulları ve internet kesintisi altında veri toplanmalı; model çıktısı eğitimli gözlemci kayıtlarıyla karşılaştırılmalıdır.
Agro Gelecek'in değerlendirmesine göre çalışmanın yeniliği yeni bir yapay zekâ etiketi değil, mevcut açık araçları tekrarlanabilir uçtan uca iş akışına bağlamasıdır. Ticari değer, veri seti doğruluğundan çok sahada kimlik sürekliliği, yanlış alarm ve müdahale süresindeki ölçülebilir iyileşmeyle kanıtlanmalıdır.
Neden önemli?
Bireysel davranış zaman çizgisi, sürü ortalamasında kaybolan sağlık ve refah sinyallerini erken inceleme için görünür kılabilir.
Türkiye için ne ifade ediyor?
Türkiye'deki işletmeler sistemi doğrudan teşhis aracı olarak değil, yerel video ve gözlemci karşılaştırmasıyla doğrulanan karar desteği olarak pilotlamalıdır.
Birincil kaynaklar
Olgusal bilgiler aşağıdaki resmî veya doğrudan kurumsal kaynaklarla kontrol edildi.
