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

提出了一种名为 Chimera Algorithm 的新型混合神经进化算法，用于生成从头开始的模型并优化前期给定的架构，以更好地适应任务，该算法在两个自然图像和医疗图像数据集上验证，并且超过了 Transfer Learning 模型的性能。

Feb, 2024

利用卷积神经网络（CNNs）基于热成像技术对蜂蜜样品进行分类，检测蜂蜜掺假问题，提供质量控制措施。

Feb, 2024

本文研究了利用卷积神经网络实现密集物体跟踪，通过对蜜蜂巢穴模型的适应性个体标记和 U-Net 分割架构的使用，进一步利用视频记录的时间规律，通过机器学习实现对密集群体中物体的准确识别，并可以在一个网络结构内有效地确定物体的位置和方向。

Dec, 2017

通过建立一份昆虫图像数据集，并训练一个能够对其进行分类的模型，并针对昆虫图像数据集的独特性，研究了可解释的人工智能（XAI）方法来协助昆虫学家进行数据注释，该方法在分类准确性和鲁棒性方面获得良好结果。

Jun, 2022

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

使用深度学习模型检测蚜虫簇集，我们提出了一种新的方法来估计感染水平。通过对多麦科田野捕捉的 5,447 张图像中的蚜虫集群进行手动选择并进行注释，我们构建了一个庞大的数据集。然后，我们在该数据集上实施和比较了四种最先进的目标检测模型（VFNet、GFLV2、PAA 和 ATSS）的性能。结果表明，所有模型在平均精度和召回率方面都表现出稳定的相似性能。我们进一步提出合并紧邻簇集和去除由裁剪引起的小簇集的方法，使性能进一步提升约 17%。该研究证明了使用机器学习模型自动检测和管理昆虫的可行性，并将该标注数据集公开提供给研究界。

Aug, 2023

提出一种深度学习模型 InsectNet，以应对昆虫识别在实际环境下的挑战，并能准确识别超过 2500 种节肢动物物种，包括有害害虫、寄生虫、食草动物和掠食动物，并可指导公民科学数据收集。

Jun, 2023