基于深度学习的蜂蜜储存区域的检测在蜂蜜蜜蜂殖民地,通过线性回归来预测蜂蜜的物理参数

科学领域:

• * 农业科学 农业科学
• * 计算机科学 计算机科学
• * 昆虫学 昆虫学

背景情况:

• * 评估蜂巢中蜂蜜储存的传统方法是手动的,不一致的和低效的.
• *需要自动化,准确和可扩展的解决方案来监测蜂蜜产量和蜂巢健康.

研究的目的:

• * 开发和评估一种自动化的深度学习方法,用于检测,分类和量化蜂蜜细胞在蜜蜂的框架.
• * 评估图像分辨率和数据集分区对模型性能的影响.
• * 调查蜂蜜的物理特性与基于图像的蜂蜜储存检测之间的关系.

主要方法:

• *利用YOLOv11深度学习模型进行对象检测和蜂蜜细胞的分类.
• *使用高分辨率图像 (960 × 960) 与90:5:5数据集分割用于培训,验证和测试.
• * 分析了蜂蜜储存面积与电导率,颜色,pH值和水分含量等物理性质之间的相关性.

主要成果:

• *YOLOv11模型实现了高准确度,mAP@0.5为83.4%的未加盖蜂蜜细胞和80.5%的加盖蜂蜜细胞使用90:5:5分割.
• *在不同的数据集分割之间发现了强烈的相关性 (r=0.94),这表明更多的训练数据提高了准确性.
• *电导率和颜色显示蜂蜜储存面积的预测能力较弱,但与模型性能有显著的相关性.

结论:

• *使用深度学习的基于图像的蜂蜜细胞分类是监测蜂巢生产力的可行和可靠的技术.
• *这种自动化方法为优化养蜂实践和提高蜂蜜产量提供了一个非侵入性的解决方案.
• *进一步的研究可以探索蜂蜜的化学成分对人工智能模型准确性的影响.