ВИКОРИСТАННЯ АРХІТЕКТУР ГЛИБОКИХ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ ТА TENSORFLOW У ЗАДАЧІ ВИЗНАЧЕННЯ БДЖІЛ НА ЗОБРАЖЕННІ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2023.01.095Ключові слова:
нейронні мережі; tensorflow; глибоке навчання; бджоли; комп'ютерний зір; виявлення об'єктів; бджоли; CNN; однозарядний сповіщувач; виявлення бджіл;Анотація
Бджоли є важливими запилювачами для різних видів рослин і мають важливе значення для підтримки біорізноманіття нашої планети. Індивідуальна ідентифікація бджіл – це важливе завдання, яке, якщо його добре виконати, допоможе відстежувати популяцію бджіл у вулику та стан її здоров’я в цілому. Фотографії рамок вулика з бджолами на них використовуються як джерело даних для навчання моделей. Ці фотографії були вручну анотовані за допомогою програмного забезпечення для анотацій Remo. У цьому дослідженні використовується п’ять широко використовуваних архітектур глибокого навчання (Faster R-CNN ResNet152, CenterNet ResNet50, SSD ResNet50, Faster R-CNN Inception ResNet, SSD MobileNet) з метою виявлення бджіл на тестових зображеннях. Ці моделі були навчені на одному наборі даних і оцінені на одному наборі зображень бджіл. Згідно з матрицею помилок, архітектура SSD MobileNet продемонструвала найкращу ефективність виявлення з 80% виявлених бджіл у тестових файлах, але вона також мала найбільшу кількість помилкових негативних записів.
Посилання
Garibalidi L. Wild pollinators enhance fruit set of crops regardless of honey bee abundance // Science. 2013., vip. 6127 T. 339. S. 1608-1611.
Wang J. The identification of butterfly families using content-based image retrieval // Biosystems Engineering. 2012., vip. 1 T. 111. S. 24-32.
Patel D., Bhatt N. Insect Identification Among Deep Learning’s Meta-architectures Using TensorFlow // International Journal of Engineering and Advanced Technology. 2019., vip. 1 T. 9. S. 1910-1914.
