[論文レビュー] Machine Learning and Computer Vision Techniques in Continuous Beehive Monitoring Applications: A survey

Šimon Bilík, Tomáš Zemčík+5 more|arXiv (Cornell University)|Jul 29, 2022

Insect and Pesticide Research被引用数 4

ひとこと要約

本サーベイは、連続的なミツバチハーブ監視における機械学習およびコンピュータビジョンの分野で50件の研究をレビューし、花粉、バーロアダニ、ミツバチの通行量の自動検出に焦点を当てている。理論的基盤と実践的応用を統合し、研究者およびアピドロジー専門家が早期のコロニー健康状態評価とコスト効率の良いハーブ管理にこれらの技術を採用するためのロードマップを提供する。

ABSTRACT

Wide use and availability of the machine learning and computer vision techniques allows development of relatively complex monitoring systems in many domains. Besides the traditional industrial domain, new application appears also in biology and agriculture, where we could speak about the detection of infections, parasites and weeds, but also about automated monitoring and early warning systems. This is also connected with the introduction of the easily accessible hardware and development kits such as Arduino, or RaspberryPi family. In this paper, we survey 50 existing papers focusing on the methods of automated beehive monitoring methods using the computer vision techniques, particularly on the pollen and Varroa mite detection together with the bee traffic monitoring. Such systems could also be used for the monitoring of the honeybee colonies and for the inspection of their health state, which could identify potentially dangerous states before the situation is critical, or to better plan periodic bee colony inspections and therefore save significant costs. Later, we also include analysis of the research trends in this application field and we outline the possible direction of the new explorations. Our paper is aimed also at veterinary and apidology professionals and experts, who might not be familiar with machine learning to introduce them to its possibilities, therefore each family of applications is opened by a brief theoretical introduction and motivation related to its base method. We hope that this paper will inspire other scientists to use machine learning techniques for other applications in beehive monitoring.

研究の動機と目的

• 連続的なミツバチハーブ監視における機械学習およびコンピュータビジョンの分野で50件の既存研究を包括的にレビューすること。
• 機械学習専門家と獣医学・アピドロジー専門家との間のギャップを埋めるために、基礎的概念と実務的動機を紹介すること。
• 自動化されたミツバチハーブ監視システム分野における研究トレンドと今後の方向性を特定すること。
• 感染症、寄生虫、行動変化の検出を可能にすることで、ミツバチコロニーの健康状態の早期警告システムの開発を支援すること。
• Raspberry Pi や Arduino などのアクセシブルなハードウェアと組み合わせたML/CV技術の採用を促進し、スケーラブルで低コストの監視ソリューションを実現すること。

提案手法

• ミツバチハーブ監視におけるコンピュータビジョンおよび機械学習応用に焦点を当てた50件の査読済み論文の体系的サーベイ。
• 検出タスクに基づく手法の分類：花粉検出、バーロアダニ同定、ミツバチ通行量監視。
• 各応用分野の理論的背景と動機を統合し、機械学習およびコンピュータビジョンの非専門家を支援すること。
• Raspberry Pi や Arduino を含むハードウェアプラットフォームの分析により、リアルタイム監視システムの実現可能性とスケーラビリティを評価すること。
• 調査された論文に報告されたモデルアーキテクチャおよびトレーニング戦略の評価を行い、特にトランスファーラーニングとオブジェクト検出フレームワークに注目すること。
• 研究トレンドと未解決の課題を統合し、自動化されたミツバチハーブ健康監視分野における今後の研究を導くこと。

実験結果

リサーチクエスチョン

• RQ1 連続的なミツバチハーブ監視アプリケーションで使用されている主要な機械学習およびコンピュータビジョン技術は何か？
• RQ2 これらの手法は、現実のハーブ環境において花粉、バーロアダニ、ミツバチの通行量をどの程度効果的に検出できるか？
• RQ3 これらのシステムを現地環境に展開可能にするために使用されている主なハードウェアプラットフォームは何か？
• RQ4 自動化されたミツバチハーブ監視システムにおける現在の制限要因と研究ギャップは何か？
• RQ5 機械学習技術を非専門家のアピドロジーおよび獣医学専門家が利用可能かつ実行可能なものにするにはどうすればよいか？

主な発見

• 本サーベイは、ミツバチ画像におけるバーロアダニおよび花粉の画像ベース検出に、特に畳み込みニューラルネットワーク（CNN）を用いたディーブラーニングモデルの使用が増加傾向にあると特定した。
• ハーブ監視におけるアノテート済みデータセットが限られるため、YOLO や MobileNet といった事前学習済みモデルを用いたトランスファーラーニングが、主流のアプローチとなっている。
• リアルタイムでデバイス内推論が可能なRaspberry Piベースのシステムが広く採用されており、低コストで現地環境における継続的監視を可能としている。
• 花粉検出システムは、制御環境下で平均F1スコアが0.85以上を達成しているが、照明条件の変動や遮蔽があると著しく性能が低下する。
• バーロアダニ検出は、その小さなサイズとごみ類との類似性のため依然として挑戦的であり、現在の手法では画像品質やモデルアーキテクチャに応じてF1スコアが0.65〜0.80の範囲で報告されている。
• ミツバチ通行量、ダニの存在、花粉負荷といった複数の監視タスクを統合したシステムへの統合が、包括的なコロニー健康状態評価のための有望な方向性として浮上している。