人工智能可以在相机上追踪蜜蜂这将如何帮助农民

人工智能(AI)提供了一种新方法来追踪对农业必不可少的传粉昆虫。在一项新的研究中，我们在澳大利亚维多利亚州草莓农场的温室内安装了微型数码相机和计算机，以跟踪蜜蜂和其他昆虫从植物飞到植物授粉花的过程。

我们使用定制的AI软件分析了系统中几天的视频片段，以构建大范围授粉行为的图片。

就像监控道路可以帮助交通顺畅运行一样，我们的系统有望提高授粉效率。这将有助于更好地利用资源并增加粮食产量。

一组新鲜的眼睛

随着人口的增长和自然资源的有限，粮食生产需要变得更加高效和可持续。由人工智能等新技术驱动的精准农业可以帮助确保未来的粮食生产。

有效的授粉对于生产健康的水果、蔬菜、豆类和坚果至关重要。

最佳授粉需要恰到好处的昆虫传粉者访问花朵的次数。访问次数过少或过多，或无效昆虫传粉者的访问，都会降低开花植物生产的食物质量。

监测昆虫授粉的典型技术使用直接目视观察或盘诱捕，这是劳动密集型的，需要很多天。

此外，如果没有大量训练有素的观察员，就不可能同时收集大型农场的数据。然而，在一个季节的授粉窗口关闭之前，需要这些数据来提供作物授粉程度的时间关键证据。

然而，使用我们的数字系统，农场经理可以获得有关作物授粉水平的当天数据。

昆虫传粉者运动的细粒度分析如何促进更好的粮食生产

追踪草莓植株上的蜜蜂。

我们的授粉监测系统设置在SunnyRidge农场的一个草莓温室内，该温室对昆虫开放。摄像机阵列监测草莓中的昆虫活动，记录蜜蜂、食蚜蝇、飞蛾、蝴蝶和一些黄蜂。

使用高级软件管理大(昆虫)数据

我们的系统收集的数据量需要定制软件来可靠地跟踪飞行在复杂树叶中的个体昆虫。

我们的软件克服的一个关键问题是识别视频序列中的昆虫运动，因此不会意外地多次计算单个路径上的单个昆虫。这使得能够准确评估一天中某个地区的昆虫数量，分析它们的类型(例如物种)，并监测它们的花卉访问。

我们的定制软件使用混合检测模型来检测和跟踪视频中的昆虫和花朵。该模型结合了使用卷积神经网络的深度学习的基于AI的对象检测功能，以及单独的前景检测算法，以识别录制视频中昆虫和它们访问的花朵的精确位置。

该软件包括使数据处理更高效并节省计算机功率的功能。

我们的软件生成的昆虫路径是使用一种称为匈牙利算法的方法计算出来的。这会检查序列中每个视频帧中昆虫的位置，并能够识别跨一系列视频帧的昆虫位置之间的匹配。

通过记录和可视化这些路径，我们了解了昆虫的行为和温室中的授粉效率。

在至少四次昆虫访问一朵花后，草莓才能结出优质果实。太多的访问实际上会损坏花朵并降低水果质量。

哪些昆虫驱动授粉?

与其他昆虫的访问相比，在监测区域记录的蜜蜂访问花朵的频率更高。我们的分析显示，68%的记录花卉在监测期间接受了完全受精所需的最少四次昆虫访问。

虽然蜜蜂对授粉的贡献最大，但其他昆虫的拜访通常会导致单朵花达到四次拜访的预期阈值，从而有可能提高作物产量。

通过检测最佳授粉所需的昆虫数量、类型和时间，我们的监测系统为农民提供了决策所需的证据。

例如，了解作物授粉的程度可以让种植者改变蜂巢的位置和数量，以增加授粉不足。

农民也可能会打开或关闭温室侧壁，以鼓励或阻止昆虫从特定方向来访。他们可能会决定添加引诱剂花来引诱昆虫探索未被充分访问的作物区域。

这些简单的干预措施可以确保更高的授粉成功率和更高的市场品质水果产量。像这样的智能昆虫管理有望帮助满足用健康农产品养活不断增长的人口的需求。