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 بهره گیری 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 کلنی های زنبور عسل به نحوی طراحی و اجرا شد که طی آن وضعیت های مختلف عسل روی شان قرار داشت. در مرحله تحلیل تصاویر، از شبکه عصبی کانولوشنی با الگوریتم YOLOv۵ و روش بخش بندی معنایی استفاده شد. نتایج نشان داد که سامانه هوشمند ارایه شده توانایی شناسایی قاب از محیط پیرامونی تصویر را با دقت بیش از ۸۸ درصد دارد. همچنین نواحی مربوط به عسل در هر شان با دقت حدود ۸۳ درصد و با سرعت حدود ۲۴۰ 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 می تواند جایگزین مناسبی برای روش سنتی استفاده از کادرگذاری به منظور بازدیدهای دوره ای و برآورد بازدهی تولید عسل باشد.

کلیدواژه ها:

الگوریتم YOLOv۵ ، بازده تولید عسل ، بینایی ماشین ، روش بخش بندی معنایی ، یادگیری عمیق