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

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

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

研究提出了一种集成检测网络和密度图估计网络的混合自动蚜虫计数网络架构，通过对比实验验证了该方法在计算蚜虫数量方面优于其他所有方法，提供了对甜菜田蚜虫引发的病毒黄病风险的有效预警，保护甜菜生长并确保甜菜产量。

Aug, 2023

本篇综述了近年来在人群计数领域中最重要的贡献，通过模型架构、学习方法和评估方法等多方面比较，对人群计数进行了全面系统的综述调查，为初学者们提供了解人群计数研究发展的良好资源。

Sep, 2022

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

在环境可持续性领域，保护昆虫的数量和多样性是我们社会最重要的目标之一。本研究提出了一种图像方法作为多传感器系统的一部分，该系统是适应传统捕捉器类型的低成本、可扩展、开源系统。研究结果证明，重新训练后的标准 CNN 架构（如 ResNet50 和 MobileNet）在昆虫分类预测任务中表现非常出色，达到了超过 96％的分类准确率。此外，证明了昆虫图像裁剪对于具有高间类相似性的物种分类是必要的。

Apr, 2024

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

本文介绍了一种基于深度学习的新型框架 WheatNet，能够快速高效地计算麦田中小麦穗的数量和位置，并在植物育种决策过程中提供实时数据收集的帮助，解决手动记录植物观测数据带来的劳动密集性问题。

Mar, 2021