[논문 리뷰] Machine Learning and Computer Vision Techniques in Continuous Beehive Monitoring Applications: A survey

Šimon Bilík, Tomáš Zemčík외 5명|arXiv (Cornell University)|2022. 07. 29.

Insect and Pesticide Research인용 수 4

한 줄 요약

이 종합 검토는 기계 학습 및 컴퓨터 비전 기술을 활용한 연속적인 꿀벌 둥지 모니터링 분야에서 50篇의 연구를 검토하며, 꿀가루, 바이러스성 병원체인 바로아 진균, 꿀벌의 이동 패턴을 자동으로 감지하는 데 중점을 둔다. 이 리뷰는 이론적 기초와 실용적 응용을 통합하여 연구자 및 꿀벌학 전문가들이 이러한 기술을 활용해 조기 둥지 건강 평가 및 비용 효율적인 둥지 관리 시스템을 도입할 수 있도록 안내한다.

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.

연구 동기 및 목표

• 지속적인 꿀벌 둥지 모니터링 분야에서 기계 학습 및 컴퓨터 비전 기술을 적용한 50篇의 기존 연구를 종합적으로 검토하는 것.
• 기계 학습 전문가와 수의학/꿀벌학 전문가 간 격차를 해소하기 위해 기본 개념과 실용적 동기를 소개함으로써 상호 이해를 도모하는 것.
• 자동화된 꿀벌 둥지 모니터링 시스템 분야의 연구 추세와 향후 방향성을 규명하는 것.
• 감염, 기생충, 행동 변화 등을 탐지함으로써 둥지 건강에 대한 조기 경고 시스템 개발을 지원하는 것.
• Raspberry Pi, Arduino 등 접근성 있는 하드웨어와 기계 학습/컴퓨터 비전 기술을 융합하여 확장 가능하고 저비용의 모니터링 솔루션을 도입할 수 있도록 지원하는 것.

제안 방법

• 꿀벌 둥지 모니터링에 응용된 컴퓨터 비전 및 기계 학습 기술에 중점을 둔 50篇의 동료 심사된 논문에 대한 체계적 종합 검토.
• 감지 작업 기반으로 방법을 분류: 꿀가루 감지, 바로아 진균 식별, 꿀벌 이동 패턴 모니터링.
• 기계 학습 및 컴퓨터 비전 분야의 비전문가가 이해할 수 있도록 각 응용 분야의 이론적 배경과 동기를 통합.
• Raspberry Pi 및 Arduino를 포함한 하드웨어 플랫폼 분석을 통해 실시간 모니터링 시스템의 구현 가능성과 확장성을 평가.
• 조사된 논문들에서 보고된 모델 아키텍처와 학습 전략을 평가하며, 특히 전이 학습 및 객체 탐지 프레임워크에 중점을 둔다.
• 연구 추세와 열린 과제를 종합하여 자동화된 꿀벌 둥지 건강 모니터링 분야의 향후 연구를 이끌어내는 데 기여.

실험 결과

연구 질문

• RQ1 연속적인 꿀벌 둥지 모니터링 응용 분야에서 널리 사용되는 주요 기계 학습 및 컴퓨터 비전 기법은 무엇인가요?
• RQ2 이러한 방법들은 실제 꿀벌 둥지 환경에서 꿀가루, 바로아 진균, 꿀벌 이동 패턴을 탐지하는 데 얼마나 효과적인가요?
• RQ3 이러한 시스템을 현장 조건에서 구현하는 데 핵심이 되는 주요 하드웨어 플랫폼는 무엇인가요?
• RQ4 자동화된 꿀벌 둥지 모니터링 시스템의 현재 한계와 연구 격차는 무엇인가요?
• RQ5 기계 학습 기법은 비전문가인 꿀벌학 및 수의학 전문가들이 어떻게 접근하고 활용할 수 있도록 만들 수 있나요?

주요 결과

• 이 리뷰는 꿀벌 둥지 이미지에서 바로아 진균과 꿀가루를 이미지 기반으로 감지하는 데에 심층 학습 모델, 특히 합성곱 신경망(CNN)의 사용 증가 추세를 규명한다.
• 꿀벌 둥지 모니터링에서 레이블가로 된 데이터셋이 제한되어 있음에도 불구하고, YOLO 및 MobileNet과 같은 사전 학습된 모델을 활용한 전이 학습 기법이 널리 보급되어 주요 접근법이 되었다.
• 실시간 현장에서의 추론을 가능하게 하여 저비용의 지속적 모니터링을 실현하는 데에 Raspberry Pi 기반 시스템이 광범위하게 도입되고 있다.
• -controlled 환경에서는 꿀가루 감지 시스템이 평균 F1-스코어 0.85 이상을 기록하지만, 조명 조건 변화나 가림 현상이 발생할 경우 성능이 크게 저하된다.
• 작은 크기와 부스러기와의 유사성으로 인해 바로아 진균 감지가 여전히 도전 과제로 남아 있으며, 현재 방법들은 이미지 품질과 모델 아키텍처에 따라 F1-스코어가 0.65에서 0.80 사이로 보고되고 있다.
• 꿀벌 이동 패턴, 기생충 존재 여부, 꿀가루 적재량과 같은 다중 모니터링 작업을 통합한 시스템 통합은 종합적인 둥지 건강 평가를 위한 유망한 방향으로 부상하고 있다.