Artificial intelligence versus natural selection: Using computer vision techniques to classify bees and bee mimics

Bhuiyan, Tanvir; Carney, Ryan M.; Chellappan, Sriram

doi:10.1016/j.isci.2022.104924

Cited by 3 publications

(2 citation statements)

References 37 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In another recent study 13 , the authors (our team) addressed a range of classification problems of bees and bee mimics. Using a dataset of 6, 332 Research-Grade images from iNaturalist, the authors developed a VGG16-based model that classified bees vs. non-bees with an overall accuracy of 91.71%, and a ResNet-101-based model that classified bumble bees vs. other bees with an overall accuracy of 88.86%.…”

Section: Related Workmentioning

confidence: 99%

Computer vision techniques for anatomically inspired classification of the endangered rusty-patched bumble bee (Bombus affinis)

Bhuiyan

Carney

Chellappan

2023

Preprint

Self Cite

View full text Add to dashboard Cite

Bombus affinis, commonly known as the rusty-patched bumble bee, is a critically endangered species endemic to North America. Accurate identification of this bee is crucial for monitoring its presence and abundance, and in turn conservation efforts. Here, we design computer vision techniques to identify the rusty-patched bumble bee from images uploaded by citizen scientists on the iNaturalist platform. Our original dataset consists of 200 images of the rusty-patched bumble bee, and 200 images of other bees across six genera. After image augmentation (mirror, rotate) to yield a final dataset of 3, 200 images, we fine-tuned an EfficientNetV2B0 AI model to classify the rusty-patched bumble bee, and were able to achieve accuracies of 90% and 92% for color and grayscale images. However, motivated by a unique V-shaped black band that is present on the thorax of the rusty-patched bumble bee, we implemented an anatomically inspired learning framework wherein we automatically extract and classify only the thorax pixels from an image. Our resulting thorax-only model yielded classification accuracies of 94−95% and sensitivity (recall) values of 95−99%, across color and grayscale versions of manually and AI-cropped thorax images (the improved results presumably coming from removing other sources of noise). Deployment of these techniques could be useful in the automatic and real-time identification of rusty-patched bumble bees, hence aiding their identification and conservation. Our models can be easily extended to other insects, and to more anatomically inspired learning methods for classifying insects in nature.

show abstract

Section: Related Workmentioning

confidence: 99%

Computer vision techniques for anatomically inspired classification of the endangered rusty-patched bumble bee (Bombus affinis)

Bhuiyan

Carney

Chellappan

2023

Preprint

Self Cite

View full text Add to dashboard Cite

show abstract

“…A base de dados [Bhuiyan et al 2022] é composta por 6.332 imagens, das quais 1776 correspondem à classe "abelha", 360 à classe "não abelhas". Essa base tem dois objetivos principais: o primeiro é realizar a classificac ¸ão entre abelhas e não abelhas, enquanto o segundo é focado na classificac ¸ão entre abelhas e insetos não-abelhas, uma tarefa mais complexa que foi escolhida para análise.…”

Section: Base De Dadosunclassified

Classificação de predadores de abelhas melíferas utilizando redes neurais convolucionais e transferência de conhecimento

Pereira,

Chagas,

Silva

et al. 2023

Anais Do XIV Congresso Brasileiro De Agroinformática (SBIAGRO 2023)

View full text Add to dashboard Cite

A preservação da biodiversidade é um tema crucial em um mundo cada vez mais ameaçado pelas mudanças ambientais e pela perda de habitats naturais. A apicultura e a conservação das abelhas têm se mostrado fundamentais para a polinização de diversas culturas agrícolas e para a manutenção dos ecossistemas. As abelhas são insetos polinizadores importantes para a agricultura e o meio ambiente. No entanto, elas também são vulneráveis a predadores, como formigas, vespas e moscas. A identificação de predadores de abelhas é importante para proteger as colmeias e garantir o sucesso da polinização. Neste artigo, apresentamos um modelo computacional baseado em inteligência artificial (IA) para diferenciar abelhas de predadores, onde é treinado a partir de uma base de dados de imagens de abelhas e predadores. A análise dos resultados experimentais mostrou que o modelo proposto obteve uma acurácia satisfatória em relação à métrica Acurácia, obtendo um valor de 86.94%. O modelo utiliza diferentes extratores de características baseados em redes neurais convolucionais (CNNs) para extrair características das imagens, tais características são então classificadas por diferentes classificadores de padrões, como máquina de vetor de suporte (SVM), K-vizinhos mais próximos (k-NN) e rede neural multicamada (MLP).

show abstract

Optical multiband polarimetric modulation sensing for gender and species identification of flying native solitary pollinators

Li,

Han,

Nessler

et al. 2023

iScience

View full text Add to dashboard Cite

Artificial intelligence versus natural selection: Using computer vision techniques to classify bees and bee mimics

Cited by 3 publications

References 37 publications

Computer vision techniques for anatomically inspired classification of the endangered rusty-patched bumble bee (Bombus affinis)

Computer vision techniques for anatomically inspired classification of the endangered rusty-patched bumble bee (Bombus affinis)

Classificação de predadores de abelhas melíferas utilizando redes neurais convolucionais e transferência de conhecimento

Optical multiband polarimetric modulation sensing for gender and species identification of flying native solitary pollinators

Contact Info

Product

Resources

About