Monitorização automática de colmeias de abelhas nativas utilizando técnicas não invasivas com visão computacional.

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPessin, Gustavo-
Autor(es): dc.contributorRêgo Segundo, Alan Kardek-
Autor(es): dc.contributorPessin, Gustavo-
Autor(es): dc.contributorRêgo Segundo, Alan Kardek-
Autor(es): dc.contributorBianchi, Andrea Gomes Campos-
Autor(es): dc.contributorGuimarães, Frederico Gadelha-
Autor(es): dc.contributorMorais, Jefferson Magalhães de-
Autor(es): dc.creatorLeocádio, Rodolfo Rocha Vieira-
Data de aceite: dc.date.accessioned2025-08-21T15:08:20Z-
Data de disponibilização: dc.date.available2025-08-21T15:08:20Z-
Data de envio: dc.date.issued2025-06-24-
Data de envio: dc.date.issued2024-
Fonte completa do material: dc.identifierhttps://www.repositorio.ufop.br/handle/123456789/20376-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1003242-
Descrição: dc.descriptionPrograma de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.-
Descrição: dc.descriptionOs 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.-
Descrição: dc.descriptionInsects are fundamental to ecosystems, and native bees stand out for their performance as pollinators. Studies report that the causes of biodiversity losses among native bees in tropical regions are various factors such as pesticide use and monoculture areas. Thus, the preservation of insects is crucial for both ecology and agriculture. In this context, the automatic and intelligent monitoring of beehives can help mitigate the decline of bees related to foraging, pollen characteristics, hive behavior, and invasive species. The overall objective of the research is to implement intelligent monitoring of native bees - with the Indigenous name Jataí - hives in the field through non-invasive techniques, edge processing, and off-grid energy solutions. For this, a dataset was developed for the native Brazilian species named Jataí (Tetragonisca angustula) and its main natural enemy, the Forídeo (Phoridae), along with a systematic method for preparing it with generalization and contextual representativeness. This is believed to be the first dataset containing images of natural beehives of native Brazilian bees in their habitats for computer vision applications. The YOLO technique was used for object detection to identify Jataí bees, as it is suitable for real-time edge applications. The dataset quality was also discussed, considering the generalization, contextualization, and representativeness of the Jataí bees. Two Multiple Object Tracking (MOT) techniques, EuTrack and ByteTrack, based on YOLOv8, were evaluated for monitoring traffic at the hive entrance, along with a proposed algorithm named Bin/Bout. The evaluation was performed by comparing the performance of the models against human performance (benchmark) while performing the same task with and without technological assistance, considering the average relative error. ByteTrack counts the bees with an error of 11%, while humans have an error of 23%. EuTrack monitors incoming bees with an error of 9% (21% with outliers), and humans have an error of 12%. Humans monitor bees with an error of 15%, ByteTrack, and EuTrack with an error of 18% and 33% without outliers, respectively. Therefore, it is essential to consider the best MOT metrics to achieve better monitoring performance. Different AI model architectures were also considered to meet edge processing requirements, hardware selection, and the implementation of a Graphical User Interface (GUI). The most cost-effective system processes 7.9 fps with PyTorch, 12.6 fps with TensorRT, and 14.5 fps with the quantized model, with an input resolution of 480p and a maximum mAP of 0.92. An input resolution of 320p with a mAP of 0.882 can achieve a higher speed (21.1 fps). With the proposed setup, based on the Jetson Nano and hardware designed to manage energy consumption, it was possible to intelligently monitor Jataí bee colonies in the field using non-invasive techniques, computer vision, edge processing, and off-grid energization.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsaberto-
Direitos: dc.rightsAttribution-NonCommercial-ShareAlike 3.0 United States-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-sa/3.0/us/-
Direitos: dc.rightsAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 18/06/2025 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais.-
Palavras-chave: dc.subjectInteligência artificial - monitorização-
Palavras-chave: dc.subjectCiência de dados-
Palavras-chave: dc.subjectEnergia solar - energização offgrid-
Palavras-chave: dc.subjectProcessamento de dados - processamento distribuído - processamento na borda-
Título: dc.titleMonitorização automática de colmeias de abelhas nativas utilizando técnicas não invasivas com visão computacional.-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - UFOP

Não existem arquivos associados a este item.