Deep learning-based classification models for beehive monitoring

Berkaya, Selcan Kaplan; Günal, Efnan Şora; Günal, Serkan

doi:10.1016/j.ecoinf.2021.101353

Cited by 12 publications

(11 citation statements)

References 29 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…However, pre-trained models may not work well for certain classes of images that are relatively rare in the training dataset. In such cases, a pre-trained model can be customized with the help of transfer learning to be able to classify images belonging to new classes, as previously described in Pan & Yang (2010) , Kaplan Berkaya, Sora Gunal & Gunal (2021) , Messaoudi et al (2023) . Thus, well-learned feature representations of a pre-trained network can be utilized to classify new images with a small amount of training data.…”

Section: Methodsmentioning

confidence: 99%

A lightweight convolutional neural network (CNN) model for diatom classification: DiatomNet

Gunduz,

Gunal

2024

PeerJ Computer Science

Self Cite

View full text Add to dashboard Cite

Diatoms are a type of algae with many species. Accurate and quick classification of diatom species is important in many fields, such as water quality analysis and weather change forecasting. Traditional methods for diatom classification, specifically morphological taxonomy and molecular detection, are time-consuming and may not provide satisfactory performance. However, in recent years, deep learning has demonstrated impressive performance in this task, just like other image classification problems. On the other hand, networks with more layers do not guarantee increased accuracy. While increasing depth can be useful in capturing complex features and patterns, it also introduces challenges such as vanishing gradients, overfitting, and optimization challenges. Therefore, in our work, we propose DiatomNet, a lightweight convolutional neural network (CNN) model that can classify diatom species accurately while requiring low computing resources. A recently introduced dataset consisting of 3,027 diatom images and 68 diatom species is used to train and evaluate the model. The model is compared with well-known and successful CNN models (i.e., AlexNet, GoogleNet, Inceptionv3, ResNet18, VGG16, and Xception) and their customized versions obtained with transfer learning. The comparison is based on several success metrics: accuracy, precision, recall, F-measure, number of learnable parameters, training, and prediction time. Eventually, the experimental results reveal that DiatomNet outperforms the other models regarding all metrics with just a few exceptions. Therefore, it is a lightweight but strong candidate for diatom classification tasks.

show abstract

Section: Methodsmentioning

confidence: 99%

A lightweight convolutional neural network (CNN) model for diatom classification: DiatomNet

Gunduz,

Gunal

2024

PeerJ Computer Science

Self Cite

View full text Add to dashboard Cite

show abstract

“…Bu durumlar göz önünde bulundurulduğunda bal arılarının doğal ortamın yanı sıra toplumların üzerinde küresel bir etkisi olduğu görülmektedir. Hem doğa için hem de insanoğlu için son derece önemli bir yere sahip olan bal arılarının geleceği; çeşitli hastalıklar, iklim koşulları ve parazitlerden dolayı tehdit altındadır [4,5].…”

unclassified

“…Bundan dolayı kovan varroa parazitine maruz kaldığı takdirde tedavi edilmez ise öncelikle ciddi verim kaybına ve ileriki safhalarda arı kovanlarının yok olmasına sebep olmaktadır. Diğer yandan kovan böcekleri, soyulan kovan, karınca istilası ve kayıp kraliçe gibi bazı problemler de kovan sağlığını olumsuz etkilemektedir [4,6,7]. Bal ve polen ile beslenene küçük kovan böcekleri, peteklere fazla zarar verebilirler [8,9].…”

unclassified

“…Bunlara ek olarak hırsız arılar veya böcek istilası gibi problemler için de kovanlar belli aralıklar ile gözlemlenmektedir. Bu yöntemler zaman alıcı olmasının yanında yöntemin başarısı ve zararsız olması arıcının deneyimine bağımlıdır [4,7]. Yapılan çalışmalarda bu yöntemlerin veriminin düşük olduğu görülmüştür.…”

unclassified

“…Yapılan çalışmalarda bu yöntemlerin veriminin düşük olduğu görülmüştür. Bundan dolayı, bu yöntemler yerine günümüzde gelişen kameralar ve yapay zekâ teknikleri arıların gözetlenmesi ve böylece bal arılarının hastalıklarının erken tespit edilmesinde çok daha etkili yöntemler olabilmektedirler [4][5][6].…”

unclassified

See 2 more Smart Citations

Bal Arı Hastalıklarının Sınıflandırılması için ConvMixer, VGG16 ve ResNet101 Tabanlı Topluluk Öğrenme Yaklaşımı

Üzen,

Altın,

Balıkçı Çiçek

2024

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

Bal arıları birçok etkenden dolayı ekosistemin en önemli bileşenlerinden biridir. Fakat son zamanlarda artan varroa paraziti, iklim değişiklikleri ve böcek istilası gibi etkenlerden dolayı bal arıları tehdit altındadır. Bundan dolayı son zamanlarda gelişmiş yapay zekâ teknikleri ile arılarının analiz edilmesi oldukça önemli bir araştırma konusu olmuştur. Bu çalışmada arı hastalıklarının sınıflandırılması için Evrişimsel sinir ağ mimarileri tabanlı bir topluluk öğrenme yaklaşımı sunulmuştur. ConvMixer, VGG16 ve ResNet101 tabanlı topluluk öğrenme yaklaşımı (CVR-TÖY) olarak adlandırılan bu model temel olarak VGG16, ResNet101 ve ConvMixer sınıflandırıcılarının tahmin skorlarının birleştirmesine dayanmaktadır. Bu sayede farklı yaklaşım teknikleri ile geliştirilen VGG16, ResNet101 ve ConvMixer yapılarının tahmin çıktıları etkili bir şekilde birleştirilerek bal arı hastalık sınıflandırma performansı artırılmıştır. Tahmin skorları birleştirilirken iki yaklaşım denenmiştir. Birinci yaklaşımda modellerin tahmin çıktılarının en yüksek değeri alınarak sınıflandırma tahmini yapılmıştır. İkinci model ise ortalama değer alma yaklaşımıdır. Ortalama değer alma yaklaşımının ortak akıl modeli ile en iyi sonucu ürettiği görülmüştür. Deneysel çalışmalarda 6 farklı kovan probleminden etkilenen arı görüntülerini içeren BeeImage Dataset (BI) veri kümesi kullanılmıştır. Bu deneysel çalışmada önerilen modelden %98.87 F1-skoru elde edilmiştir. Ayrıca yapılan deneysel çalışmada önerilen model son teknolojik modeller ile karşılaştırılmıştır. Karşılaştırma sonucunda önerilen modelin F1-skoru %2.31 daha yüksek performans göstermiştir.

show abstract

Recognizing Beehives’ Health Abnormalities Based on Mobile Net Deep Learning Model

Torky

Nasr

Hassanien

2023

Int J Comput Intell Syst

View full text Add to dashboard Cite

Monitoring beehive health is a major area of interest within the field of honeybee economy. Ensuring beehives are free of problems such as Varroa destructors and hive beetles, ant problems, and missing queen represents an important challenge in the honeybee industry. Therefore, it is mandatory to have untraditional ways to diagnose these types of honeybee attacks. Artificial Intelligence (AI), computer vision, and the Internet of Things (IoT) can be integrated to develop smart systems for developing warning, prediction, and recognition systems to analyze beehives' health impacts, and conditions as well as monitor bees' behaviors and the environmental conditions inside/outside beehives. In this paper, a deep learning methodology is proposed to recognize the beehives' health abnormalities, Varroa destructors, hive beetles, ant problems, and missing queens. A novel version of the MobileNet model is developed by modifying the front layers of the mobile net model for performing the features selection phase. Three optimization algorithms are utilized and tested on a benchmark dataset of beehives, Adam optimizer, Nesterov-accelerated Adam (Nadam) optimizer, and Stochastic gradient descent (SGD) for selecting the most important features to recognize the three beehive health abnormalities. The implementation and validation results proved the efficiency of the Mobile Net using Adam optimizer in classifying beehives according to the three beehive health abnormalities (Varroa destructor and hive beetles, ant problems, and missing queen) where the model achieved testing accuracy of 95% and testing loss of 35%. In addition, the validation and comparison results confirmed the superiority of Mobile Net using ADAM optimizer in recognizing beehive health abnormalities compared to four deep learning models, Shuffle Net, Resent 50, VGG-19, and Google Net.

show abstract

Deep learning-based classification models for beehive monitoring

Cited by 12 publications

References 29 publications

A lightweight convolutional neural network (CNN) model for diatom classification: DiatomNet

A lightweight convolutional neural network (CNN) model for diatom classification: DiatomNet

Bal Arı Hastalıklarının Sınıflandırılması için ConvMixer, VGG16 ve ResNet101 Tabanlı Topluluk Öğrenme Yaklaşımı

Recognizing Beehives’ Health Abnormalities Based on Mobile Net Deep Learning Model

Contact Info

Product

Resources

About