Yüzeyle ilişkili balık sağlığı anormalliklerinin taranması için gerçek zamanlı bir model olarak RT-GalaDet

Çiftçiler hasta balıkları hızlıca fark etmenin neden önemli olduğunu düşünüyor

Balık çiftlikleri artık dünyanın deniz ürünleri arzının büyük bir kısmını sağlıyor; ancak hastalık, yoğun tanklarda veya deniz kafeslerinde günler içinde tüm sürüyü etkileyip hayvanları öldürebilir ve kârı yok edebilir. Yetiştiriciler genellikle balıkları elde tutup tek tek incelemeye dayanır; bu stresli ve yavaş bir süreç olup sorunların erken işaretlerini atlayabilir. Bu çalışma, kameralar aracılığıyla balıkları izleyen ve su dışına çıkarmadan küçük yüzey sorunlarını—leke, yaralar ve yüzgeç hasarı gibi—gerçek zamanlı olarak işaretleyen RT‑GalaDet adlı bir bilgisayarlı görme sistemini tanıtıyor.

Balıklara dokunmadan izlemek

Araştırmacılar, çiftliklenmiş balıkların görünür sağlığını sürekli izleyebilecek, hastalıklar için otomatik bir güvenlik kamerası gibi çalışan bir araç geliştirmeyi amaçladı. Ağlar ve elle kontroller yerine kameralar, balıkların doğal davranışlarını sürdürürken su altı görüntüleri yakalıyor. Ardından özel bir yapay zekâ modeli her görüntüyü tarayarak bireysel balıkların etrafına kutular çiziyor ve hem türü hem de görünürdeki sağlık durumunu belirliyor. Bu invazif olmayan yaklaşım, balıkların derisi, yüzgeçleri veya gözlerinde bir şeylerin yanlış göründüğü durumlarda yetiştiricilere hızlı uyarılar vererek yerel bir sorunun çiftlik çapında bir salgına dönüşmeden müdahale etmelerini sağlamayı hedefliyor.

Sisteme “sağlıklı” ve “hasta” görünümünü öğretmek

RT‑GalaDet’i eğitmek için ekip, çizgili çenebalık, kara çipura, Kore kaya balığı ve kırmızı çipura olmak üzere dört yaygın çiftlik türüne ait 5.600’den fazla kamuya açık görüntü koleksiyonunu kullandı. Her resimdeki her balık sadece türüyle değil, aynı zamanda beş yüzey koşulundan biriyle etiketlendi: sağlıklı, kanama, ülser, göz yaralanması veya yüzgeç yaralanması. Bu, “kara çipura – ülser” veya “kırmızı çipura – yüzgeç yaralanması” gibi 20 kesin kategori oluşturdu. Gerçek çiftliklerde hasta balıkların sağlıklı olanlara göre çok daha az olması nedeniyle araştırmacılar veri kümesini dikkatle dengeledi ve nadir fakat önemli semptomları modelin öğrenebilmesi için hastalıklı balıkları yeni sahnelere yapıştırma, hafif kontrast ve keskinleştirme gibi teknikler kullandı; böylece küçük veya kısmen gizlenmiş belirtiler bile tanınabildi.

Yeni model küçük ayrıntıları nasıl hızla görüyor

RT‑GalaDet, hızlı detektörlerin yeni ailesi üzerine kurulmuş, ancak su altı görüntülerinin zorluklarını daha iyi ele almak için iç yapısını yeniden tasarlamış. Bulanık su, dengesiz ışık ve karmaşık arka planlar, erken hastalık belirtisi olan küçük lekeleri ve kenar değişikliklerini kolayca gizleyebilir. Yazarlar modelin içinde iki tür “görüş”u birleştiriyor: bir bölüm karmaşık sahnelerde balıkları bulmak için tüm görüntü genelinde geniş bir bakış atarken, diğer bölüm çok yerel doku ve renkler üzerine odaklanarak pullar ve yüzgeçlerdeki küçük lezyonları normal desenlerden ayırt ediyor. Aynı zamanda ağın orta katmanlarını sadeleştirerek verimliliği artırıyorlar; böylece hesaplama miktarını kısmadan doğruluktan ödün vermiyorlar. Bu denge, sistemin çok ince ayrıntılara dikkat ederken saniyede 50’den fazla kare işleyebilmesini sağlıyor.

Ne kadar iyi çalışıyor ve nerede zorlanıyor

Çeşitli popüler gerçek zamanlı detektörlere, yaygın olarak kullanılan YOLO ailesinin birkaç sürümü dahil, karşılaştırıldığında RT‑GalaDet genel olarak doğruluk ve hız açısından onlarla eşleşti veya onları geride bıraktı. Model, balıkları ve yüzey durumlarını çoğu durumda doğru etiketledi; yüksek hassasiyet (az yanlış alarm) ve yüksek duyarlılık (az kaçırılan hasta balık) sağladı. Ekip daha zor ortamları—daha loş ışık ve daha bulanık su—simüle ettiğinde model makul derecede dayanıklı kaldı; ancak performans özellikle göz hasarı ve küçük ülserler gibi ince sorunlarda biraz düştü. Yazarlar verilerinin çoğunun kontrollü tank koşullarından geldiğini, daha derin veya kirli suların, kalabalık kafeslerin ve çok farklı vücut şekline sahip türlerin ek zorluklar yaratacağını belirtiyor.

Bu balık çiftlikleri için ne anlama geliyor

Balık yetiştiricileri ve su ürünleri veterinerleri için RT‑GalaDet tam teşhis yerine geçmiyor; tam bir hastalık teşhisi hâlâ uzman değerlendirmesi ve bazen laboratuvar testleri gerektirir. Bunun yerine erken uyarı ve kanıt toplama aracı olarak işlev görüyor: büyük sayıda balığı 7/24 izleyebilir, endişe verici yüzey değişiklikleri gösteren bireyleri vurgulayabilir ve takip için net görsel görüntüler sağlayabilir. Sorunları daha erken yakalayarak ve stresli elle muayenelere olan ihtiyacı azaltarak bu tür sistemler çiftliklerin zararlarını azaltmasına, hayvan refahını iyileştirmesine ve tedavileri daha hassas yönetmesine yardımcı olabilir. Kameralar ve hesaplama donanımı daha ucuz hale geldikçe ve RT‑GalaDet benzeri modeller daha fazla türe genişledikçe, gerçek zamanlı otomatik balık sağlığı izleme modern su ürünleri yetiştiriciliğinin rutin bir parçası haline gelebilir.

Atıf: Peng, X., Xiao, Z. & Yu, Y. RT-GalaDet as a real-time model for screening surface-associated health abnormalities in fish. Sci Rep 16, 6951 (2026). https://doi.org/10.1038/s41598-026-37288-2

Anahtar kelimeler: balık hastalığı tespiti, su ürünleri yetiştiriciliği izleme, bilgisayarlı görme, gerçek zamanlı nesne algılama, su altı görüntüleme