Developing an AI-based Integrated System for Bee Health Evaluation

要約

ミツバチは世界の食料供給量の約3分の1を受粉しているが、農薬や害虫などのいくつかの要因により、ミツバチのコロニーは過去10年間で驚くべきことに40％近く減少している。
人間による検査など、ミツバチの巣を監視する従来の方法は主観的で、混乱が生じ、時間がかかります。
これらの制限を克服するために、人工知能を使用してミツバチの巣の健康状態を評価しています。
しかし、これまでの研究にはエンドツーエンドのソリューションが不足しており、主にミツバチの画像や音声といった単一のソースからのデータに依存していました。
この研究では、ミツバチの物体の検出と健康状態の評価からなる包括的なシステムを紹介します。
さらに、視覚信号と音声信号を組み合わせてミツバチの行動を分析しました。
注意ベースのマルチモーダル ニューラル ネットワーク (AMNN) は、ミツバチの健康状態を正確に評価するために、各タイプの信号の主要な特徴に適応的に焦点を当てるために開発されました。
AMNN は全体の精度 92.61% を達成し、既存の 8 つの単一信号畳み込みニューラル ネットワークおよびリカレント ニューラル ネットワークを上回りました。
効率的な処理時間を維持しながら、最高の画像ベースのモデルを 32.51%、最高のサウンドベースのモデルを 13.98% 上回りました。
さらに、予測の堅牢性が向上し、評価された 4 つの健康状態すべてで 90% を超える F1 スコアを達成しました。
この研究では、ミツバチの健康状態を評価する場合、画像よりも音声信号の方が信頼性が高いことも示しています。
このアプローチは、包括的なミツバチの健康状態モニタリング システムに AMNN を画像および音声データとシームレスに統合することにより、ミツバチの病気の早期検出とミツバチのコロニーの保存のための、より効率的で非侵襲的なソリューションを提供します。

要約(オリジナル)

Honey bees pollinate about one-third of the world’s food supply, but bee colonies have alarmingly declined by nearly 40% over the past decade due to several factors, including pesticides and pests. Traditional methods for monitoring beehives, such as human inspection, are subjective, disruptive, and time-consuming. To overcome these limitations, artificial intelligence has been used to assess beehive health. However, previous studies have lacked an end-to-end solution and primarily relied on data from a single source, either bee images or sounds. This study introduces a comprehensive system consisting of bee object detection and health evaluation. Additionally, it utilized a combination of visual and audio signals to analyze bee behaviors. An Attention-based Multimodal Neural Network (AMNN) was developed to adaptively focus on key features from each type of signal for accurate bee health assessment. The AMNN achieved an overall accuracy of 92.61%, surpassing eight existing single-signal Convolutional Neural Networks and Recurrent Neural Networks. It outperformed the best image-based model by 32.51% and the top sound-based model by 13.98% while maintaining efficient processing times. Furthermore, it improved prediction robustness, attaining an F1-score higher than 90% across all four evaluated health conditions. The study also shows that audio signals are more reliable than images for assessing bee health. By seamlessly integrating AMNN with image and sound data in a comprehensive bee health monitoring system, this approach provides a more efficient and non-invasive solution for the early detection of bee diseases and the preservation of bee colonies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google