将基于学习的方法转移到个人的Apis cerana细分
Panadda Kongsilp1, Unchalisa Taetragool1, Orawan Duangphakdee2
1Department of Computer Engineering, King Mongkut's University of Technology Thonburi, Bangkok, Thailand.
PloS one
|April 16, 2025
概括
这项研究引入了一种有效的方法来检测和细分亚洲蜜蜂 (Apis cerana) 使用Mask R-CNN. 这种方法显著降低了数据需求,同时在蜜蜂细分方面实现了高精度.
科学领域:
- 生态生态学 生态生态学
- 计算机科学 计算机科学
- 动物学 动物学
背景情况:
- 蜜蜂是重要的授粉者,在蜂巢中表现出复杂的社会结构和沟通.
- 蜜蜂行为的自动分析依赖于精确的单个蜜蜂检测和细分.
- 了解Apis cerana的行为对于生态和农业应用至关重要.
研究的目的:
- 开发一种准确和有效的方法来检测和细分蜂群中的单个蜂群Apis cerana.
- 优化深度学习模型的使用,以最小的数据和计算资源进行蜜蜂行为分析.
主要方法:
- 利用Mask R-CNN深度学习模型进行对象检测和细分.
- 员工从先前存在的Apis mellifera模型中转移学习.
- 应用数据预处理技术,包括亮度和对比度增强.
- 在检测和细分方面使用平均平均精度 (mAP) 评估性能.
主要成果:
- 在Apis cerana细分中获得0.728的平均平均精度 (mAP).
- 与之前的研究相比,培训和验证数据集的规模减少了85%.
- 在最小的数据集大小和减少计算时间的情况下,证明了高模型性能.
结论:
- 拟议的Mask R-CNN方法为Apis cerana的检测和细分提供了最佳的解决方案.
- 这种方法通过实现高效,高质量的个人蜜蜂跟踪来显著增强自动行为分析.
- 该研究强调了转移学习和数据预处理在改善生态环境中的深度学习模型性能方面的有效性.
