强化农业 4.0 的传粉者保护:通过物体识别监测蜜蜂
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
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
动物种群数量急剧下降,精确计数濒危物种的技术对于长期监测种群变化至关重要。本研究侧重于优化用于无人机图像的目标检测模型,以创建准确的动物物种计数。通过使用无人机拍摄的数百张图片和大量可获取的无人机图像数据集,我们将传统的 YOLOv8 架构进行了优化。我们训练了 30 个不同的模型,其中最大的模型具有 4370 万个参数和 365 个层,并利用超参数调整和数据增强技术来提高准确性。尽管最先进的 YOLOv8 基线在野生动物数据集上只有 0.7%的准确性,但我们的模型在相同数据集上达到 95%的准确性。最后,我们将模型部署在 Jetson Orin Nano 上,演示了低功耗实时物种检测,便于在无人机上进行推断。
Jun, 2024
该研究提出了一种新的框架,将两种不同的卷积神经网络结构相结合,以在模拟环境中同时完成作物检测和收获(机器人操控)任务。利用机器视觉实现作物自动识别,提高收获效率,但仍面临挑战。通过随机旋转、裁剪、亮度和对比度调整来生成增强图像以进行数据集生成。使用一次性算法框架进行作物定位,以及使用视觉几何组模型来确定机器人操控的抓取位置。
Jan, 2024
本文介绍了一个基于运动信息增量的方法管道,用于在大型、彩色、时间间隔的野外图像数据集中检测昆虫,该方法提高了两个卷积神经网络(YOLO,Faster R-CNN)的检测效率,并发布了一个包含 100,000 个标注昆虫图像的图像数据集。
Dec, 2022
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
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
视觉在农业中发挥着重要作用,研究和应用 You Look Only Once (YOLO) 在农业领域的物体识别能够实现实时监测、自动化监视和物体处理,减少劳动力、生产成本和环境影响,同时最大限度地提高资源效率。
Jan, 2024
本文论述了如何通过使用深度学习方法对相机陷阱图像进行自动化数据分析,演示了以 Faster R-CNN 和 YOLO v2.0 作为分类器识别、量化和定位相机陷阱图像中的物种,进而应用于生态研究。结果显示 Faster R-CNN 的分类准确率高达 93.0%,取得了很好的效果。
Mar, 2018
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