Sığır topallığını derinlik görüntüsü ve derin öğrenme ile tespit etme

İneklerde ağrılı ayakların hepimizi neden ilgilendirdiği

Ağrıyla yürüyen inekler çiftliklere özgü bir sorun gibi gelebilir, ancak süt sürülerinde topallık sessizce sütün maliyetini artırır, hayvanların ömrünü kısaltır ve ciddi refah kaygıları doğurur. Geleneksel olarak topal bir ineği fark etmek keskin bir insan gözü ve ahırda çok zaman gerektirir—oysa birçok yoğun çiftlik bunu her gün sağlayamaz. Bu makale, sağımhane çıkışında inekleri otomatik olarak izleyen, derinlik görüntüleri ve yapay zekâ kullanarak günün her saati erken sorun işaretlerini tespit eden kamera tabanlı bir sistemi anlatıyor.

Kalabalık ahırlardan sürekli, nazik gözetime

Topallık dünya çapında yaklaşık her beş süt inekinden birini etkiler ve bazı sürülerde çok daha yüksek düzeylere ulaşabilir. Süt verimini düşürür, verimliliği zedeler ve çiftçileri hayvanları erken kesime zorlayarak her inek için yıllık yüzlerce dolarlık maliyete yol açabilir. Ancak topallık bilimi, çoğu çiftlikte uygulananların çok ilerisindedir: çiftçiler sıklıkla kaç ineğin ağrı içinde olduğunu hafife alır ve uzman değerlendirmesi zaman alıcı ve özneldir. Önceki teknoloji nesilleri, yürüme yollarına kuvvet plakaları yerleştirmek veya hayvanlara hareket sensörleri takmak gibi çözümler denedi; ancak bunlar pahalı, müdahaleci ve ölçeklenmesi zor olabiliyordu. Yazarlar bunun yerine temassız, tavana monte derinlik kamerasıyla “kesin hayvancılık” yaklaşımına yöneldiler; bu kamera, ineğin doğal olarak bir koridordan yürürken vücudunun üç boyutlu şeklini görür.

Tavana monte göz bir ineğin sırtını nasıl okuyor

Japonya’daki iki ticari süt çiftliğinde, sağım dönüşünde ineklerin kullandığı dar geçidin üzerine tek bir uçuş zamanı (time‑of‑flight) derinlik kamerası yerleştirildi. Her hayvan altından geçerken kamera, üstten bakış bir derinlik görüntüsü kaydeder: temelde ineğin sırt konturunu gösteren bir yükseklik haritası. Sistem önce gelişmiş bir “örnek segmentasyonu” modeli kullanarak her ineği arka plandan izole eder. Birkaç seçeneği test ettikten sonra araştırmacılar, modern YOLO tabanlı bir modelin hem son derece yüksek doğruluk hem de hızlı işlem sağladığını buldular; bu model çerçevelerin %99’dan fazlasında inekleri doğru tespit edip dış çizgilerini belirlerken saniyede onlarca görüntü işleyebiliyor—yoğun bir ahırda gerçek zamanlı kullanım için yeterince hızlı.

Her ineği takip etmek ve duruşu ağrı sinyaline dönüştürmek

İnekleri tespit etmek sadece başlangıçtır; sistemin aynı zamanda koridordan geçen çoklu hayvanlar içinde kimlikleri takip etmesi gerekir. Bunu yapmak için yazarlar, sistemin bir ineğin kimliğini zaman içinde ne kadar iyi koruduğunu kademeli olarak iyileştiren bir dizi özel çoklu-nesne izleme algoritması tasarladı. Son versiyon yalnızca kutular arasındaki örtüşmeyi değil, aynı zamanda bir ineğin ne kadar süredir izlendiğini ve sola‑sağa mı yoksa sağa‑sola mı hareket ettiğini de kullanır. Bu yön bilgisinin basit ama akıllıca kullanımı, kimlik karışmalarını neredeyse ortadan kaldırdı ve görülmemiş günlerde ve her iki çiftlikte yaklaşık %99,9 izleme doğruluğuna ulaştı.

Bilgisayara “sert ve ağrılı”nın nasıl göründüğünü öğretmek

Topallık tespitinin özü ineğin sırtının şekli ve hareketindedir. Ayak veya bacaklardaki ağrı, hayvan basıncı hafifletmeye çalışırken daha kavisli veya düzensiz bir omurga ile sonuçlanabilir. Birkaç geometrik ölçüyü elle seçmek yerine ekip, her ineğin derinlik görüntüsünü sırtın normalleştirilmiş bir yükseklik haritasına dönüştürüyor ve ardından bu haritaların kısa dizilerini derin öğrenme modeline veriyor. Modern bir görüntü ağı (EfficientNet) her karedeki mekânsal desenleri öğrenirken, Bir Uzun Kısa Süreli Bellek (LSTM) ağı duruşun birkaç adım boyunca nasıl evrildiğini yakalıyor. Uzman etiketleri dört puanlı bir ölçekle—sağlıklıdan şiddetli topala kadar—kullanarak en iyi yapılandırma, EfficientNet‑B7 ile beş karelik diziler üzerinde LSTM, görülmemiş ineklerde topallık puanlarını yaklaşık %96 doğruluk ve F1‑skoru ile doğru sınıflandırdı; bu sonuçlar sınıf dengesizliği ve değişken yürüme hızları gibi gerçek dünya zorluklarına rağmen elde edildi.

Bu durum inekler, çiftçiler ve bardağınızdaki süt için ne anlama geliyor

Bir araya getirildiğinde derinlik kamerası, tespit, izleme ve yürüyüş puanlama modeli, altından geçen her ineği halter, etiket veya özel zemin olmadan izleyebilen uçtan uca, 7/24 çalışan bir izleme sistemi oluşturur. Yazarlar, böyle nesnel ve sürekli bir aracın araştırmacıların topallık hakkındaki bilgileri ile çiftliklerde rutin olarak uygulananlar arasındaki uzun süredir devam eden boşluğu kapatmaya yardımcı olabileceğini savunuyor. Risk altındaki inekleri insan gözüne göre daha erken ve daha tutarlı şekilde işaretleyerek bu teknoloji ağrıyı azaltabilir, tedavi ve kesim maliyetlerini düşürebilir ve daha insancıl, sürdürülebilir süt üretimini destekleyebilir. Daha fazla çiftlikte daha geniş testler hâlâ gerekli olsa da çalışma, dikkatle tasarlanmış derin öğrenme ile eşleştirilen tek bir tavan monteli derinlik kamerasının zor bir elle yapılan işi hayvan refahı için otomatik bir güvenceye dönüştürebileceğini gösteriyor.

Atıf: Tun, S.C., Tin, P., Aikawa, M. et al. Cattle lameness detection using depth image and deep learning. Sci Rep 16, 13456 (2026). https://doi.org/10.1038/s41598-026-40780-4

Anahtar kelimeler: sığır topallığı, derinlik görüntüleme, kesin hayvancılık, bilgisayarlı görme, hayvan refahı izleme