ВИКОРИСТАННЯ АРХІТЕКТУР ГЛИБОКИХ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ ТА TENSORFLOW У ЗАДАЧІ ВИЗНАЧЕННЯ БДЖІЛ НА ЗОБРАЖЕННІ
DOI:
https://doi.org/10.34185/1562-9945-2-145-2023-06Ключові слова:
нейронні мережі, бджоли, глибоке навчання, технології комп’ютерного зору, tensorflow, згорткові нейронні мережі, ідентифікація комах, ідентифікація бджіл, виявлення об’єктівАнотація
Бджоли є важливим елементом сільськогосподарської промисловості, але через зме-ншення їх популяції росте необхідність відстежування стану бджолиних сімей, на-приклад, за допомогою фото- та відеоматеріалів. У цій публікації наведено аналіз ефективності роботи архітектур глибоких згорткових нейронних мереж та фреймво-рку Tensorflow на задачі визначення бджіл на фотографіях. Для дослідження було ви-користано п’ять різних моделей з відкритого репозиторія TensorFlow 2 Detection Model Zoo, що були треновані на анотованому вручну датасеті з фотографій бджіл. З тренованих моделей найкращий результат 80% визначення бджіл та їх частин пока-зала архітектура SSD MobileNet.
Посилання
Garibalidi L. Wild pollinators enhance fruit set of crops regardless of honey bee abundance // Science. 2013., vip. 6127 T. 339. S. 1608-1611.
Zattara E. Worldwide occurrence records suggest a global decline in bee species richness // One Earth. 2021., vip. 1 T. 4. S. 114-123.
Wang J. The identification of butterfly families using content-based image re-trieval // Biosystems Engineering. 2012., vip. 1 T. 111. S. 24-32.
Weeks P.J.D., O’Neill M.A., Gaston K.J, Gauld I.D Species identification of wasps using principle component associative memories // Image and Vision Computing. 1999., vip. 12 T. 17. S. 861-866.
Ticay-rivas J., Marcos del Pozo-Banos, Eberhard W, Alonso J Spider specie identi-fication and verification based on pattern recognition of it cobweb // Expert Systems with Applications. 2013., vip. 10 T. 40. S. 4213-4225.
Automatic identification of fruit flies (Diptera: Tephritidae) / Faria F. ta in. // Journal of Visual Communication and Image Representation. 2014., vip. 7 T. 25. S. 1516-1527.
Wen C. , Guyer D. Image-based orchard insect automated identification and clas-sification method // Computers and Electronics in Agriculture. 2012.# 89. S. 110-115.
Wen C. , Guyer D. , Li W. Local feature-based identification and classification for orchard insects // Biosystems Engineering. 2009., vip. 3 T. 104. S. 299-307.
Patel D. , Bhatt N. Insect Identification Among Deep Learning’s Meta-architectures Using TensorFlow // International Journal of Engineering and Ad-vanced Technology. 2019., vip. 1 T. 9. S. 1910-1914.
Convolutional Neural Network for Honeybee Density Estimation / Luneckas T. ta in. // 2020 IEEE Symposium Series on Computational Intelligence (SSCI). 2020. S. 2558-2566.
Automatic behaviour analysis system for honeybees using computer vision / Jun tu G. ta in. // Computers and Electronics in Agriculture. 2016.# 112. S. 10-18.
Aziah A. , Nizam A. , Mohd-isa W. Image Segmentation of Meliponine Bee using Faster R-CNN // 2019 Third World Conference on Smart Trends in Systems Security and Sustainablity (WorldS4). 2019., S. 235-238.
Deep Residual Learning for Image Recognition / He K. ta in. // 2016 IEEE Con-ference on Computer Vision and Pattern Recognition (CVPR). 2016., S. 770-778.
Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning / Szegedy C. ta in. // Proceedings of the AAAI Conference on Artificial In-telligence. 2016., vip. 1 T. 31. S. 1-12.
SSD: Single Shot MultiBox Detector / Liu W. ta in. // Proceedings of the Europe-an Conference on Computer Vision (ECCV) (2016). 2016., S. 1-17.
MobileNetV2: Inverted Residuals and Linear Bottlenecks / Sandler M. ta in. // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2018., S. 4510-4520.
Zhou X., Wang D., Krähenbühl P. Objects as points //arXiv preprint arXiv:1904.07850. 2019. S. 1-12
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
