محمد شجاع الدینی؛ سید اشکان موسویان؛ سکینه بابایی
دوره 24، شماره 4 ، دی 1401، ، صفحه 511-521
چکیده
این تحقیق، به منظور سنجش هوشمند و سریع وضعیت کلنیها از نظر بازده تولید عسل در طی دورة چرا، و ارایه یک روش مبتنی بر سامانة بینایی ماشین انجام شد. با بهرهگیری از روش یادگیری عمیق، در ابتدا محدودة 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 ...
بیشتر
این تحقیق، به منظور سنجش هوشمند و سریع وضعیت کلنیها از نظر بازده تولید عسل در طی دورة چرا، و ارایه یک روش مبتنی بر سامانة بینایی ماشین انجام شد. با بهرهگیری از روش یادگیری عمیق، در ابتدا محدودة 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 کلنیهای زنبور عسل به نحوی طراحی و اجرا شد که طی آن وضعیتهای مختلف عسل روی شان قرار داشت. در مرحلة تحلیل تصاویر، از شبکة عصبی کانولوشنی با الگوریتم YOLOv5 و روش بخشبندی معنایی استفاده شد. نتایج نشان داد که سامانة هوشمند ارایه شده توانایی شناسایی قاب از محیط پیرامونی تصویر را با دقت بیش از 88 درصد دارد. همچنین نواحی مربوط به عسل در هر شان با دقت حدود 83 درصد و با سرعت حدود 240 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 میتواند جایگزین مناسبی برای روش سنتی استفاده از کادرگذاری به منظور بازدیدهای دورهای و برآورد بازدهی تولید عسل باشد.