Polen Taşıyan Bal Arılarının MobileNetV2 Mimarisi ile Sınıflandırılması

Yıl 2021, Sayı: 21, 527 - 533, 31.01.2021

Yusuf Yargı Baydilli

https://doi.org/10.31590/ejosat.836856

Cited By: 4

Öz

Bal arıları çiçeklerden topladıkları polenlerin bir kısmını kovanlarına taşıyarak kovanın enerji ihtiyacını karşılamaya çalışırlar. Bu nedenle, kovana giren bal arılarından polen taşıyanların tespit edilmesi, kovanın sağlığı hakkında iyi bir indikatör olarak görev yapmaktadır. Bu çalışmada, polen taşıyan bal arılarının doğru bir şekilde sınıflandırılmasına yönelik bir çözüm geliştirmek amacıyla, bal arıları görüntüleri kullanılarak bir MobileNetV2 derin öğrenme mimarisi eğitilmiştir. Veriye göre seçilen doğru eğitim stratejisinin sonuçlara yaptığı katkı sorgulanmış, ince ayar yöntemi ile eğitilen modelin test verisi üzerindeki başarı oranı %99,00 olarak ölçülmüştür. Çalışma sonunda, arı çiftçilerinin mobil cihazlar ile arı kovanının genel durumu hakkında başarılı bir şekilde yorum yapabileceği gösterilmiştir.

Anahtar Kelimeler

Polen taşıyan bal arıları, derin öğrenme, transfer öğrenme, ince ayar, sınıflandırma

Classification of Pollen-Bearing Honey Bees using MobileNetV2 Architecture

Öz

Honey bees try to meet the energy needs of the hive by carrying some of the pollen they collect from flowers to their hive. Therefore, identifying those pollen-bearing honey bees entering the hive serves as a good indicator of the health of the hive. In this study, a MobileNetV2 deep learning architecture was trained using images of honey bees to develop a solution to quickly and accurately classify pollen-bearing honey bees. The contribution of the correct training strategy selected according to the data to the results was questioned, and the success rate of the model trained with the fine-tuning method on the test data was measured as 99.00%. At the end of the study, it was shown that bee farmers can quickly and successfully comment on the general condition of the bee hive using mobile devices.

Anahtar Kelimeler

Pollen-bearing honey bees, deep learning, transfer learning, fine-tuning, classification

Kaynakça

• Ankara Valiliği Gıda Tarım ve Hayvancılık İl Müdürlüğü. (2015). Polen. Ankara Valiliği Gıda Tarım ve Hayvancılık İl Müdürlüğü. https://ankara.tarimorman.gov.tr/Belgeler/liftet/polen.pdf
• Babic, Z., Pilipovic, R., Risojevic, V., & Mirjanic, G. (2016). Pollen bearing honey bee detection in hive entrance video recorded by remote embedded system for pollination monitoring. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, III–7, 51–57.
• Bağrıaçık, N. (2017). Polinatör böcekler ve küresel tozlaşma krizi. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 7(4), 37–41.
• Başdoğan, G., Sağdıç, O., Daştan, T., Acar, S., & Düz, G. (2019). Farklı bölgelerden toplanan arı polenlerinin fizikokimyasal özellikleri ve şeker profillerinin belirlenmesi. Avrupa Bilim ve Teknoloji Dergisi, 15, 627–631.
• Bozkurt, Z. (2020). Bal arılarında refah. Bahri Dağdaş Hayvancılık Araştırma Dergisi, 8(2), 96–108. Chen, C., Yang, E.-C., Jiang, J.-A., & Lin, T.-T. (2012). An imaging system for monitoring the in-and-out activity of honey bees. Computers and Electronics in Agriculture, 89, 100–109.
• Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. ArXiv:1610.02357 [Cs]. http://arxiv.org/abs/1610.02357
• Cubuk, E. D., Zoph, B., Mane, D., Vasudevan, V., & Le, Q. V. (2018). AutoAugment: Learning augmentation policies from data. ArXiv:1805.09501 [Cs, Stat]. http://arxiv.org/abs/1805.09501
• Feurer, M., & Hutter, F. (2019). Hyperparameter optimization. In F. Hutter, L. Kotthoff, & J. Vanschoren (Eds.), Automated Machine Learning: Methods, Systems, Challenges (pp. 3–33). Springer International Publishing. https://doi.org/10.1007/978-3-030-05318-5_1
• Hendrycks, D., Lee, K., & Mazeika, M. (2019). Using pre-training can improve model robustness and uncertainty. ArXiv:1901.09960 [Cs, Stat]. http://arxiv.org/abs/1901.09960
• Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., & Adam, H. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. ArXiv:1704.04861 [Cs]. http://arxiv.org/abs/1704.04861
• ImageNet. (2020). ImageNet. http://image-net.org/about-overview
• Karaboga, D., & Basturk, B. (2007). A powerful and efficient algorithm for numerical function optimization: Artificial bee colony (ABC) algorithm. Journal of Global Optimization, 39(3), 459–471.
• Karpathy, A. (2018). Transfer Learning. http://cs231n.github.io/transfer-learning/
• Keras. (2020). Keras documentation: Keras Applications. https://keras.io/api/applications/ Lu, J., Behbood, V., Hao, P., Zuo, H., Xue, S., & Zhang, G. (2015). Transfer learning using computational intelligence: A survey. Knowledge-Based Systems, 80, 14–23. https://doi.org/10.1016/j.knosys.2015.01.010
• Perez, L., & Wang, J. (2017). The effectiveness of data augmentation in image classification using deep learning. ArXiv:1712.04621 [Cs]. http://arxiv.org/abs/1712.04621
• Rodriguez, Ivan F., Megret, R., Acuna, E., Agosto-Rivera, J. L., & Giray, T. (2018). Recognition of pollen-bearing bees from video using convolutional neural network. 2018 IEEE Winter Conference on Applications of Computer Vision (WACV), 314–322.
• Rodriguez, Ivan Felipe. (2018). Pollen dataset. GitHub. https://github.com/piperod/PollenDataset Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2019). MobileNetV2: Inverted residuals and linear bottlenecks. ArXiv:1801.04381 [Cs]. http://arxiv.org/abs/1801.04381
• Sarıgül, T. (2018). Arılar nasıl bal yapar? Balın yapısında hangi maddeler var? TÜBİTAK Bilim Genç. https://bilimgenc.tubitak.gov.tr/makale/arilar-nasil-bal-yapar-balin-yapisinda-hangi-maddeler-var
• Schönfelder, M. L., & Bogner, F. X. (2017). Individual perception of bees: Between perceived danger and willingness to protect. PLOS ONE, 12(6), e0180168.
• Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., & Batra, D. (2017). Grad-CAM: Visual explanations from deep networks via gradient-based localization. 2017 IEEE International Conference on Computer Vision (ICCV), 618–626. https://doi.org/10.1109/ICCV.2017.74
• Shen, D., Wu, G., & Suk, H.-I. (2017). Deep learning in medical image analysis. Annual Review of Biomedical Engineering, 19(1), 221–248. https://doi.org/10.1146/annurev-bioeng-071516-044442
• Silici, S. (2014). Arı poleni ve arı ekmeği. Uludağ Arıcılık Dergisi, 14(2), 99–105.
• Silici, S. (2020). Ekolojik dengenin odağındaki hayvan: Bal arısı. Anadolu Ajansı. https://www.aa.com.tr/tr/turkiye/ekolojik-dengenin-odagindaki-hayvan-bal-arisi/1847545
• Sıralı, R., Uğur, A., & Türkmen, M. (2011). Bal arılarının sebze üretimindeki rolü. Arıcılık Araştırma Dergisi, 6, 3–6.
• Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. A. (2017). Inception-v4, Inception-ResNet and the impact of residual connections on learning. Thirty-First AAAI Conference on Artificial Intelligence (AAAI-17), 4278–4284.
• Tu, G. J., Hansen, M. K., Kryger, P., & Ahrendt, P. (2016). Automatic behaviour analysis system for honeybees using computer vision. Computers and Electronics in Agriculture, 122, 10–18.
• Türkiye Arı Yetiştiricileri Merkez Birliği. (2016a). Polen. Türkiye Arı Yetiştiricileri Merkez Birliği. http://www.tab.org.tr/polen
• Türkiye Arı Yetiştiricileri Merkez Birliği. (2016b). Polinasyon. Türkiye Arı Yetiştiricileri Merkez Birliği. http://www.tab.org.tr/polinasyon
• Tüzün, A., & Bilgili, G. (2013). Tarımsal ekosistemde arıların önemi. Biyoloji Bilimleri Araştırma Dergisi, 6(2), 91–95.
• Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems 27. Advances in Neural Information Processing Systems 27, Montreal, QC, Canada. http://papers.nips.cc/paper/5347-how-transferable-are-features-in-deep-neural-networks.pdf