[论文解读] 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 4

一句话总结

本综述回顾了50项关于机器学习与计算机视觉在连续蜂箱监测中应用的研究，聚焦于花粉、瓦螨和蜜蜂活动的自动化检测。该综述将理论基础与实际应用相结合，为研究人员和养蜂学专业人士提供了一条采用这些技术实现早期蜂群健康评估与低成本蜂箱管理的路线图。

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.

研究动机与目标

• 对50项现有研究进行全面综述，涵盖机器学习与计算机视觉在连续蜂箱监测中的应用。
• 通过引入基础概念与实际应用动机，弥合机器学习专家与兽医/养蜂学专业人士之间的差距。
• 识别自动化蜂箱监测系统中的研究趋势与未来方向。
• 通过检测感染、寄生虫及行为变化，支持早期预警系统的发展，以实现蜂群健康监测。
• 推动采用可访问的硬件（如树莓派、Arduino）与机器学习/计算机视觉技术相结合，实现可扩展、低成本的监测解决方案。

提出的方法

• 对50篇聚焦于计算机视觉与机器学习在蜂箱监测中应用的同行评审论文进行系统性综述。
• 根据检测任务对方法进行分类：花粉检测、瓦螨识别与蜜蜂活动监测。
• 为每类应用整合理论背景与动机，以支持非机器学习与计算机视觉领域的专业人士。
• 分析所使用的硬件平台，包括树莓派与Arduino，以评估实时监测系统在实际部署中的可行性与可扩展性。
• 评估所调研文献中报告的模型架构与训练策略，重点强调迁移学习与目标检测框架。
• 综合研究趋势与开放性挑战，为自动化蜂箱健康监测的未来发展提供指导。

实验结果

研究问题

• RQ1 在连续蜂箱监测应用中，主流的机器学习与计算机视觉技术有哪些？
• RQ2 这些方法在真实蜂箱环境中检测花粉、瓦螨和蜜蜂活动的效率如何？
• RQ3 哪些关键硬件平台支持这些系统在野外条件下的部署？
• RQ4 当前自动化蜂箱监测系统存在哪些局限性与研究空白？
• RQ5 如何使机器学习技术对非专业的养蜂学与兽医专业人士更具可访问性与可操作性？

主要发现

• 综述发现，卷积神经网络（CNN）等深度学习模型在蜂箱图像中检测瓦螨与花粉方面呈增长趋势。
• 由于蜂箱监测中标注数据集有限，使用预训练模型（如YOLO与MobileNet）的迁移学习已成为主流方法。
• 基于树莓派的系统被广泛用于实时本地推理，支持在野外条件下实现低成本、连续的监测。
• 在受控环境中，花粉检测系统的平均F1分数超过0.85，但在光照变化与遮挡条件下性能显著下降。
• 由于瓦螨体型小且与碎屑高度相似，其检测仍具挑战性；当前方法的F1分数在0.65至0.80之间，具体取决于图像质量与模型架构。
• 将蜜蜂活动、瓦螨存在与花粉负载等多种监测任务整合到统一系统中，正成为实现蜂群健康整体评估的有前景方向。