System przetwarzania wizualnego oparty na uczeniu głębokim pomoże chronić europejskie pszczoły miodne
Projekt hivepoll bada możliwość wykrywania w czasie rzeczywistym zagrożeń dla uli, takich jak dręcz pszczeli i mały chrząszcz z gatunku Aethina tumida, oraz reagowanie na masowe ginięcie osobników. Badacze analizowali także wydajność zapylania pasieki przy pomocy niedrogiego systemu przetwarzania wizualnego. W oparciu o zgromadzone dane zespół chce opracować nowatorską platformę wymiany danych pomiędzy pszczelarzami a innymi zainteresowanymi stronami rynku rolnego. „Analizując ilość i rodzaj zebranego pyłku w połączeniu z charakterystyką lotu w czasie rzeczywistym, możemy przekształcić pasieki w nowatorskie czujniki biologiczne, co może przynieść spore korzyści dla rynku agrotechnicznego, pszczelarzy i organów władzy publicznej”, mówi koordynator projektu, Michael Brandstötter.
Zastosowanie technologii dużych zbiorów danych
Zebrane przez zespół dane zostaną wykorzystane do prognozowania plonów i opracowywania ulepszonych modeli zarządzania ryzykiem nieurodzaju – dwóch najważniejszych zastosowań technologii analizy dużych zbiorów danych w rolnictwie. „Możemy ocenić skuteczność analizy ilościowej i jakościowej pyłków, wykorzystując algorytmy rozpoznawania obrazów i metody głębokiego uczenia”, wyjaśnia Brandstötter. W oparciu o zestaw już zgromadzonych przez zespół danych w postaci około 1 600 godzin nagrań aktywności pszczół miodnych powstał podzbiór informacji na temat zapylania, który zostanie wykorzystany w procesie uczenia głębokiego. Z 7 TB danych wygenerowano 40 000 obrazów, które następnie zostały ręcznie opisane przez uczestników projektu. „Na dzień dzisiejszy jest to największy dostępny zbiór danych na temat pszczół i pyłków”, zauważa Brandstötter. „Połączenie standardowych metod rozpoznawania obrazów i uczenia głębokiego umożliwia nam opracowanie pierwszego algorytmu do klasyfikacji zapylania w czasie rzeczywistym przy użyciu komputera jednopłytkowego”. Wielkość tego zbioru danych pozwala na zbadanie skuteczności podejścia wykorzystującego uczenie głębokie. Badacze opracowali i porównali protokół transmisji danych oparty na mechanizmie przesuwnych okien oraz metodę klasyfikacji wieloklasowej. „Najlepsze połączenie modeli uzyskało wynik F1 wynoszący 90,95, co oznacza, że modele konwolucyjnych sieci neuronowych mogą być wykorzystywane do wykrywania koszyczków u pszczół miodnych”, dodaje Brandstötter.
Zwiększona przeżywalność
Projekt hivepoll przyczyni się do stworzenia systemu wczesnego ostrzegania w przypadku niskiej wydajności zapylania oraz przyniesie nowe możliwości w zakresie przeciwdziałania tym negatywnym skutkom, co zabezpieczy produkcję żywności. Ponadto skuteczne wykrywanie pasożytów poprawi zdrowie roju pszczół oraz zwiększy ich przeżywalność zimą, co stanowi szczególnie istotną kwestię dla pszczelarzy i rolników, ponieważ pszczoły to jedne z nielicznych owadów zapylających, które są dostatecznie aktywne na początku cyklu uprawy. Szybkie zapylenie plonów ogranicza negatywny wpływ niestabilnych warunków pogodowych takich jak przymrozek wiosenny. „Szacujemy, że rozwiązanie poprawiające zarządzanie zapylaniem opracowane przez hivepoll może zwiększyć plony o nawet 10 %”, podsumowuje Brandstötter. Owocem projektu będzie nie tylko tani system przetwarzania wizualnego do wykrywania zagrożenia i skutecznego zarządzania ulami w czasie rzeczywistym, ale także bezprecedensowy wgląd w aktywność rojów pszczół miodnych związaną z zapylaniem.
Słowa kluczowe
hivepoll, pszczoła miodna, uczenie głębokie, ul, zapylacz, technologia dużych zbiorów danych
