蜂巢智能探测器设备用于检测使用边缘设备计算和深度学习推理的关键条件
1Laboratory Team of Distributed MicroComputer Systems, Department of Mathematics, University of Ioannina, University Campus, 45110 Ioannina, Greece.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
这项研究介绍了一个使用深度学习来监测蜂群健康的物联网设备. 它准确地检测到蜂群崩障碍 (CCD),蜂群和女王丧失,提高蜂群管理.
科学领域:
- 农业技术 农业技术
- 人工智能在农业中的应用
- 物联网用于环境监测.
背景情况:
- 灾难性的蜂群事件,如殖民地崩障碍 (CCD),蜂群和女王丧失,对蜂群和农业构成重大威胁.
- 现有的蜂群健康监测方法往往缺乏关键事件的实时,自主检测能力.
研究的目的:
- 开发和评估一个嵌入式物联网系统,蜂智能检测节点 (BeeSD),用于自主检测灾难性蜂群事件.
- 实施和比较深度学习模型,以识别CCD条件和检测群体/女王损失事件.
主要方法:
- 使用模糊多层神经网络 (模糊链-NN) 用于使用蜂巢温度和湿度数据进行CCD检测.
- 采用深度学习卷积神经网络 (CNN) 模型用于基于音频录音的群体和女王损失检测.
- 将这些模型集成到自主BeeSD物联网设备中,通过Wi-Fi进行云数据传输.
主要成果:
- 模糊链-NN模型在检测关键条件时达到高达95%的准确性.
- 在ResNet-50 CNN模型中,对蜂群和女王丢失检测的准确度高达99%.
- ResNet-18提供了更快的推断速度,准确率高达93%,深度学习模型的表现比传统机器学习高出3-5%.
结论:
- 蜜蜂智能检测节点有效地利用深度学习进行自主,准确的监控关键的蜂群事件.
- 开发的系统为主动蜜蜂健康管理和早期干预策略提供了一个有前途的解决方案.
- 与传统的机器学习方法相比,深度学习模型为蜂群事件检测提供了更高的准确性和效率.
