Su Ürünlerinde Görüntü ve Sensör Tabanlı İzleme Sistemleri: Derin Öğrenme ve LLM Destekli Yaklaşımlar
Ankara International Congress on Scientific Research-XII, Ankara, Türkiye, 3 - 05 Eylül 2025, ss.626-627, (Özet Bildiri)
- Yayın Türü: Bildiri / Özet Bildiri
- Basıldığı Şehir: Ankara
- Basıldığı Ülke: Türkiye
- Sayfa Sayıları: ss.626-627
- Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
- Erzincan Binali Yıldırım Üniversitesi Adresli: Evet
Özet
Su ürünleri yetiştiriciliğinde dijital izleme teknolojileri, balık sağlığı, davranışı ve stok yönetimini optimize etmek amacıyla giderek artan bir şekilde kullanılmaktadır. Bu teknolojiler, geleneksel gözleme dayalı yöntemlerin sınırlamalarını aşarak, daha hassas ve gerçek zamanlı veri akışı sağlamaktadır. Bu çalışmada, 2020-2025 yılları arasında yayımlanan 68 bilimsel yayının sistematik incelenmesi gerçekleştirilmiş ve bu kapsamda görsel (kamera tabanlı), akustik (ses dalgalarıyla iletişim) ve biyosensör (fizyolojik veri takibi) tabanlı izleme sistemlerinin performansı, doğruluk düzeyleri ve saha uygulamaları analiz edilmiştir. Ayrıca, büyük dil modelleri (LLM), derin öğrenme algoritmaları ve federated learning gibi yeni nesil yapay zekâ tekniklerinin su ürünleri yetiştiriciliğindeki kullanımı detaylı olarak ele alınmıştır. YOLOv7 algoritması ile yapılan çalışmalarda bireysel tanıma başarısı %98’e ulaşırken, GPT-4 ile desteklenen davranış analiz sistemleri, balıkların stres ve hastalık belirtilerini %85 oranında erken tespit edebilmiştir. Akustik sistemler, 2,5 km menzilde %92 oranında etkili iletişim kurabilmiştir. Görsel-akustik veri füzyonu, tekil veri kaynaklarına kıyasla daha yüksek doğruluk sağlamıştır. Bununla birlikte, veri çeşitliliği ve tür sayısının sınırlı olması, model performansını sınırlandıran önemli etkenlerden biridir. Federated learning, veri gizliliğini koruyarak yerel verilerle model eğitimi yapılmasına olanak tanımaktadır. Sonuç olarak, dijital izleme sistemleri, su ürünleri yetiştiriciliğinde sürdürülebilirlik, verimlilik ve hayvan refahı açısından büyük katkılar sunmakta; ancak bu teknolojilerin yaygınlaşması için ekonomik çözümler ve standart protokollerin geliştirilmesi zorunludur.
Digital monitoring technologies are increasingly being employed in aquaculture to enhance fish health, monitor behavior, and optimize stock management. These technologies address the limitations of traditional observation methods by offering real-time, accurate, and continuous data streams. In this study, a systematic review of 68 scientific articles published between 2020 and 2025 was conducted to evaluate the performance of visual (camera-based), acoustic (sound communication), and biosensor (physiological data monitoring) systems. Additionally, the integration of next-generation artificial intelligence technologies such as large language models (LLM), deep learning algorithms, and federated learning in aquaculture was thoroughly examined. Results indicate that individual identification accuracy reached 98% using the YOLOv7 algorithm. Behavioral analysis systems supported by GPT-4 successfully detected early signs of stress and disease in fish with 85% accuracy. Acoustic systems were effective in maintaining communication over a distance of 2.5 kilometers with 92% accuracy. Combining visual and acoustic data significantly improved the overall detection performance compared to using a single modality. However, the limited diversity of species in datasets poses a challenge to the generalizability of models. Federated learning offers a promising solution by allowing local data training while preserving privacy. In conclusion, digital monitoring systems are vital tools for improving productivity, sustainability, and animal welfare in aquaculture. Yet, to ensure widespread adoption, there is a pressing need to develop cost-effective solutions and establish international standards and protocols tailored for the aquaculture sector.