| عنوان مقاله به انگلیسی | Developing an AI-based Integrated System for Bee Health Evaluation |
| عنوان مقاله به فارسی | توسعه یک سیستم یکپارچه مبتنی بر هوش مصنوعی برای ارزیابی سلامت زنبور عسل |
| نویسندگان | Andrew Liang |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | 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. |
| تعداد صفحات | 15 |
| چکیده به فارسی (ترجمه ماشینی) | زنبورهای عسل حدود یک سوم از مواد غذایی جهان را گرده افشانی می کنند ، اما مستعمرات زنبور عسل به دلیل چندین عامل از جمله سموم دفع آفات و آفات ، تقریباً 40 ٪ در طی یک دهه گذشته کاهش یافته اند.روشهای سنتی برای نظارت بر زنبورها ، مانند بازرسی انسان ، ذهنی ، مختل کننده و وقت گیر هستند.برای غلبه بر این محدودیت ها ، از هوش مصنوعی برای ارزیابی سلامت زنبور عسل استفاده شده است.با این حال ، مطالعات قبلی فاقد یک راه حل پایان به انتها بوده و در درجه اول به داده های یک منبع واحد ، چه تصاویر زنبور یا صداها متکی است.این مطالعه یک سیستم جامع متشکل از تشخیص شیء زنبور عسل و ارزیابی سلامت را معرفی می کند.علاوه بر این ، از ترکیبی از سیگنال های بصری و صوتی برای تجزیه و تحلیل رفتارهای زنبور عسل استفاده کرد.یک شبکه عصبی چندمودال مبتنی بر توجه (AMNN) برای تمرکز سازگار بر روی ویژگی های کلیدی از هر نوع سیگنال برای ارزیابی دقیق سلامت زنبور عسل ایجاد شد.AMNN به دقت کلی 92.61 ٪ دست یافت و از هشت شبکه عصبی یک سیگنال موجود و شبکه های عصبی مکرر پیشی گرفت.این بهترین مدل مبتنی بر تصویر 32.51 ٪ و مدل برتر مبتنی بر صدا را با 13.98 ٪ در حالی که زمان پردازش کارآمد را حفظ می کند ، بهتر عمل می کند.علاوه بر این ، این استحکام پیش بینی را بهبود بخشید و در هر چهار شرایط بهداشتی ارزیابی شده ، نمره F1 بالاتر از 90 ٪ را بدست آورد.این مطالعه همچنین نشان می دهد که سیگنال های صوتی برای ارزیابی سلامت زنبور عسل قابل اطمینان تر از تصاویر هستند.این رویکرد با ادغام یکپارچه AMNN با داده های تصویر و صدا در یک سیستم نظارت بر سلامت زنبور عسل ، یک راه حل کارآمدتر و غیر تهاجمی تر برای تشخیص زودرس بیماریهای زنبور و حفظ مستعمرات زنبور عسل فراهم می کند. |
| دسته بندی موضوعات | Machine Learning,Computer Vision and Pattern Recognition,Sound,Audio and Speech Processing,یادگیری ماشین ، دید رایانه و تشخیص الگوی ، صدا ، صدا و گفتار ، |
| توضیحات | Submitted 18 January, 2024; originally announced January 2024. |
| توضیحات به فارسی | ارائه شده در 18 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد. |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|