Akkaraman Erkek Kuzularda Sırt Görüntülerinden Dijital Görüntü İşleme ve Makine Öğrenmesi Yöntemleriyle Canlı Ağırlık Tahmini

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Van Yüzüncü Yıl Üniversitesi, Fen Bilimleri Enstitüsü, Tarımsal Biyoteknoloji (Yl) (Tezli), Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: BAYRAM OLCAR

Danışman: Cihan Çakmakçı

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Koyun yetiştiriciliğinde canlı ağırlık bilgisinin hızlı ve doğru tespiti sürü yönetimi açısından büyük öneme sahiptir. Geleneksel canlı ağırlık ölçüm yöntemleri zaman alıcı olup, hem hayvanlar hem de çalışanlar için çeşitli zorluklar içermektedir. Bu çalışmanın amacı, koyunların sırt görüntülerinden dijital görüntü işleme ve makine öğrenmesi yöntemleriyle canlı ağırlık tahmini gerçekleştirmektir. Araştırmada, Van Yüzüncü Yıl Üniversitesi Hayvancılık Uygulama ve Araştırma Merkezi'nde yetiştirilen 38 baş Akkaraman ırkı erkek kuzunun üç farklı yaşta (3, 4 ve 5 aylık) alınan sırt görüntüleri ile eşzamanlı tartımla elde edilen canlı ağırlık verileri kullanılmıştır. Video kayıtlarından elde edilen yüksek çözünürlüklü görüntülerden, morfolojik öznitelikler çıkarılarak veri seti oluşturulmuştur. Oluşturulan veri seti üzerinde Rassal Ormanlar (RF), Destek Vektör Makineleri (SVM), Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (MARS) ve Aşırı Gradyan Artırma (XGBoost) algoritmaları modellenmiş ve performansları karşılaştırılmıştır. Modellerin tahmin performansları test verilerinde Ortalama Mutlak Hata (MAE), Kök Ortalama Kare Hata (RMSE) ve Belirtme Katsayısı (R²) gibi çeşitli istatistiksel ölçütlerle değerlendirilmiştir. MARS modeli en yüksek tahmin performansını göstermiş (R²=0.94, MAE=1.54 kg, RMSE=2.14 kg), bunu sırasıyla RF (R²=0.92, MAE=1.88 kg, RMSE=2.60 kg) ve XGBoost (R²=0.91, MAE=1.96 kg, RMSE=2.83 kg) modelleri takip etmiştir. Araştırma sonuçları, görüntü işleme ve makine öğrenmesi tekniklerinin koyunculukta canlı ağırlık tahmininde güvenilir ve pratik bir alternatif olarak kullanılabileceğini ortaya koymuştur. Bu çalışma, hayvancılıkta teknolojik gelişmelerin uygulanması ve sürü yönetiminde dijital dönüşümün sağlanması açısından önemli bir adım teşkil etmektedir.