ОПТИМІЗАЦІЯ ПРОДУКТИВНОСТІ ВИЯВЛЕННЯ ОБʼЄКТІВ ЗА ДОПОМОГОЮ ПОКРАЩЕННЯ ЗОБРАЖЕННЯ ДЛЯ ФОТО БДЖІЛ
Анотація
Нейронні мережі та глибоке навчання як технології, інтерес до яких з кожним днем зростає, знайшли практичне застосування, зокрема, у моніторингу бджіл. Використання нейронних мереж для ідентифікації бджіл на зображенні можуть забезпечити неінвазивний моніторинг стану окремих бджіл і, як наслідок, зменшити стрес на колонію. Проте на точність алгоритмів виявлення об’єктів можуть значно вплинути варіації умов моніторингу, як-от погодні умови, освітлення або використання різних камер. Таким чином, покращення зображення може бути важливим етапом попередньої обробки для оптимізації алгоритмів виявлення об’єктів. У цьому дослідженні використовуються різноманітні методи покращення зображення та нормалізації кольору, щоб покращити продуктивність моделі SSD MobileNet у виявленні повних тіл бджіл на зображеннях. Як джерела даних виступають фотографії зроблені на смартфон, які далі були розділені на секції з метою вкладання в допустимі ліміти ідентифікації моделі. У дослідженні розглядається ефективність трьох методів покращення зображення: CLAHE, регулярного алгоритму вирівнювання гістограми та функцій конвеєра Protobuf. Кожен підхід оцінюється на різних наборах зображень, включно з фотографіями звичайних секцій бджолиного вулика, знятих на смартфон, фотографіями з довільно зміненою яскравістю та контрастністю та фотографіями з легким розмиттям. Висновки показують, що нормалізація зображення сама по собі не покращує продуктивність виявлення об’єктів на звичайних фотографіях бджіл, тоді як алгоритм CLAHE виявився найефективнішим в інших випадках, зберігаючи хороші результати у випадках, коли яскравість і контраст зображення не були оптимізовані.Також було виявлено, що застосування розмиття не дало загального приросту в ефективності ідентифікації бджіл на фото.
Посилання
2. Potts, S.G., Biesmeijer, J.C., Kremen, C., Neumann, P., Schweiger, O., & Kunin, W.E. (2010). Global pollinator declines: trends, impacts and drivers. Trends in Ecology & Evolution, 25 (6), 345–353. https:// doi.org/10.1016/j.tree.2010.01.007.
3. Neov, B., Shumkova, R., Palova, N., & Hristov, P. (2021). The health crisis in managed honey bees (Apis mellifera). Which factors are involved in this phenomenon? Biologia, 76 (8), 2173–2180. https://doi. org/10.1007/s11756-021-00684-2.
4. Rosenkranz, P., Aumeier, P., & Ziegelmann, B. (2010). Biology and control of Varroa destructor. Journal of Invertebrate Pathology, 103, S96–S119. https://doi.org/10.1016/j.jip.2009.07.016.
5. Ito, K., Higashi, H., Hietanen, A., Fält, P., Hine, K., Hauta-Kasari, M., & Nakauchi, S. (2022). The optimization of the light-source spectrum utilizing neural networks for detecting oral lesions. Journal of Imaging, 9 (1), 7. https://doi.org/10.3390/jimaging9010007.
6. Ryu, J.-S., Jung, J.-W., Jeong, C.-H., Choi, B.-J., Lee, M.-L., & Kwon, H.W. (2021). Honeybee in-out monitoring system by object recognition and tracking from real-time webcams. Han’gug Yangbong Haghoeji [Apicultural Society of Korea], 36 (4), 273–280. https://doi.org/10.17519/apiculture.2021.11.36.4.273.
7. Voudiotis, G., Moraiti, A., & Kontogiannis, S. (2022). Deep learning beehive monitoring system for early detection of the Varroa mite. Signals, 3 (3), 506–523. https://doi.org/10.3390/signals3030030.
8. Braga, D., Madureira, A., Scotti, F., Piuri, V., & Abraham, A. (2021). An intelligent monitoring system for assessing bee hive health. IEEE Access: Practical Innovations, Open Solutions, 9, 89009–89019. https:// doi.org/10.1109/access.2021.3089538.
9. Guo, H., Lu, T., & Wu, Y. (2021). Dynamic low-light image enhancement for object detection via end-to- end training. 2020 25th International Conference on Pattern Recognition (ICPR).
10. Wang, T.-S., Kim, G. T., Kim, M., & Jang, J. (2023). Contrast enhancement-based preprocessing process to improve deep learning object task performance and results. Applied Sciences (Basel, Switzerland), 13 (19), 10760. https://doi.org/10.3390/app131910760.
11. Kaur, M., Ardekani, I. T., Sharifzadeh, H., & Varastehpour, S. (2022). A CNN-Based Identification of Honeybees’ Infection using Augmentation. 2022 International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME). https://doi.org/10.1109/ iceccme55909.2022.9988275.
12. Alves, T.S., Pinto, M.A., Ventura, P., Neves, C.J., Biron, D.G., Cândido, A., De Paula Filho, P.L., & Rodrigues, P. (2020). Automatic detection and classification of honey bee comb cells using deep learning. Computers and Electronics in Agriculture, 170, 105244. https://doi.org/10.1016/j.compag.2020.105244.
13. Remo Remo.ai. Available at: https://github.com/rediscovery-io/remo-python (Accessed: January 20, 2024).
14. Hum, Y.C., Lai, K.W., & Mohamad Salim, M.I. (2014). Multiobjectives bihistogram equalization for image contrast enhancement. Complexity, 20 (2),22–36. https://doi.org/10.1002/cplx.21499.
15. Chen Soong Der and Sidhu, M.S. (2009). Re-evaluation of Automatic Global Histogram Equalization- based Contrast. eJCSIT – Electronic Journal of Computer Science & Information Technology, 1, 13–17.
16. Zuiderveld, K. (1994). Contrast limited adaptive histogram equalization. In P.S. Heckbert (Ed.), Graphics Gems (pp. 474–485). Elsevier.
17. Reza, A.M. (2004). Realization of the contrast limited adaptive histogram equalization (CLAHE) for real- time image enhancement. The Journal of VLSI Signal Processing Systems for Signal Image and Video Technology, 38 (1), 35–44. https://doi.org/10.1023/b:vlsi.0000028532.53893.82
18. Cai, J., Makita, Y., Zheng, Y., Takahashi, S., Hao, W., & Nakatoh, Y. (2022). Single shot multibox detector for honeybee detection. Computers & Electrical Engineering, 104, 108465. https://doi.org/10.1016/j. compeleceng.2022.108465.
19. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A.C. (2015). SSD: Single Shot MultiBox Detector. https://doi.org/10.48550/ARXIV.1512.02325.
20. Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. https://doi.org/10.48550/ARXIV.1801.0438.
ISSN 
