論文の概要: Developing an AI-based Integrated System for Bee Health Evaluation
- arxiv url: http://arxiv.org/abs/2401.09988v1
- Date: Thu, 18 Jan 2024 14:06:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 16:22:03.300077
- Title: Developing an AI-based Integrated System for Bee Health Evaluation
- Title（参考訳）: ミツバチ健康評価のためのaiベース統合システムの開発
- Authors: Andrew Liang
- Abstract要約: ハチは世界の食糧の約3分の1を受粉する。
キノコのコロニーは過去10年間で40%近く減少した。
本研究では,ミツバチの物体検出と健康評価を総合的に行うシステムを提案する。
- 参考スコア（独自算出の注目度）: 2.000782513783418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Honey bees pollinate about one-third of the world's food supply, but bee
colonies have alarmingly declined by nearly 40% over the past decade due to
several factors, including pesticides and pests. Traditional methods for
monitoring beehives, such as human inspection, are subjective, disruptive, and
time-consuming. To overcome these limitations, artificial intelligence has been
used to assess beehive health. However, previous studies have lacked an
end-to-end solution and primarily relied on data from a single source, either
bee images or sounds. This study introduces a comprehensive system consisting
of bee object detection and health evaluation. Additionally, it utilized a
combination of visual and audio signals to analyze bee behaviors. An
Attention-based Multimodal Neural Network (AMNN) was developed to adaptively
focus on key features from each type of signal for accurate bee health
assessment. The AMNN achieved an overall accuracy of 92.61%, surpassing eight
existing single-signal Convolutional Neural Networks and Recurrent Neural
Networks. It outperformed the best image-based model by 32.51% and the top
sound-based model by 13.98% while maintaining efficient processing times.
Furthermore, it improved prediction robustness, attaining an F1-score higher
than 90% across all four evaluated health conditions. The study also shows that
audio signals are more reliable than images for assessing bee health. By
seamlessly integrating AMNN with image and sound data in a comprehensive bee
health monitoring system, this approach provides a more efficient and
non-invasive solution for the early detection of bee diseases and the
preservation of bee colonies.
- Abstract（参考訳）: ハチは世界の食料供給の約3分の1を受粉するが、農薬や害虫などいくつかの要因により、過去10年間でハチのコロニーは40%近く減少した。
人間の検査など、伝統的なミツバチの観察方法は主観的、破壊的、時間的消費である。
これらの制限を克服するために、人工知能は蜂の健康を評価するために使われてきた。
しかし、これまでの研究ではエンドツーエンドのソリューションが欠けており、主に蜂の画像や音といった単一のソースのデータに依存している。
本研究は, ミツバチの物体検出と健康評価からなる総合的なシステムを提案する。
さらに、視覚信号と音声信号を組み合わせて蜂の行動を分析した。
A Attention-based Multimodal Neural Network (AMNN) を開発した。
AMNNは92.61%の精度を達成し、既存の8つのシングルシグナル畳み込みニューラルネットワークとリカレントニューラルネットワークを上回った。
最高のイメージベースモデルでは32.51%、トップサウンドベースモデルでは13.98%、効率的な処理時間を維持した。
さらに、予測の堅牢性を改善し、F1スコアが4つの評価された健康状態すべてで90%以上に達した。
研究によると、音声信号は蜂の健康を評価する画像よりも信頼性が高いという。
包括的な蜂の健康モニタリングシステムにおいて、AMNNと画像および音声データをシームレスに統合することにより、蜂病の早期発見と蜂コロニーの保存のための、より効率的で非侵襲的なソリューションを提供する。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Computer Vision Approaches for Automated Bee Counting Application [0.62914438169038]
本稿では,2つのデータセットを数える自動蜂の3つの方法を比較する。
最も優れたパフォーマンスの方法は、BUT1データセットで87%、BUT2データセットで93%の精度を達成したResNet-50畳み込みニューラルネットワーク分類器に基づいている。
論文 参考訳（メタデータ） (2024-06-13T07:51:08Z) - Unmasking honey adulteration : a breakthrough in quality assurance
through cutting-edge convolutional neural network analysis of thermal images [0.0]
ハニーは、人口の豊かさと国の財政豊かさに重大な影響をもたらす、密通に敏感である。
本稿では、熱画像に基づく蜂蜜の分類に畳み込みニューラルネットワーク(CNN)を用いた新しいアプローチを提案する。
我々は、より合理化され、より複雑でない畳み込みニューラルネットワーク(CNN)モデルを実装した。
論文 参考訳（メタデータ） (2024-02-12T23:33:22Z) - IntelliBeeHive: An Automated Honey Bee, Pollen, and Varroa Destructor
Monitoring System [0.157286095422595]
我々は,ハチミツバチのコロニー崩壊障害,ミツバチの行動,個体数減少,群集の健康状態の理解を高めるため,ハチミツバチモニタリングシステムを開発した。
システムは、リアルタイムでデータを提供するハイブの入り口に位置し、ビーキーパーは、アカウントベースのウェブサイトを通じてハイブの活動と健康を綿密に監視することができる。
機械学習を用いることで、ミツバチを正確に追跡し、花粉収集活動を監視し、ミツバチを混乱させることなくバロアミツバチを検出できます。
論文 参考訳（メタデータ） (2023-09-16T11:13:47Z) - Heart Attack Classification System using Neural Network Trained with
Particle Swarm Optimization [0.8137198664755598]
Particle Swarm Optimization (PSONN) でトレーニングされたニューラルネットワークは、入力基準を分析し、心臓発作の予測を高めるために使用される。
その結果、PSONNは、他の全ての試験アルゴリズムの中で最も精度が高いことが判明した。
論文 参考訳（メタデータ） (2022-08-21T09:25:17Z) - Conformer Based Elderly Speech Recognition System for Alzheimer's
Disease Detection [62.23830810096617]
アルツハイマー病(AD)の早期診断は、予防ケアがさらなる進行を遅らせるのに不可欠である。
本稿では,DementiaBank Pitt コーパスをベースとした最新のコンバータに基づく音声認識システムの開発について述べる。
論文 参考訳（メタデータ） (2022-06-23T12:50:55Z) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳（メタデータ） (2022-01-24T12:32:48Z) - Semi-Supervised Audio Representation Learning for Modeling Beehive
Strengths [2.2680266599208765]
ミツバチは私たちの生態系や食品の安全に重要な要因であり、世界の収量の35%に寄与しています。
ミツバチの重要性にもかかわらず、養蜂は人間の労働力と経験に由来するミツバチにのみ依存する。
我々は,音声および環境計測による蜂のモニタリングのための統合ハードウェアセンシングシステムを開発した。
ラベルが限られているにもかかわらず,本モデルは良好に動作し,ビービーブの異なるサウンドプロファイルを特徴付けるのに有用なオーディオ埋め込みを学習できることを示す。
論文 参考訳（メタデータ） (2021-05-21T18:59:29Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳（メタデータ） (2021-03-30T09:59:56Z) - Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural
Networks [68.8204255655161]
私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。
最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
論文 参考訳（メタデータ） (2020-12-29T01:14:17Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。