DDC-YOLO (Dead Chicken YOLO), kafesli etlik piliç kümeslerinde ölü piliçleri otomatik olarak saptamak üzere YOLO11 temelinde geliştirilen; Universal Inverted Bottleneck (UIB) hafif omurga ağı, Wise-IoU (WIoU) kutu regresyon kaybı, parametre eklemeyen SimAM dikkat mekanizması ve Dual Branch Feature Fusion (DBFF) özellik birleştirme modülünü bir araya getiren hafif bir nesne algılama modelidir. Çalışma yalnızca bir görüntü sınıflandırma modeli geliştirmekle kalmamış; modeli Jetson Orin NX SUPER kenar bilgisayarına, dört katmanlı sekiz kanallı kamera sistemine ve denetim robotuna bağlayarak gerçek kafesli etlik piliç üretim ortamında konuşlandırmıştır. WOD168 veri setindeki ana testte DDC-YOLO %96,8 Precision, %85,4 Recall, %90,8 F1 ve %93,1 mAP@0.5 değerlerine ulaşırken model parametre sayısını YOLO11n taban çizgisine göre 1,437 milyon ve dosya boyutunu 2,8 MB azaltmıştır. Ancak sonuçlar bütün çiftlik ve ırklar için sabit bir genelleme başarısı anlamına gelmez; çalışmanın çapraz ırk deneyleri, yeni bir ırka doğrudan geçildiğinde performansın ciddi biçimde düşebildiğini ve yeni ortama ait etiketli verilerle aktarım öğrenmesinin gerekli olduğunu göstermektedir.

Çalışmanın mühendislik problemi, manuel kümes denetiminin yüksek katlı kafeslerde yavaş, yorucu ve zaman açısından yetersiz kalabilmesidir. Ölü piliçlerin hızlı bulunması yalnız iş gücü açısından değil, sürü sağlığının izlenmesi ve ölü hayvanların zamanında uzaklaştırılabilmesi açısından da önem taşır. Araştırmacılar bu nedenle veri toplama, model eğitimi, kenar cihazda çıkarım, robotik tarama, bulut aktarımı, insan doğrulaması, aktarım öğrenmesi ve yeni model ağırlıklarının robota geri gönderilmesini tek bir sistem mimarisinde birleştirmiştir.

Çalışmanın önemli bulgularından biri, yalnız modeli küçültmenin yeterli olmamasıdır. UIB omurgası parametre sayısını güçlü biçimde azaltmış fakat doğruluk metriklerinde kayıp oluşturmuştur. WIoU, SimAM ve DBFF bileşenlerinin aşamalı eklenmesiyle bu kayıp geri kazanılmış ve nihai DDC-YOLO modeli, YOLO11n'e göre daha düşük hesaplama maliyetiyle daha yüksek mAP@0.5 ve F1 değerine ulaşmıştır. Buna karşılık Precision değeri YOLO11n'in %97,0 değerinden %96,8'e çok küçük bir düşüş göstermiştir.

Araştırmanın temel problemi

Kafesli ve yüksek yoğunluklu etlik piliç yetiştiriciliğinde bütün kafeslerin insanlar tarafından düzenli olarak kontrol edilmesi ciddi iş gücü gerektirir. Özellikle üst kafes katları, görüş açılarının kısıtlı olması, yoğun hayvan varlığı, ışık değişimleri ve kafes ekipmanlarının oluşturduğu örtüşmeler nedeniyle denetimi zorlaştırır. Araştırmanın çıkış noktası, gerçek üretim ortamında çalışan bir sistemin yalnız yüksek nesne algılama doğruluğuna değil; düşük hesaplama yüküne, çoklu kamera akışını zamanında işleyebilme kapasitesine ve değişen piliç ırklarına uyum sağlayabilme yeteneğine de ihtiyaç duymasıdır.

Kaynak çalışma bu problemi yalnız çevrimdışı görüntüler üzerinde çözülen klasik bir YOLO karşılaştırması olarak ele almamıştır. Araştırma rotası dört ana basamaktan oluşmaktadır: görüntü toplama ve ön işleme, YOLO11'in hafif DDC-YOLO yapısına dönüştürülmesi, modelin robot üzerindeki kenar bilgisayara konuşlandırılması ve yeni üretim senaryolarında insan doğrulamasıyla beslenen model güncelleme döngüsü.

DDC-YOLO Nedir ve Hangi Sorunu Çözer?

DDC-YOLO, YOLO11n nesne algılama mimarisini kafesli etlik piliç kümeslerinde gerçek zamanlı ölü piliç tespiti ve kenar cihaz konuşlandırması için hafifleten ve yeniden düzenleyen bir modeldir. Model; UIB ile omurga hesaplama yükünü azaltır, WIoU ile farklı kalitedeki sınır kutusu örneklerinin eğitim etkisini düzenler, SimAM ile ek öğrenilebilir parametre eklemeden önemli özellik bölgelerini vurgular ve DBFF ile çok ölçekli özellikleri iki farklı evrişim dalından birleştirir.

Veri kaynağı: üç farklı piliç grubu

Ana eğitim verisi Çin'in Shandong eyaletindeki bir çiftlikten Ağustos–Eylül 2023 döneminde toplanan WOD168 beyaz tüylü etlik piliç görüntüleridir. Hikvision HM TD2B28T çift optik kamera 1920×1080 çözünürlükte kullanılmıştır. Kaynak çalışmaya göre her kümeste yaklaşık 60.000 piliç bulunmakta ve günde yaklaşık 6–10 ölü piliç görülmektedir. Farklı çekim açıları ve yetiştirme koşullarından toplam 712 görüntü kaydedilmiştir.

Çapraz ırk genellemesini incelemek için Guangdong eyaletindeki başka bir beyaz tüylü grup, yerel adıyla “Xiaobai chicken”, Mayıs–Temmuz 2024 döneminde görüntülenmiştir. Aynı Hikvision kamera sistemiyle 725 ölü piliç görüntüsü elde edilmiştir. Bu grubun WOD168 ile tüy rengi açısından benzer olmasına karşın duruş, çevre ve doku özellikleri farklıdır.

Daha büyük görsel alan değişimini sınamak için Jiangsu eyaletinde Kasım 2025–Ocak 2026 arasında sarı tüylü Xueshan piliçlerinden veri toplanmıştır. Kaynak bu aşamada iPhone 17 ile 60 kare/saniye video kaydedildiğini ve videolardan 672 ölü piliç görüntüsü çıkarıldığını bildirmektedir. Sarı tüy rengi, vücut görünümü, çevresel doku ve kafes koşulları, ilk eğitim grubundan belirgin biçimde farklıdır.

Negatif arka plan örnekleri neden kullanıldı?

Modelin her durağan veya alışılmadık görüntüyü ölü piliç olarak işaretlememesi için canlı piliçler ve kafes ekipmanlarından oluşan negatif arka plan görüntüleri de toplanmıştır. Bu görüntüler dört katmanlı, sekiz kanallı çift ışıklı kamera taşıyan denetim robotuyla üretim alanında farklı koşullarda elde edilmiştir. Arka plan görüntülerinde ölü piliç bulunmadığından YOLO etiket dosyaları boş bırakılmış ve negatif eğitim örneği olarak kullanılmıştır.

Veri artırma gerçek çalışma koşullarını nasıl taklit etti?

Denetim robotu hareket ederken iki temel görüntü bozulması hedeflenmiştir: düşük ışık ve hareket/odaklama kaynaklı bulanıklık. Düşük ışık, Gamma dönüşümüyle görüntü parlaklığının azaltılmasıyla; bulanıklık ise Gaussian blur uygulanarak taklit edilmiştir. İki işlem birlikte uygulanarak düşük ışık altında otomatik odaklamanın başarısız olduğu daha ağır koşullar da oluşturulmuştur.

Veri artırma yalnız eğitim ve ince ayar veri gruplarına uygulanmıştır. Test görüntüleri gerçek sahadan geldiği haliyle korunmuştur. Bu tasarım önemlidir; aksi durumda model, test aşamasında yapay olarak üretilmiş ve eğitim dönüşümlerine çok benzeyen görüntüler üzerinde değerlendirilerek gerçeğe göre iyimser bir sonuç verebilirdi.

Etiketleme protokolü

Etiketleme LabelImg ile YOLO biçiminde yapılmıştır ve bütün hedefler tek bir dead sınıfıyla tanımlanmıştır. Sınır kutusunun bütün karkası kapsaması istenmiştir. Kısmi örtülme bulunan örneklerde kutunun, görünür karkas alanının en az %80'ini kapsaması şartı uygulanmıştır. Veri toplama personelinin aynı zamanda etiketleme yapması ve ortak yönergeler kullanması, etiket standardizasyonunu korumak amacıyla tercih edilmiştir.

YOLO11 neden başlangıç modeli seçildi?

Araştırmacılar önce YOLOv5, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 ve YOLO26 modellerini aynı veri üzerinde karşılaştırmıştır. YOLO12'nin mAP@0.5 değeri %92,3 ile YOLO11'in %92,2 değerinden 0,1 yüzde puan daha yüksek olsa da YOLO11; %97,0 Precision, %84,1 Recall ve %90,1 F1 ile genel denge açısından en güçlü sonuçlardan birini vermiştir. Ölü piliç tespitinde kaçırılan hedeflerin operasyonel maliyeti önemli olduğundan, araştırmacılar Recall ve F1 dengesini de dikkate alarak YOLO11'i temel aile olarak seçmiştir.

YOLO11 ailesi içinde n, s, m ve l ölçekleri ayrıca karşılaştırılmıştır. En küçük YOLO11n yalnızca daha az parametreye sahip olmakla kalmamış, bu veri setinde daha büyük konfigürasyonlardan daha yüksek doğruluk metrikleri de üretmiştir. YOLO11x ise kenar cihazın hesaplama sınırları nedeniyle karşılaştırmaya dahil edilmemiştir.

UIB hafif omurga ağı

DDC-YOLO'nun ilk büyük değişikliği, YOLO11n omurgasının MobileNetV4'teki Universal Inverted Bottleneck yapılarıyla değiştirilmesidir. UIB, ters bottleneck yapısına isteğe bağlı DepthWise Convolution katmanları ekleyerek farklı hesaplama-mekânsal karışım dengeleri oluşturabilen bir yapı ailesidir. Kaynak çalışma dört UIB varyantını ele almaktadır: MobileNet Inverted Bottleneck, ConvNext-Like, Extra DW ve Feed Forward Network.

DDC-YOLO omurgası yedi aşamaya ayrılmıştır. İlk katmanlarda kontur ve duruş ayrıntılarını korumak, orta katmanlarda hesaplama maliyetini sınırlamak ve derin katmanlarda daha geniş algı alanıyla bütünsel semantik bilgiyi birleştirmek hedeflenmiştir.

Not: Kaynakta Start DW = 0, başlangıç DepthWise Convolution katmanının kullanılmadığını ifade eder.

WIoU Kaybı Bu Çalışmada Neden Kullanıldı?

WIoU kaybı, denetim robotunun farklı ışık, bulanıklık ve örtülme koşullarında topladığı örneklerin kalite düzeyleri aynı olmadığı için kullanılmıştır. Kaynağa göre klasik CIoU bütün örneklere daha tekdüze bir regresyon baskısı uygularken WIoU'nun odaklama mekanizması farklı kalite ve aykırılık düzeylerindeki sınır kutusu örneklerinin eğitim katkısını yeniden ağırlıklandırarak modelin düşük kaliteli örneklere aşırı uyum riskini azaltmayı amaçlamaktadır.

CIoU ve WIoU denklemleri

Kaynak önce YOLO11'in kullandığı Complete-IoU kaybını şu biçimde vermektedir:

\[ L_{CIoU}=1-IoU+\frac{\rho^2(b,b^{gt})}{c^2}+\alpha v \tag{1} \]

Burada \(b\) ve \(b^{gt}\) tahmin ve gerçek sınır kutularını, \(\rho\) kutu merkezleri arasındaki Öklid uzaklığını, \(c\) iki kutuyu kapsayan en küçük kutunun köşegeniyle ilişkili ölçeği, \(\alpha\) ağırlık katsayısını ve \(v\) en-boy oranı tutarlılığı bileşenini temsil eder.

WIoUv1 için kaynak:

\[ L_{WIoUv1}=R_{WIoU}L_{IoU} \tag{2} \]

\[ R_{WIoU}= \exp\left( \frac{(x-x_{gt})^2+(y-y_{gt})^2} {(W_g^2+H_g^2)^*} \right) \tag{3} \]

ifadesini kullanmaktadır. \(x,y\) tahmin kutusunun, \(x_{gt},y_{gt}\) gerçek kutunun merkez koordinatlarını; \(W_g\) ve \(H_g\) ise en küçük kapsayıcı kutunun genişlik ve yüksekliğini ifade eder. Kaynak denklemin paydasındaki yıldız işaretini metin içinde ayrıca açıklamamaktadır; bu nedenle burada yeni bir anlam yüklenmemiş ve gösterim korunmuştur.

WIoUv2 için verilen monoton odaklama yapısı:

\[ L_{WIoUv2}= \left( \frac{L_{IoU}^{*}} {\overline{L_{IoU}}} \right)^{\gamma} L_{WIoUv1} \tag{4} \]

biçimindedir. WIoUv3 ise örneğin mevcut kaybını genel kayıp düzeyiyle ilişkilendiren bir aykırılık ölçütü kullanır:

\[ \beta= \frac{L_{IoU}^{*}} {\overline{L_{IoU}}} \in[0,+\infty) \tag{5} \]

ve nihai WIoUv3 kaybı kaynakta:

\[ L_{WIoUv3}=rL_{WIoUv1}, \qquad r=\frac{\beta}{\delta\alpha^{\beta-\delta}} \tag{6} \]

şeklinde verilmektedir. Matematiksel amaç, bütün örnekleri aynı biçimde cezalandırmak yerine örnek kalitesine bağlı olarak regresyon gradyanının göreli önemini değiştirmektir. Bu, yeni bir performans sonucu değil, çalışmanın kullandığı kayıp mekanizmasının işlevsel açıklamasıdır.

SimAM: parametre eklemeden dikkat

SimAM, öğrenilebilir ek parametre oluşturmadan özellik tensöründeki nöronların önemini enerji tabanlı bir ölçütle belirleyen dikkat mekanizmasıdır. DDC-YOLO'da P3 yerine P4 ve P5 seviyelerine uygulanmıştır. Araştırmacılar P3'ün yüksek çözünürlüklü olmakla birlikte yerel doku ve arka plan gürültüsünü daha fazla taşıdığını; P4 ve P5'in hedefin ana bölgelerini temsil etmek için daha uygun olduğunu belirtmektedir.

Kaynak SimAM enerji fonksiyonunu:

\[ e_t(w_t,b_t,y,x_i) = (y_t-\hat{t})^2 + \frac{1}{M-1} \sum_{i=1}^{M-1} (y_o-\hat{x_i})^2 \tag{7} \]

ve doğrusal dönüşümleri:

\[ \begin{cases} \hat{t}=w_t t+b_t\\ \hat{x_i}=w_t x_i+b_t \end{cases} \tag{8} \]

şeklinde vermektedir. Kaynakta \(t\) hedef nöronu, \(x_i\) aynı kanaldaki diğer nöronları, \(w_t\) ve \(b_t\) ise ağırlık ve bias terimlerini temsil eder. Denklemde görünen \(y_t\) ve \(y_o\) sembollerinin ayrıntılı tanımı kaynak metinde ayrıca açılmamıştır; bu boşluk burada uydurulmamıştır.

Minimum enerji:

\[ e_t^{*}= \frac{4(\hat{\sigma}^{2}+\lambda)} {(t-\hat{\mu})^{2}+2\hat{\sigma}^{2}+2\lambda} \tag{9} \]

olarak verilir. Buna karşılık önem ölçüsü enerjiyle ters yönde değişir:

\[ \frac{1}{e_t^{*}} = \frac{(t-\hat{\mu})^{2}+2\hat{\sigma}^{2}+2\lambda} {4(\hat{\sigma}^{2}+\lambda)} = \frac{(t-\hat{\mu})^{2}} {4(\hat{\sigma}^{2}+\lambda)} +0.5 \tag{10} \]

ve özellik güçlendirme işlemi:

\[ \widetilde{X} = sigmoid\left(\frac{1}{E}\right)\odot X \tag{11} \]

ile gösterilir. Düşük enerji, hedef nöronun çevresinden daha iyi ayrılabildiğini ve daha yüksek önem verilmesini temsil eder.

DBFF: iki kollu özellik birleştirme

Dual Branch Feature Fusion modülü P3, P4 ve P5 ölçeklerinde kullanılır. İlk kol daha düşük hesaplama maliyetli depthwise-separable convolution ile yerel uzamsal özellikleri çıkarırken ikinci kol standart 3×3 convolution ile uzamsal ve kanal etkileşimlerini birlikte işler.

\[ F_1=Conv_{1\times1}\left(DWConv_{3\times3}(X)\right) \tag{12} \]

\[ F_2=Conv_{1\times1}\left(Conv_{3\times3}(X)\right) \tag{13} \]

\[ F_{out}=Concat(F_1,F_2) \tag{14} \]

Kaynağın yorumuna göre ilk kol kategori ayırt edici yerel özellikleri daha düşük maliyetle çıkarmaya, ikinci kol ise tam uzamsal-kanal etkileşimini koruyarak konum belirleme bilgisini geliştirmeye yöneliktir. İki kolun çıktısı kanal boyutunda birleştirilir.

Değerlendirme metrikleri

Model performansı Precision, Recall, F1, Average Precision, mAP, FPS, parametre sayısı, FLOPs ve model dosya boyutuyla değerlendirilmiştir.

\[ Precision=\frac{TP}{TP+FP}\times100\% \tag{15} \]

\[ Recall=\frac{TP}{TP+FN}\times100\% \tag{16} \]

\[ F1= 2\frac{Precision\times Recall}{Precision+Recall} \tag{17} \]

\[ AP=\int_{0}^{1}P(r)\,dr \tag{18} \]

\[ mAP=\frac{1}{n}\sum_{i=1}^{n}AP(i) \tag{19} \]

TP doğru pozitif, FP yanlış pozitif, FN yanlış negatif tespitleri gösterir. Precision, modelin “ölü piliç” dediği örneklerin ne kadarının doğru olduğunu; Recall, gerçek ölü piliçlerin ne kadarının bulunabildiğini; F1 ise Precision ve Recall arasındaki dengeyi ölçer. Bu çalışmada tek hedef sınıf bulunduğu için mAP yorumlanırken sınıf sayısının tek olduğu da göz önünde tutulmalıdır.

Eğitim altyapısı ve hiperparametreler

Aktarım öğrenmesi/incremental fine-tuning aşamasında öğrenme oranı 0,001'e düşürülmüş; 300 epoch, batch 32, patience 100 ve SGD korunmuştur. Hedef senaryo verileri 50 görüntülük küçük gruplar halinde 11 tur boyunca sisteme eklenmiştir. Her yeni tur önceki turdan elde edilen en uygun ağırlıklardan başlatılmıştır.

Bulut–Uç İş Birlikli Model Güncelleme Mekanizması Nasıl Çalışır?

Sistem, robotun yeni üretim ortamından görüntü ve tespit sonuçlarını buluta göndermesi, yetiştiricilerin sonuçları manuel olarak gözden geçirmesi, doğru tespitlerin korunması, yanlış pozitif kutuların silinmesi ve kaçırılan ölü piliçlerin yeniden etiketlenmesiyle yeni bir ince ayar veri seti oluşturur; bulutta eğitilen yeni model sürümü daha sonra sürüm kontrollü olarak denetim robotuna geri yüklenir. Bu nedenle süreç tamamen insan müdahalesiz öğrenme değildir; insan doğrulaması veri kalitesi ve yayımlanacak model sürümünün seçimi açısından döngünün temel parçasıdır.

Robot başlangıçta beyaz tüylü WOD168 verisi üzerinde eğitilmiş DDC-YOLO ağırlıklarını taşır. Yeni bir ırk veya yeni bir kümes ortamında devriye sırasında görüntüler ve algılama sonuçları buluta gönderilir. Doğru tespitler kutularıyla birlikte eğitim havuzuna alınır. Yanlış tespitlerde kutu kaldırılır ve görüntü arka plan örneği olarak ele alınabilir. Kaçırılan hedefler ise insan tarafından yeniden etiketlenir.

Bulutta yeni veriyle ince ayar tamamlandıktan sonra uygun model sürümü insan tarafından seçilerek model kütüphanesine kaydedilir. Robot belirli aralıklarla yeni model ağırlığı olup olmadığını sorgular; yeni sürüm bulunduğunda ağırlığı indirir ve yerel modeli günceller. Kaynak ayrıca modellerin kümes binası ve piliç ırkına göre ayrı ayrı yönetilebildiğini belirtmektedir.

Çalışmanın Yöntemi ve Bulguları

Ablasyon deneyi: her modül ne kazandırdı?

Ablasyon deneyinin en güçlü mesajı, hafifleştirme ile doğruluk arasında doğrudan bir takas bulunduğudur. YOLO11n taban modeli 2,582 milyon parametre, 6,3 GFLOPs ve yaklaşık 5,2 MB boyutla %92,2 mAP@0.5 üretmiştir. UIB omurgasının tek başına eklenmesi parametre sayısını 0,86 milyona ve hesaplama yükünü 2,8 GFLOPs'a düşürmüş ancak mAP@0.5'i %90,2'ye geriletmiştir. Dolayısıyla “daha küçük model” tek başına “daha iyi model” olmamıştır.

UIB + WIoU kombinasyonu mAP@0.5'i %90,2'den %91,3'e yükseltmiştir. SimAM'ın eklenmesiyle Recall %86,3'e ve mAP@0.5 %92,8'e çıkmış, yani hafif model ilk kez YOLO11n taban çizgisinin mAP değerini aşmıştır. Bununla birlikte Precision %93,0'a düşmüştür; bu durum daha fazla yanlış pozitif tespitin mümkün olduğu anlamına gelir.

Nihai DBFF modülünün eklenmesiyle parametre sayısı 1,145 milyona, hesaplama yükü 3,3 GFLOPs'a ve model boyutu 2,4 MB'a çıkarken mAP@0.5 %93,1'e ve F1 %90,8'e ulaşmıştır. YOLO11n ile karşılaştırıldığında parametre sayısı 1,437 milyon, dosya boyutu yaklaşık 2,8 MB azalırken mAP@0.5 0,9 yüzde puan ve F1 0,7 yüzde puan artmıştır. Precision ise %97,0'dan %96,8'e düşmüştür.

Kaynak yazarları bu kombinasyonu doğruluk ve hesaplama maliyeti açısından “Pareto-optimal” bir denge olarak yorumlamaktadır. Bu ifade çalışmanın yazar yorumudur; burada bağımsız yeni bir Pareto analizi yapılmamıştır.

Farklı gelişim dönemlerinde görsel sonuçlar

Şekil 12'de model performansı civciv/brooding dönemi ve finishing/fattening dönemi için görsel olarak karşılaştırılmıştır. Erken dönemde hayvanlar daha küçük olduğundan her birey görüntüde daha az piksel kaplamakta ve kafeste daha fazla birey bulunabilmektedir. İleri dönemde piliçler büyüdüğü için hedefler daha büyük görünmekte ancak sıkışıklık ve örtülme artmaktadır.

Kaynak görsel karşılaştırmasında çeşitli temel YOLO modellerinin her iki aşamada da bazı hedefleri kaçırdığı, DDC-YOLO'nun özellikle örtülme bulunan örneklerde daha istikrarlı kutular oluşturabildiği gösterilmektedir. Bu görsel kanıt nicel test tablosunun yerine geçmez; nicel performans yukarıdaki test metriklerinden, Şekil 12 ise belirli sahnelerdeki tespit davranışından bilgi sağlar.

DDC-YOLO Kenar Cihazda Gerçek Zamanlı Çalışabildi mi?

Evet; çalışmanın Jetson Orin NX üzerindeki deneyinde DDC-YOLO PyTorch ile 43,01 FPS, TensorRT ile 131,7 FPS çıkarım hızına ulaşmıştır. Kaynakta robotun dört katmanlı sekiz kanallı kamera sisteminin gerçek zaman gereksiniminin bu değerlerin altında olduğu belirtilmektedir; dolayısıyla model hem PyTorch hem TensorRT dağıtımında deney sisteminin işlem kapasitesi gereksinimini karşılamıştır.

DDC-YOLO'nun çıkarım hızı temel YOLO11n'den bir miktar düşüktür. TensorRT dönüşümünde DDC-YOLO'nun mAP@0.5 değeri %93,1'den %92,3'e gerilemiştir; buna karşın kaynakta verilen temel modelin TensorRT sonucu %92,2'dir. Bu nedenle TensorRT, hızda büyük artış sağlarken ölçülen doğrulukta küçük bir değişim oluşturmuştur.

Robot sistemi bir tarama/toplama çevrimini yaklaşık 1,4 saniyede tamamlamakta ve dört kafes katından toplam sekiz görüntü almaktadır. Kaynak ayrıca sekiz kanallı görüntü işlemenin bir saniye içinde tamamlanması gerektiğini belirtmekte ve PyTorch modunda bile 40 FPS üzerindeki hızın bu gereksinimi karşıladığını ifade etmektedir.

Beyaz tüylü yeni ırka aktarım

WOD168 üzerinde eğitilen model başka bir beyaz tüylü ırka doğrudan uygulandığında performans belirgin biçimde düşmüştür. Bu, yalnız tüy renginin benzer olmasının yeterli olmadığını; vücut şekli, duruş dağılımı ve yetiştirme ortamının da görsel alan dağılımını değiştirdiğini göstermektedir.

İlk 50 etiketli hedef ortam görüntüsünün eklenmesi dört performans metriğinde güçlü bir iyileşme üretmiş, sonraki küçük parti güncellemeleriyle metrikler yaklaşık %95,5 düzeyine doğru yükselip kararlı hale gelmiştir. Kaynak bu süreci, gerçek üretimde ölü piliç örneklerinin günlük olarak az sayıda birikmesine uygun bir mühendislik çözümü olarak değerlendirmektedir.

Sarı tüylü Xueshan piliçlerine aktarım

Sarı tüylü ırkta alan değişimi çok daha büyüktür. WOD168 ağırlıkları hiçbir hedef alan ince ayarı yapılmadan doğrudan kullanıldığında Precision %32,3, Recall yalnız %0,8, F1 %1,6 ve mAP@0.5 %3,8 olmuştur. Bu sonuç modelin “farklı ırklara zaten genellenebilir” olduğu iddiasını açık biçimde desteklememektedir; tersine, yeni alana doğrudan aktarımın başarısız olabildiğini göstermektedir.

İlk 50 etiketli Xueshan görüntüsüyle yapılan ince ayardan sonra mAP@0.5 %79,4'e yükselmiştir. 11 küçük parti güncellemesinin sonunda mAP@0.5 %87,1'e ulaşmış ve son iki turda aynı seviyede kalmıştır.

Tablonun önemli öğretici sonucu, artışın her turda monoton olmadığıdır. Örneğin üçüncü turda mAP@0.5 %77,8'e gerilemiş, daha sonraki turlarda yeniden yükselmiştir. Dolayısıyla “her 50 yeni görüntü performansı kesin olarak artırır” biçiminde bir sonuç çıkarılamaz. Kaynağın desteklediği sonuç, küçük parti güncellemelerinin genel süreç içinde yeni ortama uyumu belirgin biçimde iyileştirebildiğidir.

Gerçek çiftlik konuşlandırması

DDC-YOLO bir ROS işlev paketi olarak denetim robotuna entegre edilmiştir. Robot sisteminde kademeli elektrikli itici mekanizma, dört katmanlı sekiz kanallı çift ışıklı kamera ve Jetson Orin NX SUPER kenar bilgisayarı bulunmaktadır. Algılama modülü navigasyon ve veri yönetiminden ayrıştırılmıştır.

Robot sekiz görüntüyü yerel önbellek kuyruğuna alır, görüntüler aynı zamanda bulut sunucusuna yedeklenir ve ölü piliç tespiti Jetson üzerinde gerçekleştirilir. Pozitif tespitlerde görüntü, sınır kutusu, kafes numarası, katman, sıra ve güven skoru bulut veritabanına gönderilir. Bulut yönetim sistemi hem ölü piliç kayıtlarını hem robot durumunu görüntüler ve robot hareketlerinin yönetilmesini destekler.

Kaynak, sistemin gerçek üretim ortamında birden fazla yetiştirme döngüsü boyunca kesintisiz denetim görevleri gerçekleştirdiğini bildirmektedir. Bu sonuç, mühendislik konuşlandırmasının uygulanabildiğine ilişkin önemli bir saha doğrulamasıdır; fakat ayrı çiftliklerde, farklı donanımlarda ve bütün çevresel koşullarda aynı doğruluk değerinin garanti edildiği anlamına gelmez.

Çalışmanın desteklediği sonuçlar

• DDC-YOLO, WOD168 testinde %96,8 Precision, %85,4 Recall, %90,8 F1 ve %93,1 mAP@0.5 üretmiştir.
• YOLO11n'e göre parametre sayısı 2,582 M'den 1,145 M'ye ve model boyutu yaklaşık 5,2 MB'dan 2,4 MB'a düşmüştür.
• UIB tek başına modeli güçlü biçimde hafifletmiş fakat doğruluk kaybına yol açmıştır.
• WIoU, SimAM ve DBFF'nin birlikte kullanıldığı nihai yapı, hafif omurganın oluşturduğu doğruluk kaybını geri kazanarak mAP@0.5'i taban modelin üzerine çıkarmıştır.
• Jetson Orin NX üzerindeki çıkarım hızı robotun sekiz kameralı işleme gereksinimini karşılamıştır.
• Yeni ırka doğrudan aktarım ciddi performans düşüşü oluşturabilmektedir.
• Az sayıda etiketli hedef ortam örneğiyle yapılan tekrarlı aktarım öğrenmesi yeni ırktaki performansı önemli ölçüde iyileştirmiştir.
• Robot, kenar bilgisayar, bulut veri sistemi ve model güncelleme döngüsü gerçek üretim ortamında birleştirilmiştir.

Çalışmanın desteklemediği sonuçlar

• DDC-YOLO'nun bütün piliç ırklarında herhangi bir yeniden eğitim olmadan aynı performansı vereceği gösterilmemiştir.
• Tek bir sabit modelin zaman içinde bütün çiftlik koşullarına kendiliğinden genellendiği gösterilmemiştir.
• Model güncelleme döngüsü tamamen insansız değildir; manuel örnek doğrulaması ve model sürümü seçimi bulunmaktadır.
• Çalışma, ölü piliçlerin robot koluyla otomatik olarak kafesten çıkarılmasını gerçekleştirmiş değildir; bu gelecek çalışma olarak önerilmektedir.
• Görünür ışık + termal kızılötesi çok modlu füzyon bu çalışmanın nihai modeli değildir; gelecekte incelenmesi önerilmektedir.
• Gerçek çiftlik konuşlandırması, bağımsız çok merkezli veya çok ülkelik dış doğrulama yerine geçmez.

Başlıca hata durumları ve sınırlılıklar

Kaynak Şekil 17 iki önemli yanlış negatif türünü göstermektedir. Birincisi, ölü pilicin büyük bölümünün canlı piliçler veya kafes yapısı tarafından örtülmesi ve yalnız küçük bir bölümünün görünür kalmasıdır. İkincisi, karkasın uzun süre kafeste kaldıktan sonra canlı piliçler tarafından ezilmesi, şeklinin bozulması ve çevre dokusuyla görsel olarak bütünleşmesidir.

Bu durumlar, yalnız tek kare görünür ışık görüntüsüne dayalı nesne algılamanın biyolojik ve çevresel sınırlarını ortaya koymaktadır. Araştırmacılar gelecekte görünür ışık ve termal kızılötesi bilgiyi birleştirmeyi planlamaktadır. Ancak çalışmada gösterilen termal örnekte bile ölü piliç arka plandan tamamen kolay ayrılmamaktadır; dolayısıyla termal görüntünün tek başına sorunu çözdüğü sonucuna varılamaz.

Diğer gelecek çalışma yönü, tespit edilen ölü pilicin robot koluyla yerinin belirlenmesi ve kafesten çıkarılmasıdır. Bu sistem henüz mevcut çalışmanın tamamlanmış saha sonucu değildir. Ayrıca daha fazla bölge, ırk ve üretim ortamından veri toplanarak modelin dış genellemesinin genişletilmesi planlanmaktadır.

Kaynak ve Yöntem Notu

Özgün çalışma: A lightweight DDC-YOLO and inspection-robot system for dead broiler detection in caged broiler houses

Yazar sırası: Jingkun Sun; Wanchao Zhang; Kaituo Yang; Jiaze Sun; Jia Zeng; Deqi Hao; Sai Luo; He Zhu; Tian Hua; Changxi Chen.

Eş birinci yazarlar: Jingkun Sun ve Wanchao Zhang.

Sorumlu yazar: Changxi Chen.

Kurumlar: College of Computer and Information Engineering, Tianjin Agricultural University; Key Laboratory of Smart Breeding (Co-Construction by Ministry and Province), Ministry of Agriculture and Rural Affairs; College of Animal Science and Technology, Yangzhou University.

Yüklenen temel kaynak sürümü: SSRN preprint, SSRN abstract no. 6827629. Yüklenen PDF'nin her sayfasında çalışmanın hakem değerlendirmesinden geçmemiş bir preprint olduğu belirtilmektedir.

SSRN DOI: 10.2139/ssrn.6827629

Güncel yayınevi kaydı: Aynı başlık ve yazar listesiyle Computers and Electronics in Agriculture, Volume 254, Article 112233, 2026.

Dergi DOI: 10.1016/j.compag.2026.112233

Yayınevi: Elsevier.

Yayın durumu notu: Bu Verianla makalesinin bilimsel çekirdeği kullanıcının yüklediği SSRN preprint metninden çıkarılmıştır. Bibliyografik doğrulamada aynı çalışmanın daha yeni dergi kaydı bulunduğundan, yalnız “hakemsiz çalışma” şeklinde tanımlamak güncel yayın durumunu eksik bırakacaktır. Dergi kaydı bibliyografik güncelleme amacıyla belirtilmiş; yüklenen kaynağın dışında yeni deney sonucu ana bilimsel bulgu olarak eklenmemiştir.

Terminoloji notu: Kaynağın Abstract, Methods ve Conclusion bölümleri veri artırma işleminde Gamma transformation ve Gaussian blur kullanıldığını belirtmektedir. Discussion bölümünde bir yerde “Gaussian noise” ifadesi bulunmaktadır. Yöntem tarifi ve ilgili şekil Gaussian blur ile uyumlu olduğundan ana anlatımda Gaussian bulanıklaştırma terimi korunmuş, kaynak içindeki ifade farkı burada açıkça kaydedilmiştir.

Finansman: China Agriculture Research System of MOF and MARA (CARS-41); National Key R&D Program of China (2023YFD2000800); Key Laboratory of Smart Breeding (Co-construction by Ministry and Province), Ministry of Agriculture and Rural Affairs, Tianjin Agricultural University.

Veri erişilebilirliği: Kaynak yazarları verilerin devam eden ilişkili araştırmalar nedeniyle şu anda kamuya açık olmadığını, makul talep halinde sorumlu yazardan temin edilebileceğini bildirmektedir.

Çıkar çatışması: Yazarlar çalışmayı etkileyebilecek bilinen finansal çıkar veya kişisel ilişki bulunmadığını beyan etmektedir.

CRediT katkıları: Jingkun Sun: Investigation, Methodology, Software, Visualization, Writing – original draft. Wanchao Zhang: Writing – original draft, Visualization, Software, Methodology, Data curation. Kaituo Yang: Validation, Formal analysis, Data curation. Jiaze Sun: Visualization, Investigation. Jia Zeng: Software, Data curation. Deqi Hao: Software, Data curation. Sai Luo: Data curation. He Zhu: Data curation. Tian Hua: Data curation. Changxi Chen: Writing – review & editing, Methodology.

Temel yöntemsel sınırlar: Eğitim ve ana nicel testler belirli çiftliklerden ve belirli piliç ırklarından toplanan görüntülere dayanmaktadır. Çapraz ırk testleri güçlü alan kayması göstermektedir. Yoğun örtülme ve biçimi bozulmuş karkaslar yanlış negatiflere yol açabilmektedir. Sistem gerçek üretim ortamında konuşlandırılmış olsa da bütün çiftlik, ırk ve çevresel senaryolar için bağımsız dış doğrulama yapılmış değildir. Model güncelleme mekanizması manuel insan incelemesine ihtiyaç duymaktadır.

Şekil kullanım notu: Kaynak figürler doğrudan kopyalanmamalıdır. Araştırma akışı, DDC-YOLO mimarisi, DBFF, bulut–uç güncelleme mekanizması, aktarım öğrenmesi ve robotik saha iş akışı Verianla için semantik olarak eşdeğer fakat özgün SVG/şema olarak yeniden çizilmeye uygundur.