Monitorização automática de colmeias de abelhas nativas utilizando técnicas não invasivas com visão computacional.
Year: 2025
Type: dissertation
Abstract: Os insetos são fundamentais aos ecossistemas e as abelhas nativas se destacam por seu desempenho como polinizadoras. Estudos relatam perdas de biodiversidade entre abelhas nativas em regiões tropicais causados por diferentes fatores como o uso de pesticidas e áreas de monoculturas. Assim, a preservação dos insetos é fundamental para a ecologia e agricultura. Desta forma, o monitoramento automático e inteligente das colmeias pode ajudar a combater o declínio das abelhas relacionado ao forrageamento, características do pólen, comportamento da colmeia e espécies invasoras. O objetivo geral desta pesquisa é implementar um monitoramento inteligente de colmeias de abelhas nativas (Jataí) em campo por meio de técnicas não invasivas, processamento na borda e energização offgrid. Para isso, foi elaborado um dataset da espécie nativa brasileira de nome indígena Jataí (Tetragonisca angustula) e de seu pior inimigo natural Forídeo (Phoridae), juntamente com um método sistemático para prepará-lo com generalização e representatividade do contexto. Acredita-se que este é o primeiro dataset que contém imagens de colmeias naturais de abelhas nativas brasileiras em seus habitats para visão computacional. Utilizou-se o YOLO como técnica de detecção de objetos para a tarefa de detecção das Jataís por ser indicado para aplicações em tempo real na borda. Também foi discutida a qualidade do dataset com relação a generalização, contextualização e representatividade das Jataís. Duas técnicas de Multiple Object Tracking (MOT), EuTrack e ByteTrack, baseadas no YOLOv8 foram avaliadas para monitorar o tráfego na entrada da colmeia, juntamente com o algoritmo proposto denominado Bin / Bout. A avaliação é realizada por meio da comparação do desempenho dos modelos com o desempenho humano (benchmark) ao realizar a mesma tarefa com e sem a ajuda da tecnologia, considerando o erro relativo médio. O ByteTrack conta abelhas com um erro de 11 %, já humanos com erro de 23 %. O EuTrack monitora as abelhas que chegam com um erro de 9 % (21 % se houver outliers) e humanos com erro de 12 %. Humanos monitoram as abelhas que saem com erro de 15 %, o ByteTrack com erro de 18 % e EuTrack com erro de 33 %, ambos sem outliers. Desta forma, é preciso considerar as melhores métricas do MOT para obter um melhor desempenho do monitoramento. Para atender aos requisitos do processamento na borda, além da escolha do hardware e implementação de uma Interface Gráfica de Usuário (GUI), também foram consideradas diferentes arquiteturas de modelos de IA. O melhor custo-benefício do sistema é processar 7,9 fps com PyTorch, 12,6 fps com TensorRT e 14,5 fps com o modelo quantizado, com resolução de entrada de 480p e mAP máximo de 0,92. Quando é desejável maior velocidade (21,1 fps), pode-se utilizar a resolução de entrada de 320p com mAP de 0,882. Com a configuração proposta, baseada no Jetson Nano e um hardware para gerenciar o consumo de energia, foi possível monitorar de forma inteligente colmeias de Jataí em campo por meio de técnicas não invasivas, visão computacional, processamento na borda e energização offgrid.
Author: Leocádio, Rodolfo Rocha Vieira
Language: Portuguese
Topic: Smart Agriculture and AI
Subfield: Plant Science
Domain: Life Sciences
SDGs: Life on land, Zero hunger
Open Access status: green
OpenAlex ID: W7120528702
