个人蜜蜂在蜂巢环境中使用深度学习和卡尔曼过器跟踪蜜蜂
Panadda Kongsilp1, Unchalisa Taetragool1, Orawan Duangphakdee2
1Department of Computer Engineering, King Mongkut's University of Technology Thonburi, Bangkok, 10140, Thailand.
Scientific reports
|January 11, 2024
概括
这项研究开发了一种深度学习和卡尔曼过系统来跟踪单个蜜蜂,克服了诸如遮蔽和背景相似性之类的挑战. 该系统在对生态研究中的蜜蜂行为进行细分和跟踪方面取得了高准确性.
科学领域:
- 生态学和种族学.
- 计算机视觉和机器学习
- 动物行为分析 动物行为分析
背景情况:
- 蜜蜂是重要的授粉者,了解它们的行为对于生态研究至关重要.
- 追踪单个蜜蜂是具有挑战性的,因为蜂巢的复杂性,遮蔽,和类似的蜜蜂到背景的外观.
- 现有的方法与蜂群内的蜂群相互作用的动态和密集性质作斗争.
研究的目的:
- 开发和评估一个强大的系统,用于跟踪蜂巢环境中的单个蜜蜂.
- 在蜜蜂行为分析中解决高密度物体检测,细分和封闭的复杂性.
- 通过精确的蜜蜂运动和相互作用监测,提供收集生态数据的可靠方法.
主要方法:
- 使用面具R-CNN与ResNet-101骨干用于多对象检测和单个蜜蜂的细分.
- 采用卡尔曼过器,在图像框架中进行强大的多对象跟踪,专注于蜜蜂身体轨迹.
- 集成的深度学习用于检测/细分,用于跟踪的过,使用定制观察蜂巢视频进行验证.
主要成果:
- 在基于Mask R-CNN的多对象细分任务中获得了0.85的平均平均精度 (mAP).
- 卡尔曼波器追踪系统显示77.48%的MOTA (多重物体追踪精度) 和79.79%的MOTSP (多重物体追踪精度).
- 追踪和细分的综合系统实现了77.00%的MOTSA (多个对象追踪细分精度) 和80.30%的回忆.
结论:
- 拟议的深度学习和卡尔曼波器框架有效地跟踪复杂的蜂巢环境中的单个蜜蜂.
- 该系统成功地克服了诸如阻塞和背景相似性等挑战,提供了准确的细分和跟踪.
- 这种方法为蜜蜂行为和社会相互作用的详细生态研究提供了有价值的工具.
