Monitoring of Varroa Infestation rate in Beehives: A Simple AI Approach

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F60077344%3A_____%2F22%3A00563135" target="_blank" >RIV/60077344:_____/22:00563135 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/67985556:_____/22:00563135 RIV/49777513:23520/22:43966117

Výsledek na webu

<a href="http://dx.doi.org/10.1109/ICIP46576.2022.9897809" target="_blank" >http://dx.doi.org/10.1109/ICIP46576.2022.9897809</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICIP46576.2022.9897809" target="_blank" >10.1109/ICIP46576.2022.9897809</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Monitoring of Varroa Infestation rate in Beehives: A Simple AI Approach

Popis výsledku v původním jazyce

This paper addresses the monitoring of Varroa destructor infestation in Western honey bee colonies. We propose a simple approach using automatic image-based analysis of the fallout on beehive bottom boards. In contrast to the existing high-tech methods, our solution does not require extensive and expensive hardware components, just a standard smart-phone. The described method has the potential to replace the time-consuming, inaccurate, and most common practice where the infestation level is evaluated manually. The underlining machine learning method combines a thresholding algorithm with a shallow CNN—VarroaNet. It provides a reliable estimate of the infestation level with a mean infestation level accuracy of 96.0% and 93.8% in the autumn and winter, respectively. Furthermore, we introduce the developed end-to-end system and its deployment into the online beekeeper’s diary—ProBee—that allows users to identify and track infestation levels on bee colonies.

Název v anglickém jazyce

Monitoring of Varroa Infestation rate in Beehives: A Simple AI Approach

Popis výsledku anglicky

This paper addresses the monitoring of Varroa destructor infestation in Western honey bee colonies. We propose a simple approach using automatic image-based analysis of the fallout on beehive bottom boards. In contrast to the existing high-tech methods, our solution does not require extensive and expensive hardware components, just a standard smart-phone. The described method has the potential to replace the time-consuming, inaccurate, and most common practice where the infestation level is evaluated manually. The underlining machine learning method combines a thresholding algorithm with a shallow CNN—VarroaNet. It provides a reliable estimate of the infestation level with a mean infestation level accuracy of 96.0% and 93.8% in the autumn and winter, respectively. Furthermore, we introduce the developed end-to-end system and its deployment into the online beekeeper’s diary—ProBee—that allows users to identify and track infestation levels on bee colonies.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10613 - Zoology

Projekt

<a href="/cs/project/SS05010008" target="_blank" >SS05010008: Detekce, identifikace a monitoring živočichů pokročilými metodami počítačového vidění</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

IEEE International Conference on Image Processing 2022 : Proceedings

ISBN

978-1-6654-9620-9

ISSN

2381-8549

e-ISSN

—

Počet stran výsledku

5

Strana od-do

3341-3345

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Bordeaux

Datum konání akce

16. 10. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—