[논문 리뷰] Efficient Brood Cell Detection in Layer Trap Nests for Bees and Wasps: Balancing Labeling Effort and Species Coverage

Chenchang Liu, Felix Fornoff외 4명|OpenAgrar|2026. 03. 17.

Insect and Arachnid Ecology and Behavior인용 수 0

한 줄 요약

이 논문은 계층 트랩 네스트(LTN)에서 brood cells를 탐지하고 분류하기 위한 딥러닝 방법(YOLOv8)을 제시하고, 라벨링 데이터의 비라벨링 문제를 다루기 위해 Constrained False Positive Loss(CFPL)를 도입하여 라벨링 노력을 줄이면서 일반 종과 희귀 종 모두에 대해 탐지 성능을 향상시킨다.

ABSTRACT

Monitoring cavity-nesting wild bees and wasps is vital for biodiversity research and conservation. Layer trap nests (LTNs) are emerging as a valuable tool to study the abundance and species richness of these insects, offering insights into their nesting activities and ecological needs. However, manually evaluating LTNs to detect and classify brood cells is labor-intensive and time-consuming. To address this, we propose a deep learning based approach for efficient brood cell detection and classification in LTNs. LTNs present additional challenges due to densely packed brood cells, leading to a high labeling effort per image. Moreover, we observe a significant imbalance in class distribution, with common species having notably more occurrences than rare species. Comprehensive labeling of common species is time-consuming and exacerbates data imbalance, while partial labeling introduces data incompleteness which degrades model performance. To reduce labeling effort and mitigate the impact of unlabeled data, we introduce a novel Constrained False Positive Loss (CFPL) strategy. CFPL dynamically masks predictions from unlabeled data, preventing them from interfering with the classification loss during training. We evaluate our approach on a dataset of 712 LTN images collected over one season, covering 28 fine-grained classes describing the taxonomy and status of brood cells. To minimize labeling effort, we limit the training set to a maximum of 300 labels per class. Experimental results demonstrate that deep learning can be effectively used to detect brood cells in LTNs. Our CFPL method further improves performance and balances model accuracy and labeling effort while also mitigating class imbalance.

연구 동기 및 목표

• LTN을 사용하여 구멍-둥지 벌과 말벌의 자동 모니터링을 통해 개체 수와 종 다양성을 평가하려는 자동화 동기를 제시한다.
• 일반 종이 과대표되며 모든 사례를 라벨링하는 것이 비실용적인 불균형 생태 데이터에서 라벨링의 어려움을 다룬다.
• 훈련 중 비라벨링 데이터의 영향을 완화하기 위한 학습 전략(CFPL)을 개발하고 평가한다.
• 제한된 라벨이 있는 실제 LTN 이미지 데이터셋에서 실현 가능성과 성능 향상을 시연하고 정량화한다.

제안 방법

• LTN에서 brood cells 탐지를 위한 백본으로 YOLOv8을 활용한다.
• 분류 손실 계산 중 비라벨 영역의 예측을 마스킹하기 위해 Constrained False Positive Loss(CFPL)을 도입한다.
• 라벨링 노력을 균형 있게 하고 데이터의 완전성을 확보하기 위해 클래스당 최대 300개의 샘플에 라벨링한다.
• 부분 라벨링이 있는 학습 세트, 테스트 세트, 검증 세트로 데이터를 분할한다; 28개 클래스로 712개의 LTN 이미지 사용.
• 다수 클래스와 소수 클래스를 포괄하는 CFPL-향상 YOLOv8과 베이스라인 YOLOv8를 비교한다.

실험 결과

연구 질문

• RQ1 제한된 라벨링 데이터로도 딥러닝이 LTNs에서 brood cells를 탐지할 수 있는가?
• RQ2 다수 클래스의 비라벨 샘플이 존재하는 상황에서 CFPL이 탐지 성능을 향상시키는가?
• RQ3 CFPL 접근법이 다수 클래스와 소수 클래스에 대해 정밀도(AP)와 재현율에 어떤 영향을 미치는가?
• RQ4 생태 모니터링에서 부분 라벨링 전략을 사용할 때의 실용적인 라벨링 노력 절감은 어느 정도인가?

주요 결과

• YOLOv8 baseline은 다수 클래스에서 AP 63.11% 및 재현율 7.05%를 달성; CFPL은 다수 클래스에서 AP를 66.11%, 재현율을 46.54%로 향상시킨다.
• 소수 클래스의 경우 CFPL로 AP가 44.29%에서 45.83%로, 재현율이 31.46%에서 35.57%로 증가한다.
• CFPL은 비라벨 다수 클래스 샘플을 배경으로 오분류하는 것을 줄여 평균 배경 오분류를 0.56에서 0.33으로 낮춘다.
• 전반적으로 CFPL은 다수 클래스에 대해 상당한 재현율 향상(약 39.49p)을, 두 그룹 모두에 대해 소폭 AP 향상을 가져와 라벨링 노력 대비 성능의 균형을 더 좋게 보여준다.
• 이 데이터셋과 CFPL은 클래스당 300개 미만의 라벨 샘플로도 효과적인 탐지가 가능함을 보여주며, 생태 모니터링의 실용적 적용 가능성을 강조한다.