توسعه سامانه بينايي ماشين براي ارزيابي دوره اي بازده توليد عسل با روش يادگيري عميق

اين تحقيق، به منظور سنجش هوشمند و سريع وضعيت كلني ‌ها از نظر بازده توليد عسل در طي دوره‌ چرا، و ارايه يك روش مبتني بر سامانه‌ بينايي ماشين انجام شد. با بهره‌گيري از روش يادگيري عميق، در ابتدا محدوده‌ شان و سپس الگوي هندسي، بافتي و رنگي عسل تشخيص داده شد. پس از آن، مقدار درصد مساحت عسل محاسبه شد. براي اين كار، آزمون عكسبرداري توسط دوربين ديجيتال از كلني‌هاي زنبور عسل به نحوي طراحي و اجرا شد كه طي آن وضعيت‌هاي مختلف عسل روي شان قرار داشت. در مرحله‌ تحليل تصاوير، از شبكه‌ عصبي كانولوشني با الگوريتم YOLOv5 و روش بخش‌بندي معنايي استفاده شد. نتايج نشان داد كه سامانه‌ هوشمند ارايه شده توانايي شناسايي قاب از محيط پيراموني تصوير را با دقت بيش از 88 درصد دارد. همچنين نواحي مربوط به عسل در هر شان با دقت حدود 83 درصد و با سرعت حدود 240 برابر زنبوردار خبره شناسايي شد. اين نتايج به طور همزمان با شمارش دستي توسط يك زنبوردار ماهر مورد تاييد قرار گرفت. با توجه به افزايش سرعت تخمين، كاهش خطاي انساني و در نتيجه كاهش زمان اختلال در فعاليت كلني، روش ارائه شده مي‌تواند جايگزين مناسبي براي روش سنتي استفاده از كادرگذاري به منظور بازديدهاي دوره‌اي و برآورد بازدهي توليد عسل باشد.