Bibliographic Metadata

Title
Image analysis approaches for parasite detection on honeybees / von Stefan Schurischuster
AuthorSchurischuster, Stefan
CensorKampel, Martin ; Zambanini, Sebastian
PublishedWien, 2018
Descriptionxiii, 100 Seiten : Illustrationen, Diagramme
Institutional NoteTechnische Universität Wien, Diplomarbeit, 2018
Annotation
Zusammenfassung in deutscher Sprache
LanguageEnglish
Document typeThesis (Diplom)
Keywords (EN)visual computing / deep learning / parasite detection
URNurn:nbn:at:at-ubtuw:1-115866 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Image analysis approaches for parasite detection on honeybees [6.05 mb]
Links
Reference
Classification
Abstract (German)

Das rapide Wachstum von Parasiten wie, der Varroa Milbe (Varroa destructor), ist einer der Hauptgründe für die erhöhte Sterblichkeitsrate von Bienenkolonien. Bienenzüchter müssen händisch zeitaufwendige Proben und Behandlungen durchführen um diesem Sterben entgegenzuwirken. Der Befallstatus einer Kolonie wird durch visuelle Kontrolle von Stichproben durchgeführt. Die Ergebnisse basieren dabei auf statistischen Hochrechnungen der Proben zum Milbenbefall und werden teilweise durch invasive und zeitaufwändige Maßnahmen erbracht. Das Ziel dieser Arbeit ist es zwei unterschiedliche Klassifikationsansätze zu vergleichen und auf die Klassifizierung von Bienen anzuwenden. Hierfür wurde ein Kamerasystem entwickelt, das in der Lage ist kontinuierliche Aufnahmen des Einganges einer Bienenkolonie anzufertigen. Von dem gefilmten Videomaterial wurde händisch eine Datenbasis mit mehr als 13,000 Bildern von infizierten und gesunden Bienen erstellt. Diese wurde weiterfolgend zum Trainieren und Evaluieren der beiden Klassifikationsansätze verwendet. Verglichen werden ein “traditoneller” Machine Learning Ansatz mit einem Deep Learning Ansatz. Die finale Evaluierung zeigt, dass die automatische Unterscheidung von infizierten und gesunden Bienen mit Hilfe des präsentierten Kamerasystems möglich ist. Unter der Verwendung des Deep Learning Ansatzes, basierend auf dem erstellten Testdatensatz, ergibt sich eine Erkennungsgenauigkeit von 94.4% für gesunde und 85.5% für infizierte Bienen. Dieser neuartige Ansatz zur Bienenklassifizierung und -überwachung dient als erster Schritt in Richtung voll-automatisierter Überwachung von Bienenstöcken und deren Parasiten.

Abstract (English)

Rapid growth of parasites like Varroa destructor is one of the main reasons for elevated mortality of bee colonies. Beekeepers have to perform time consuming manual sampling to enable treatment and avoid colony losses. Most existing sampling plans only produce rough estimates and can be invasive and costly. This can be a significant stress factor, when considering an average sample size of 300 bees per apiary, to get a significant test result. This yields the question, if it would be possible to automatically monitor the infestation status of a beehive, using a non-invasive method. This works provides a first step towards answering this question. Therefore a camera system capable of creating continuous recordings of the entrance of an apiary is designed with whom more than 7TB of video data is recorded. From the conducted video material, a ground truth dataset is created with more than 13,000 manually labeled images of infected and healthy bees. The dataset is used to train and evaluate two detection approaches: A “traditional” machine learning pipeline and a deep learning pipeline using convolutional neural networks. The final evaluation shows that distinguishing between healthy and infected bees is possible using the convolutional neural network approach, providing the proof of concept. A per-class classification accuracy of 94.4% for healthy bees and 85.5% for infected bees is recorded with an overall f-score of 0.82, calculated on the labeled test dataset. This work therefore provides a novelty approach for automatic parasite classification and represents as a first step towards automated parasite monitoring.

Stats
The PDF-Document has been downloaded 9 times.