Strona głównaArtykuły

Obserwacja komputerowa dla liczenia pszczół i monitorowania aktywności gniazda

Jak systemy oparte na kamerach wykrywają, śledzą i liczą pszczół przy wejściu do gniazda, aby budować indeksy aktywności, oraz praktyczne wybory modeli i sprzętu za ich tą techniką.

mysimulator teamZaktualizowano — czerwiec 2026≈ 5 min czytania▶ Otwórz symulację

Dlaczego aktywność wejścia jest użytecznym sygnałem-proxy

Kamera skierowana na wejście gniazda zapisuje ciągłą strumieniem czynności wydobywczą, która, gdy przekształcana jest w proste liczby wejść i wyjść, działa jako użyteczny sygnał-proxy dla stanu zdrowia kolonii i warunków forage, bez konieczności otwierania gniazda. Aktywność zazwyczaj wzrasta po południu wraz z wzrostem temperatury, osiąga maksimum podczas dobrej pogody w głównym sezonie forage, a następnie spada drastycznie w trakcie złej pogody, mrózów, lub gdy kolonia jest bez królowej lub chorej i ma mniej aktywnych czynników wydobywczych. Nie zastępuje to bezpośrednich sprawdzień, ale nagle, nie wyjaśniony spadek aktywności wejściowej w porównaniu do własnego niedawnego podstawowego poziomu kolonii lub w porównaniu do sąsiadujących gniazd doświadczających tych samych warunków pogodowych jest użytecznym wcześniejszym sygnałem, który warto zbadac.

Wyzwanie inżynieryjne polega na tym, że w czasach szczytowych aktywności wejściowej, gniazdo może widzieć setki pszczół przechodzących na obu kierunkach na minuta, które się nadkładały i zasłaniały jeden drugi, co jest znacznie trudniejsze dla systemu wizualnego do obsługi w sposób wiarygodny niż liczenie rzadkich, dobrze odseparowanych obiektów.

Pipeline do wykrywania, śledzenia i liczenia pszczół

Większość systemów pracujących folguje trójkrotnemu etapowemu pipeline. Na pierwszym etapie model wykrywania obiektów, zazwyczaj lekkiej wersji YOLO lub podobnych detektorów jednokrotnego odczytu zaprojektowanych do działania na małych urządzeniach brzegowych, lokalizuje pojedyncze pszczółki w każdym ramek filmowej jako ramki ograniczające. Na drugim etapie algorytm śledzący, taki jak BYTE lub OC-SORT łączy wykrycia z kolejnych ramek w jedne ciągłe ścieżki dla każdej pszczółki, co jest ważne, ponieważ pojedyncze ramka wykrywania sama w sobie nie może powiedzieć o kierunku poruszania się; ścieżka przechodząca przez wirtuałną linię przy wejściu i poruszająca się na zewnątrz liczy się jako wyjście, a ta przechodząc wstecz liczy się jako wejście. Na trzecim etapie liczone przekroczenia są zgromadzane do boksem minutowymi i typowo uśmiercalone za pomocą średniej ważonej wykładniczej lub filtru medianowego, aby zmniejszyć szum spowodowany chwilowymi błędami w wykrywaniu, ponieważ proste liczby liczb na ramek nie są stabilne i nie odzwierciedlają rzeczywistych zmian w zachowaniu kolonii.

Zbudowanie tego pipeline do używalnego indeksu aktywności wymaga normalizacji względem własnej podstawy każdej gniazdy, a nie użycia jednolitej liczby bezwzględnej dla wszystkich gniazd, ponieważ rozmiar wejścia, kąt kamery i typowa siła kolonii się różni między gniazdami, co często sprawia, że porównanie prostej liczby liczb między koloniami jest mylne.

Przemyślenia dotyczące sprzętu: gdzie miejsce obliczeń

Uruchamianie pełnej pipeline detekcji i śledzenia wymaga istotnych obliczeniowych zasobów, a systemy kamery dla hodowli pszczół w większości podzieliły się na projektantów procesujących na krawędzi, gdzie mała komórka na bordingu, takie jak Raspberry Pi lub płytka Jetson, uruchamia model lokalnie i wysyła tylko zsumowane liczby do chmury, a także na projektantów przetwarzających w chmurze, które streamują oryginalne lub lekko kompresowane wideo do odległego serwera dla analizy. Procesowanie na krawędzi pasuje do odległych apiariów z słabej połączeniu, ponieważ wymaga ono wysyłania tylko niewielkiego strumienia danych zsumowanych, ale ogranicza to model do tego, co mała płytka może uruchomić w czasie rzeczywistym, co zwykle oznacza proste i szybkie modele zamiast najbardziej skomplikowanych i dokładnych.

Procesowanie w chmurze może uruchamiać większe, bardziej dokładne modele, ale wymaga wystarczającej przepustowości do przenoszenia danych wideo, co często jest większym problemem na odległym apiarzu niż same obliczenia. Wiele praktycznych systemów używa hybridowego podejścia: kontynuowane capturowanie na krawędzi, ale tylko przesyłanie krótkich sekcji wyzwalanych przez anomalię, balansując przepustowość z odpowiedzialnością.

Często zadawane pytania

Czy system liczący oparty na kameralnym obserwowaniu może wykrywać kierunek, a nie tylko całkowitą aktywność?

Tak, to standardowe w współczesnych systemach. Dzieje się tak poprzez śledzenie pojedynczych pszczół między ramkami i sprawdzanie, w którą stronę przekraczają wyobraźniany próg na wejściu. System rozróżnia pszczół opuszczających beztropnik do zbierania pąku od tych powrót, co jest znacznie bardziej informacyjne niż prosta liczba ruchu.

Czy potrzebuję drogiego komputera, aby uruchomić wizję komputerową liczącą pszczół na domu?

Niekoniecznie. Ciężkie modele detekcyjne mogą działać na tanich komputerach dołączowych, takich jak Raspberry Pi, zwłaszcza jeśli akceptujesz niższą frekwencję klatek lub rozdzielczość. Schematy bardziej wymagające i o wyższej dokładności zazwyczaj przekładają obliczenia na chmurę.

Jak dokładne są te systemy podczas bardzo aktywnych wejść w okresie szczytu?

Dokładność spadnie podczas bardzo wysokiej intensywności ruchu, ponieważ przegłębienie i zasłaniające się pszczóły są naprawdę trudniejsze do wykrycia i śledzenia. W większości systemów skupiono się na detekcji trendów względnego charakteru niż na dokładnych liczbach bezwzględnych podczas szczytu koncentracji.

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Computer Vision for Bee Counting and Hive Activity Monitoring i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.

▶ Otwórz symulację Computer Vision for Bee Counting and Hive Activity Monitoring

Co znalazłeś?

Dodaj kroki odtworzenia (opcjonalnie)