通过计算机视觉技术对蜜蜂群的健康状态进行监测，本研究比较了三种自动蜜蜂计数方法，并发现基于 ResNet-50 卷积神经网络分类器的算法在 BUT1 和 BUT2 数据集上分别达到了 87% 和 93% 的准确率。

Jun, 2024

利用计算机视觉和最新技术，本研究开发了一种蜜蜂监测系统，旨在增进我们对群体崩溃障碍、蜜蜂行为、种群下降和整体蜂巢健康的理解。通过我们的监测系统，蜂农可以实时监测蜂巢的活动和健康，无需干扰蜜蜂。该系统利用性价比高的技术进行开发，使得不同规模的养蜂场包括业余爱好者、商业养蜂企业和研究人员都能够使用。

Sep, 2023

使用计算机视觉和目标识别技术自动追踪和报告蜜蜂行为，以实现保护传粉动物，推动环境监测和全球粮食安全，进而提供一个可解释的人工智能接口，方便非技术专家利用蜜蜂检测事件生成时间戳报告和图表，以促进环保产业的负责任消费和生产。

May, 2024

蜜蜂在全球食品供应中起着大约三分之一的授粉作用，但由于多种因素，包括杀虫剂和害虫，蜜蜂群数量在过去十年中惊人地下降了近 40%。本研究通过引入综合系统，包括蜜蜂目标检测和健康评估，综合利用视觉和音频信号来分析蜜蜂行为，并开发了一种自适应关注多模态神经网络（AMNN）来准确评估蜜蜂健康状况。AMNN 在保持高效处理时间的同时，取得了 92.61% 的整体准确率，超过了八个现有的单一信号卷积神经网络和递归神经网络。此外，它提高了预测鲁棒性，在所有四种评估的健康状况中，F1 得分均超过 90%。此研究还表明相比图像，音频信号更可靠地评估蜜蜂健康状况。通过将 AMNN 与图像和声音数据无缝集成于综合的蜜蜂健康监测系统中，这种方法为早期检测蜜蜂疾病和保护蜜蜂群提供了更高效、无创的解决方案。

Jan, 2024

使用各种机器学习和图像处理方法，探测和预测疟疾疾病的潜力，发现深度学习技术作为智能工具在疟疾检测中具有广泛适用性，旨在针对深度学习在计算机框架和组织方面的常见限制进行未来的研究方向。

Sep, 2022

本研究指出深度学习可以为数据驱动的机器健康监测提供有用的工具，在介绍深度学习技术后，主要从自编码器、深度置信网络、卷积神经网络和循环神经网络等方面综述了其在机器健康监测系统中的应用，并讨论了一些新的基于深度学习的方法趋势。

Dec, 2016

通过相机陷阱监测昆虫，包括目标检测、飞蛾和非飞蛾的分类、详细识别昆虫物种和个体跟踪，为昆虫学提供了可扩展的数据采集工具。

Jun, 2024

提供了一个深度学习方法的昆虫监测系统，通过定位和分类识别图像中的蛾子个体来改善物种识别准确率。

Jul, 2023

现今，技术达到了巅峰。探索了不同的编程和技术途径用于数据分析、自动化和机器人技术。机器学习是优化数据分析、进行准确预测以及加快 / 改进现有功能的关键。因此，目前人工智能领域中的机器学习正在发展，并且正在探索它在不同领域的应用。其中一个领域突出的应用是微生物生物合成。本文提供了微生物生物合成中所使用的不同机器学习程序的全面概述，并简要描述了机器学习和微生物生物合成这两个领域。包括过去的趋势、现代的发展、未来的改进、过程的解释以及当前面临的问题。因此，本文的主要贡献是概括这两个关键领域的发展并提供全面的解释，以及它们对于改进工业 / 研究的适用性。它还突出了挑战和研究方向，旨在激发在不断发展的领域中进行更多的研究和发展。最后，本文旨在成为正在进行研究的学者、改进流程的行业专业人员和想要理解生物合成中的机器学习概念的学生的参考资料。

Aug, 2023

本文提出了一种结合人工智能和人类智能的主动学习系统，能够快速准确地对相机陷阱图像中的动物进行识别和计数，可将手动标注的工作量减少了 99.5% 以上。

Oct, 2019