論文の概要: A Survey of TinyML Applications in Beekeeping for Hive Monitoring and Management

• arxiv url: http://arxiv.org/abs/2509.08822v1
• Date: Wed, 10 Sep 2025 17:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.541554
• Title: A Survey of TinyML Applications in Beekeeping for Hive Monitoring and Management
• Title（参考訳）: ビーキーピングにおけるTinyMLのモニタリングと管理への応用に関する調査
• Authors: Willy Sucipto, Jianlong Zhou, Ray Seung Min Kwon, Fang Chen,
• Abstract要約: ハチのコロニーは地球規模の食料安全保障と生態系の安定に不可欠だが、害虫、病気、環境ストレスからの脅威がエスカレートする。 従来のハイブインスペクションは労働集約的で破壊的だが、クラウドベースのモニタリングソリューションは、リモートやリソース制限のアピアリーには実用的ではない。 IoT(Internet of Things)とTiny Machine Learning(TinyML)の最近の進歩は、エッジデバイス上での低消費電力でリアルタイムな監視を可能にする。 この調査は、TinyMLとアピカルチャーの交差点における現在のイノベーションを合成し、ハチの状態のモニタリング、蜂の行動の認識、害虫や病気の検出、予測の4つの重要な機能領域を包含する。
• 参考スコア（独自算出の注目度）: 4.88600037566401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Honey bee colonies are essential for global food security and ecosystem stability, yet they face escalating threats from pests, diseases, and environmental stressors. Traditional hive inspections are labor-intensive and disruptive, while cloud-based monitoring solutions remain impractical for remote or resource-limited apiaries. Recent advances in Internet of Things (IoT) and Tiny Machine Learning (TinyML) enable low-power, real-time monitoring directly on edge devices, offering scalable and non-invasive alternatives. This survey synthesizes current innovations at the intersection of TinyML and apiculture, organized around four key functional areas: monitoring hive conditions, recognizing bee behaviors, detecting pests and diseases, and forecasting swarming events. We further examine supporting resources, including publicly available datasets, lightweight model architectures optimized for embedded deployment, and benchmarking strategies tailored to field constraints. Critical limitations such as data scarcity, generalization challenges, and deployment barriers in off-grid environments are highlighted, alongside emerging opportunities in ultra-efficient inference pipelines, adaptive edge learning, and dataset standardization. By consolidating research and engineering practices, this work provides a foundation for scalable, AI-driven, and ecologically informed monitoring systems to support sustainable pollinator management.
• Abstract（参考訳）: ハチのコロニーは地球規模の食料安全保障と生態系の安定に不可欠だが、害虫、病気、環境ストレスからの脅威がエスカレートする。 従来のハイブインスペクションは労働集約的で破壊的だが、クラウドベースのモニタリングソリューションは、リモートやリソース制限のアピアリーには実用的ではない。 IoT(Internet of Things)とTiny Machine Learning(TinyML)の最近の進歩は、エッジデバイス上での低消費電力でリアルタイムな監視を可能にし、スケーラブルで非侵襲的な代替手段を提供する。 この調査は、TinyMLとアピカルチャーの交差点で現在のイノベーションを合成し、ハチの状態のモニタリング、蜂の行動の認識、害虫や病気の検出、群れイベントの予測という4つの重要な機能領域を中心に組織された。 さらに、公開データセット、組み込みデプロイメントに最適化された軽量モデルアーキテクチャ、フィールド制約に適したベンチマーク戦略などのサポートリソースについても検討する。 データの不足、一般化の課題、オフグリッド環境におけるデプロイメント障壁といった重要な制限が強調され、超効率的な推論パイプラインや適応エッジ学習、データセットの標準化といった新たな機会が生まれている。 研究とエンジニアリングのプラクティスを統合することで、この研究は、持続可能な受粉者管理をサポートするために、スケーラブルでAI駆動の、生態学的にインフォメーションされたモニタリングシステムの基礎を提供する。

関連論文リスト

• Decentralized Vision-Based Autonomous Aerial Wildlife Monitoring [55.159556673975544]
  野生生物モニタリングのための分散視覚に基づくマルチクワッドロータシステムを提案する。 我々のアプローチは、その自然生息地における大型種のロバスト同定と追跡を可能にする。
  論文  参考訳（メタデータ） (2025-08-20T20:05:05Z)
• Multimodal AI Systems for Enhanced Laying Hen Welfare Assessment and Productivity Optimization [0.0]
  養鶏の未来は、主観的で労働集約的な福祉チェックをデータ駆動のインテリジェントなモニタリングエコシステムに置き換えることに依存する。 伝統的な福祉評価は、人間の観察と単一センサーのデータによって制限されるが、現代の農場における鶏の福祉の複雑な多次元的な性質を完全には捉えられない。 この研究は、生産性と倫理的、科学に基づく動物ケアを一体化する、反応的、一助的モニタリングから、積極的な、精密な福祉システムへの移行の基礎を築いた。
  論文  参考訳（メタデータ） (2025-08-11T05:17:16Z)
• AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock [77.95897723270453]
  作物、漁業、家畜が世界の食料生産のバックボーンを形成し、成長を続ける世界の人口を養うのに不可欠である。 これらの問題に対処するには、効率的で正確でスケーラブルな技術ソリューションが必要であり、人工知能(AI)の重要性を強調している。 本調査では,従来の機械学習アプローチ,高度なディープラーニング技術,最新のビジョン言語基礎モデルなど,200以上の研究成果を体系的かつ徹底的にレビューする。
  論文  参考訳（メタデータ） (2025-07-29T17:59:48Z)
• LLM-Based Threat Detection and Prevention Framework for IoT Ecosystems [6.649910168731417]
  本稿では,IoT環境における包括的脅威検出と防止のためのLarge Language Model(LLM)ベースのフレームワークを提案する。 このシステムは、IoT固有のデータセットに微調整された軽量LLMを統合し、リアルタイム異常検出と自動化されたコンテキスト認識緩和戦略を実現する。 シミュレーションIoT環境での実験結果は、従来のセキュリティメソッドよりも検出精度、応答レイテンシ、リソース効率が大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2025-05-01T01:18:54Z)
• Enhancing Air Quality Monitoring: A Brief Review of Federated Learning Advances [0.0]
  本稿では,大気環境モニタリングにおけるフェデレートラーニングの応用について概説する。 汚染物質を予測し、環境データを管理する効果を強調している。 本稿は、通信オーバーヘッド、インフラストラクチャ要求、一般化可能性の問題、計算複雑性、セキュリティ脆弱性などの課題を含む、この領域に適用されたFLの重要な制限も挙げている。
  論文  参考訳（メタデータ） (2025-04-03T10:36:02Z)
• Time-EAPCR: A Deep Learning-Based Novel Approach for Anomaly Detection Applied to the Environmental Field [7.814749741826771]
  従来の監視方法は遅延応答、不十分なデータ処理、弱い一般化に悩まされている。 ディープラーニングは、機能を自動的に学習する機能を備え、複雑な非線形関係をキャプチャし、検出性能を向上させる。 本稿では,新しいディープラーニング手法であるTime-EAPCR(Time-Embedding-Permutated CNN-Residual)を紹介し,環境科学に応用する。
  論文  参考訳（メタデータ） (2025-03-12T09:44:15Z)
• Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
  オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。 モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。 実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
  論文  参考訳（メタデータ） (2024-12-05T18:58:27Z)
• SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data [68.2366021016172]
  本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。 ケニアでは低データのレシエーションを表すデータセットも提供しています。 リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
  論文  参考訳（メタデータ） (2023-11-02T02:00:27Z)

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。