زنبورداری به عنوان یکی از مشاغل کلیدی در زمینه تولید عسل و محصولات جانبی از اهمیت بالایی برخوردار است. این صنعت به دلیل نقش آن در گرده‌افشانی و حفظ تنوع زیستی، اهمیت ویژه‌ای در سیستم‌های اکولوژیکی و زنجیره غذایی دارد. با این حال، بیماری‌ها و آفات مختلف، سلامت و بهره‌وری کندوهای زنبور عسل را تهدید می‌کنند. مشکلاتی مانند حضور کنه‌های واروا، مورچه‌ها و از دست دادن ملکه از جمله مشکلات جدی هستند که می‌توانند بهره‌وری و بقای کندوها را تحت تأثیر قرار دهند.مقاله‌ای با عنوان "Recognizing Beehives’ Health Abnormalities Based on Mobile Net Deep Learning Model" در سال 2023 به معرفی و ارزیابی یک مدل یادگیری عمیق با استفاده از تکنیک MobileNet پرداخته است. هدف این تحقیق، تشخیص و شناسایی مشکلات سلامت زنبورها با استفاده از فناوری‌های هوشمند و یادگیری عمیق است. در این مقاله، به بررسی نتایج و دستاوردهای این پژوهش پرداخته می‌شود و اهمیت استفاده از تکنولوژی‌های مدرن برای تشخیص سریع و موثر مشکلات زنبورداری بررسی خواهد شد.
کاربردهای هوش مصنوعی و یادگیری عمیق در زنبورداری
استفاده از هوش مصنوعی و یادگیری عمیق در تشخیص بیماری‌های زنبور عسل به زنبورداران این امکان را می‌دهد که به سرعت و با دقت بالا مشکلات کندوها را شناسایی کنند. در این تحقیق، از مدل MobileNet به عنوان یکی از مدل‌های کارآمد یادگیری عمیق برای شناسایی مشکلات سلامت زنبورهای عسل استفاده شده است. این مدل برای شناسایی مشکلات کندوها از تصاویری که توسط حسگرها و دوربین‌های هوشمند ثبت شده‌اند، بهره می‌گیرد و به زنبورداران کمک می‌کند تا مشکلات مختلفی نظیر حضور کنه واروا، عدم حضور ملکه و مورچه‌ها را تشخیص دهند.
مراحل پیاده‌سازی مدل MobileNet و انتخاب ویژگی‌ها
پیاده‌سازی مدل MobileNet به چندین مرحله تقسیم می‌شود که هر کدام از این مراحل به دقت انتخاب ویژگی‌ها و شناسایی مشکلات کمک می‌کنند. در این تحقیق، از سه الگوریتم بهینه‌سازی مختلف شامل Adam، NADAM و SGD استفاده شده است. هر یک از این الگوریتم‌ها برای انتخاب ویژگی‌های کلیدی تصاویر مورد استفاده قرار گرفته‌اند تا به مدل کمک کنند با دقت بالاتری مشکلات سلامت کندوها را شناسایی کند.
مرحله اول : انتخاب ویژگی‌های کلیدی
انتخاب ویژگی‌های کلیدی اولین و مهم‌ترین گام در پیاده‌سازی مدل MobileNet است. در این مرحله، الگوریتم‌های Adam، NADAM و SGD برای شناسایی و انتخاب ویژگی‌های بصری از تصاویر کندوها به کار گرفته شده‌اند. این ویژگی‌ها شامل الگوهای بصری مختص هر یک از مشکلات سلامت زنبورها نظیر کنه‌ها، مورچه‌ها و نبود ملکه هستند که به مدل امکان شناسایی دقیق این مشکلات را می‌دهد.
مرحله دوم : طبقه‌بندی مشکلات سلامت کندوها
در مرحله دوم، مدل MobileNet با استفاده از ویژگی‌های انتخاب شده، به طبقه‌بندی مشکلات مختلف سلامت کندوها می‌پردازد. از میان الگوریتم‌های بهینه‌سازی استفاده شده، الگوریتم Adam بهترین عملکرد را نشان داد و به مدل کمک کرد تا مشکلات را با دقت بالای 95% شناسایی کند. این دقت بالا نشان‌دهنده قابلیت‌های مدل MobileNet در شناسایی ناهنجاری‌های سلامت کندوها است.
مشکلات شناسایی شده و اهمیت آن‌ها در مدیریت زنبورستان
کنه واروا
کنه واروا یکی از تهدیدات جدی برای سلامت زنبورهای عسل است. این انگل به بدن زنبور عسل می‌چسبد و از آن تغذیه می‌کند. حضور این کنه‌ها می‌تواند باعث ضعف زنبورها و تضعیف کلنی‌ها شود و در نهایت باعث کاهش تولید عسل و مرگ‌ومیر بالا در کلنی‌ها شود. استفاده از مدل MobileNet و تشخیص سریع حضور کنه واروا می‌تواند به زنبورداران این امکان را بدهد که به سرعت اقدامات لازم را برای کنترل و مقابله با این مشکل انجام دهند.
مشکلات ناشی از مورچه‌ها
مورچه‌ها یکی دیگر از مشکلاتی هستند که می‌توانند سلامت کندوها را تحت تأثیر قرار دهند. برخی از گونه‌های مورچه می‌توانند به عنوان ناقل ویروس‌ها و باکتری‌ها وارد کندو شوند و منجر به گسترش بیماری‌های مختلف در کلنی شوند. مدل MobileNet با شناسایی سریع حضور مورچه‌ها در کندو، به زنبورداران کمک می‌کند تا اقدامات لازم را برای جلوگیری از ورود این آفات به کندو انجام دهند و بدین ترتیب از گسترش بیماری‌ها جلوگیری کنند.
نبود ملکه در کندو
ملکه نقشی حیاتی در حفظ و گسترش کلنی‌های زنبور دارد. نبود ملکه در کندو باعث کاهش جمعیت زنبورها و کاهش تولید عسل می‌شود. مدل MobileNet می‌تواند به طور موثری نبود ملکه را شناسایی کرده و به زنبوردار هشدار دهد تا به سرعت اقدامات لازم را برای جایگزینی ملکه و حفظ سلامت کلنی انجام دهد.
تحلیل و مقایسه عملکرد مدل MobileNet با سایر مدل‌های یادگیری عمیق
در این تحقیق، عملکرد مدل MobileNet با مدل‌های دیگری نظیر ShuffleNet، ResNet-50 و VGG-19 مقایسه شده است. نتایج نشان داد که MobileNet به دلیل ساختار ساده‌تر و بهینه‌تر خود، توانست با دقت بالاتر و سرعت بیشتر، مشکلات سلامت کندوها را شناسایی کند. الگوریتم Adam در مقایسه با سایر الگوریتم‌های بهینه‌سازی نیز عملکرد بهتری داشت و توانست خطای تشخیص را به میزان 35% کاهش دهد.
کاربردهای تحقیق در صنعت زنبورداری
تحقیق حاضر نشان می‌دهد که استفاده از هوش مصنوعی و مدل‌های یادگیری عمیق می‌تواند به زنبورداران کمک کند تا به طور موثری مشکلات سلامت زنبورهای عسل را شناسایی و مدیریت کنند. مدل MobileNet با دقت و سرعت بالا می‌تواند به عنوان یک ابزار کارآمد در تشخیص و پیش‌بینی مشکلات سلامت کندوها استفاده شود. این سیستم نه تنها به زنبورداران کمک می‌کند که بهره‌وری کندوها را افزایش دهند، بلکه به کاهش هزینه‌ها و افزایش پایداری صنعت زنبورداری نیز کمک می‌کند.
نتیجه‌گیری
استفاده از تکنولوژی‌های مدرن و مدل‌های یادگیری عمیق مانند MobileNet، می‌تواند راه‌حل‌های جدیدی برای مدیریت سلامت زنبورها فراهم کند. نتایج این تحقیق نشان داد که الگوریتم Adam بهترین عملکرد را در بهینه‌سازی مدل و افزایش دقت تشخیص داشته و توانسته است با دقت بالای 95% مشکلات سلامت زنبورها از جمله کنه واروا، مورچه‌ها و نبود ملکه را شناسایی کند. این تحقیق می‌تواند به عنوان یک مبنای علمی برای توسعه سیستم‌های هوشمند تشخیص و مدیریت بیماری‌های زنبور عسل در زنبورداری استفاده شود.
منبع:
• International Journal of Computational Intelligence Systems
