توسعه سامانه بینایی ماشین برای ارزیابی دوره ای بازده تولید عسل با روش یادگیری عمیق

این تحقیق، به منظور سنجش هوشمند و سریع وضعیت کلنی ‌ها از نظر بازده تولید عسل در طی دوره‌ چرا، و ارایه یک روش مبتنی بر سامانه‌ بینایی ماشین انجام شد. با بهره‌گیری از روش یادگیری عمیق، در ابتدا محدوده‌ شان و سپس الگوی هندسی، بافتی و رنگی عسل تشخیص داده شد. پس از آن، مقدار درصد مساحت عسل محاسبه شد. برای این کار، آزمون عکسبرداری توسط دوربین دیجیتال از کلنی‌های زنبور عسل به نحوی طراحی و اجرا شد که طی آن وضعیت‌های مختلف عسل روی شان قرار داشت. در مرحله‌ تحلیل تصاویر، از شبکه‌ عصبی کانولوشنی با الگوریتم yolov5 و روش بخش‌بندی معنایی استفاده شد. نتایج نشان داد که سامانه‌ هوشمند ارایه شده توانایی شناسایی قاب از محیط پیرامونی تصویر را با دقت بیش از 88 درصد دارد. همچنین نواحی مربوط به عسل در هر شان با دقت حدود 83 درصد و با سرعت حدود 240 برابر زنبوردار خبره شناسایی شد. این نتایج به طور همزمان با شمارش دستی توسط یک زنبوردار ماهر مورد تایید قرار گرفت. با توجه به افزایش سرعت تخمین، کاهش خطای انسانی و در نتیجه کاهش زمان اختلال در فعالیت کلنی، روش ارائه شده می‌تواند جایگزین مناسبی برای روش سنتی استفاده از کادرگذاری به منظور بازدیدهای دوره‌ای و برآورد بازدهی تولید عسل باشد.

development of a machine vision system for periodic evaluation of honey production efficiency by deep learning method

this study was performed to intelligent and rapid assessment of the status of colonies in terms of honey production efficiency during foraging period, and presenting a method based on machine vision system. using deep learning method, at first the comb frame and then the geometric, textural and color pattern of honey were identified. after that, the percentage of honey area was calculated. to do this, the imaging test of bee colonies using digital camera was designed and performed in such a way that different states of cells were present on the combs. in image analysis stage, the convolutional neural network with yolov5 algorithm and semantic segmentation method were used. the results showed that the present intelligent system has the ability to detect the comb frame from the surrounding environment of the image with an accuracy of more than 88%. also, honey-related areas in each comb were identified with almost 83% accuracy and about 240 times quicker that of an expert beekeeper. these results were simultaneously confirmed with manual counting by a skilled beekeeper. due to increase in the estimation speed, reduction of human error and consequently reduction of disruption time in colony activity, the proposed method can be a proper alternative to the traditional method of using framing technique for regular visits and evaluation of honey production efficiency.