The aim of this study is to propose an alternative and hybrid solution method for diagnosing the disease from histopathology images taken from animals with paratuberculosis and intact intestine. In detail, the hybrid method is based on using both image processing and deep learning for better results. Reliable disease detection from histopathology images is known as an open problem in medical image processing and alternative solutions need to be developed. In this context, 520 histopathology images were collected in a joint study with Burdur Mehmet Akif Ersoy University, Faculty of Veterinary Medicine, Department of Pathology. Manually detecting and interpreting these images requires expertise and a lot of processing time. For this reason, veterinarians, especially newly recruited physicians, have a great need for imaging and computer vision systems in the development of detection and treatment methods for this disease. The proposed solution method in this study is to use the CLAHE method and image processing together. After this preprocessing, the diagnosis is made by classifying a convolutional neural network supported by the VGG-16 architecture. This method uses completely original dataset images. Two types of systems were applied for the evaluation parameters. While the F1 Score was 93% in the method classified without data preprocessing, it was 98% in the method that was preprocessed with the CLAHE method.

Hayvancılık, nesillerdir devam eden ve insanoğlunun temel gıda ihtiyacını karşılamasını sağlayan tarımın bir alt koludur. Ekonomik değer taşıyan hayvanların beslenmesi, bakımı ve üretimi yapılmaktadır. Büyükbaş, küçükbaş, tavukçuluk ve arıcılıkta hayvancılık kapsamında yer almaktadır. Temelinde hayvanların bakımı ve beslenmesi gibi gereksinimlerini karşılayarak insanların gıda ihtiyaçlarının sağlanması amaçlanmıştır. Bu ihtiyaçları karşılamak için hayvan çiftlikleri kurulmaktadır. Çiftliklerde hayvanların gereksinimlerinin sağlanması insan gücüne dayalı olarak sürdürülmektedir. Ancak günümüzde teknolojinin gelişmesiyle insan gücünün yerine makineler geçmektedir. Gömülü sistemler, robotik ve yapay zeka gibi konu alanlarının hayatımıza girmesiyle beraber karşılaşılan sorunlara daha kapsamlı çözümler bulunmaktadır. İnsan hatasından kaynaklanan ve kullanılan iş gücünü azaltarak en doğru bir şekilde mevcut teknolojiden faydalanılarak hayvancılık yapılması önerilmiştir. Çalışmamızda, literatürde bulunan hayvancılık kapsamında yapay zeka uygulamaları, görüntü işleme tabanlı sistemler, otonom çiftlik sistemleri incelenmiştir. İncelemelerden yola çıkarak insan hatasını minimize ederek yapay zeka tabanlı bir çiftliğin üretim kalitesi ve hızı yüksek oranda arttığı sonucuna varılmıştır. Mevcut çiftliklerde kendi kararını verebilen yapay zekaya sahip sistemlerin kullanılması üretim ve beslemenin yanı sıra hastalık tespiti de yapabilmektedir. Tamamen sayısal verilerden yola çıkarak maksimum verim elde etmek hedeflenmektedir.

Günümüzde elektrikli cihazların yoğun kullanımı ile elektriğe olan ihtiyaç artmıştır. Bu ihtiyacı karşılamak için genellikle fosil yakıtlar kullanılmaktadır. Ancak fosil yakıtların çevreye verdiği zararı azaltmak için hükümetler yenilenebilir enerji kaynaklarına çeşitli teşvikler sunmaktadır. Bu kapsamda güneş enerjisi santrallerine yönelik teşvikler de oldukça fazladır. Son zamanlarda birçok yatırımcı güneş enerjisi santrali kurmak istemektedir. Güneş enerjisi santrali kurmak yüksek yatırım maliyeti gerektirdiğinden amortisman sürelerinin hesaplanabilmesi yatırım kararı vermekte önemli rol oynamaktadır. Teknolojinin gelişmesi, bu maliyetlerin amortisman sürelerini yapay zekâ algoritmaları ile tahmin etmeyi mümkün kılmıştır. Bu çalışmada, gerçek güneş enerjisi santrali verileri kullanılarak, derin öğrenme algoritmaları ile gelecekte üretilebilecek enerji verileri tahmin edilmiştir. Veriler, Humartaş Enerji firmasına ait güneş enerjisi santrallerinden alınmıştır. Çalışmada zaman serisi algoritmalarında yoğunlukla kullanılan LSTM (Long Short-Term Memory, Uzun Kısa Süreli Bellek) yöntemi kullanılarak analizler ve tahminler yapılmıştır. Çalışmanın hata oranı %1 ile %17 arasında olduğu görülmüştür. Bu çalışmanın rüzgâr, hidrolik, jeotermal enerji gibi diğer yenilenebilir enerji kaynakları içinde kullanılabileceği öngörülmektedir.