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

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

介绍机器学习和计算机视觉技术在蜜蜂监测中的应用，以及它们作为自动蜜蜂计数算法的潜力。这篇论文旨在向兽医和蜜蜂专业人士介绍机器学习的可能性，并希望能激励其他科学家使用机器学习技术进行蜜蜂监测的其他应用。

Jul, 2022

本研究提出了一种远程监护平台，通过机器学习算法处理患者从不同消费移动设备和定制设备获取的生理健康参数，并为患者和医生提供易于理解和综合的面板。

Jul, 2022

本文提出了一种智能嵌入式系统，用于监测课堂出勤情况并将出勤名单发送到远程计算机。该系统由两部分组成：用于人脸识别的嵌入式设备（装备有树莓派和摄像头）和用于出勤管理的 Web 应用程序。该解决方案考虑到了不同的挑战：树莓派的资源有限、需调整人脸识别模型以及使用树莓派摄像头提供的图像实现可接受的性能。

Jun, 2024

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

该研究旨在利用物联网与区块链技术，自动检测低血糖并进行自动注射糖来拯救患者生命。在使用 Random Forest 算法判断低血糖事件时，系统将通过手机应用程序和自动注射装置发送通知，提高患者生存率。

Jul, 2022

蜜蜂和温度对蜜蜂健康的影响的研究，提出了一种基于传感器数据的 EBV（电子兽医）方法用于预测蜜蜂行为和发出警告。研究发现 EBV 方法对多个实际时间序列的预测准确，并可检测出不连续性，显示其潜力和实际可行性。

Feb, 2024

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

通过多传感器、基于人工智能的数据融合方法，本文提出了一种低成本配置的昆虫分类系统，可用于系统性监测昆虫种群、支持生物多样性与农业研究。

Apr, 2024