Một phương pháp nhận dạng hoạt động của ong từ các video thu tại cửa tổ ong
DOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE8.2024.3-13Từ khóa:
Phát hiện ong; Theo vết ong; Nhận dạng hoạt động của ong; YOLOv5; OC-SORTTóm tắt
Ong mật đóng vai trò quan trọng trong hệ sinh thái và nền kinh tế nông nghiệp. Để duy trì và phát triển các đàn ong khỏe mạnh, việc theo dõi và nhận dạng hoạt động của các con ong ở cửa tổ là cần thiết. Trong nghiên cứu này, chúng tôi mở rộng phương pháp trong [6] để theo dõi và nhận dạng các hoạt động bay vào và bay ra của các con ong mang phấn hoa và không mang phấn hoa trong các video được ghi tại cửa tổ ong. Để đạt được mục tiêu này, một khung công việc gồm ba bước là phát hiện ong, theo vết ong và nhận dạng hoạt động của ong được đề xuất. Ở bước đầu tiên, để giải quyết sự mất cân bằng giữa số lượng ong mang phấn hoa và ong không mang phấn hoa, chúng tôi đã sử dụng phương pháp phát hiện kết hợp YOLOv5 và hàm focal loss. Sau đó, trong bước theo vết, dựa trên kết quả phát hiện của bước đầu tiên, hai bộ theo vết dựa trên OC-SORT đã được khởi tạo để xác định quỹ đạo của ong mang phấn hoa và ong không mang phấn hoa. Cuối cùng, ở bước nhận dạng hoạt động, các luật được áp dụng trên các quỹ đạo nhằm xác định trạng thái hoạt động tức thời của ong mật và nhận dạng các hoạt động tổng thể của chúng. Các thử nghiệm đã được tiến hành để đánh giá hiệu suất của từng bước cũng như hiệu suất chung của khung công việc được đề xuất. Kết quả thử nghiệm cho thấy bước phát hiện đạt được độ chính xác tổng thể là 0,972 trong khi bước theo vết đạt được các giá trị HOTA là 77,28%, MOTA là 90,09% và MOTP là 84,98%.
Tài liệu tham khảo
[1]. EFSA Panel on Animal Health and Welfare (AHAW). “Assessing the health status of managed honeybee colonies (HEALTHY‐B): a toolbox to facilitate harmonised data collection”. EFSA Journal, 14(10), e04578, (2016). DOI: https://doi.org/10.2903/j.efsa.2016.4578
[2]. G. Jocher, A. Chaurasia, A. Stoken, J. Borovec, Y. Kwon, J. Fang, K. Michael, D. Mon-tes, J. Nadar, P. Skalski, et al., ultralytics/yolov5: v6.1-tensorrt, tensorflow edge tpu and openvino export and inference, Zenodo (2022).
[3]. J. Cao, J. Pang, X. Weng, R. Khirodkar, and K. Kitani, “Observationcentric sort: Re-thinking sort for robust multi-object tracking,” in In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 9686–9696, 2023. DOI: https://doi.org/10.1109/CVPR52729.2023.00934
[4]. Jiang, J. A., Wang, J. C., Huang, C. P., Lee, M. H., Liu, A. C., Lin, H. J.,... & Yang, E. C. “Foraging flight-based health indicators for honey bee colonies using automatic monitoring systems”. Computers and Electronics in Agriculture, 216, 108476, (2024). DOI: https://doi.org/10.1016/j.compag.2023.108476
[5]. Kim, S., & Kim, H. “A new metric of absolute percentage error for intermittent de-mand forecasts”. International Journal of Forecasting, 32(3), 669-679, (2016). DOI: https://doi.org/10.1016/j.ijforecast.2015.12.003
[6]. Le, T. N., Tran, D. N., Pham, H. T., Le, T. L., & Vu, H. “A Robust Multiple Honeybee Tracking Method from Videos Captured at Beehive Entrance”. In 2023 International Conference on Multimedia Analysis and Pattern Recognition (MAPR) (pp. 1-6). IEEE, (2023). DOI: https://doi.org/10.1109/MAPR59823.2023.10289105
[7]. Luiten, J., Osep, A., Dendorfer, P., Torr, P., Geiger, A., Leal-Taixé, L., & Leibe, B. Ho-ta: “A higher order metric for evaluating multi-object tracking”. International journal of computer vision, 129, 548-578, (2021). DOI: https://doi.org/10.1007/s11263-020-01375-2
[8]. Ngo, T. N., Rustia, D. J. A., Yang, E. C., & Lin, T. T. “Automated monitoring and anal-yses of honey bee pollen foraging behavior using a deep learning-based imaging sys-tem”. Computers and Electronics in Agriculture, 187, 106239, (2021). DOI: https://doi.org/10.1016/j.compag.2021.106239
[9]. Nguyen, D. T., Le, T. N., Phung, T. H., Nguyen, D. M., Nguyen, H. Q., Pham, H. T., Vu, H. & Le, T. L. “Improving pollen-bearing honey bee detection from videos cap-tured at hive entrance by combining deep learning and handling imbalance tech-niques”. Ecological Informatics, 82, 102744, (2024). DOI: https://doi.org/10.1016/j.ecoinf.2024.102744
[10]. Rozenbaum, E., Shrot, T., Daltrophe, H., Kunya, Y., & Shafir, S. “Machine learn-ing-based bee recognition and tracking for advancing insect behavior research”. Arti-ficial Intelligence Review, 57(9), 245, (2024). DOI: https://doi.org/10.1007/s10462-024-10879-z
[11]. S. A. M. Khalifa, E. H. Elshafiey, A. A. Shetaia, A. A. A. El-Wahed, A. F. Algethami, S. G. Musharraf, M. F. AlAjmi, C. Zhao, S. H. D. Masry, M. M. Abdel-Daim, M. F. Halabi, G. Kai, Y. A. Naggar, M. Bishr, M. A. M. Diab, and H. R. El-Seedi, “Overview of bee pollination and its economic value for crop production,” Insects, vol. 12, no. 8, (2021). DOI: https://doi.org/10.3390/insects12080688
[12]. Sokhai, K., & Mardy, S. “A Review on the Aspect of Beekeeping and Economic Effi-ciency”, International Journal of Integrative Research 2(2):107-114, (2024). DOI: https://doi.org/10.59890/ijir.v2i2.1223
[13]. Thi Nha Ngo, Kung-Chin Wu, En-Cheng Yang, Ta-Te Lin, “A real-time imaging system for multiple honey bee tracking and activity monitoring”, Computers and Elec-tronics in Agriculture, (2019).
[14]. U. Joshi, K. Kothiyal, Y. Kumar, and R. Bhatt, “Role of honeybees in horticultural crop productivity enhancement,” International Journal of Agricultural Sciences, vol. 17, no. AAEBSSD, pp. 314–320, (2021). DOI: https://doi.org/10.15740/HAS/IJAS/17-AAEBSSD/348-355
