PRAĆENJE AKTIVNOSTI PČELA PRIMENOM RAČUNARSKE VIZIJE

Savetovanje o biotehnologiji sa međunarodnim učešćem (Čačak: 26 ; 2021) (str. 107-112) 
 

АУТОР(И): Slađana Đurašević, Uroš Pešović, Dejan Vujičić, Dušan Marković, Snežana Tanasković, Dalibor Tomić, Vladeta Stevović

Е-АДРЕСА: 

Download Full Pdf   

DOI: 10.46793/SBT26.107DJ

САЖЕТАК:

Računarska vizija kao alat omogućava automatizovanu obradu vizuelnih informacija i daje mogućnost značajnog unapređenja procesa poljoprivredne proizvodnje. U ovom radu prikazani su rezultati primene YOLO algoritma za praćenje pčela na ulazu u košnicu. Primenjeni model postizao je preciznost detekcije od 92,86% i implementiran je na Raspberry PI 4 računarskom sistemu. Ovaj računarski sistem malih dimenzija se može koristiti za dalja testiranja na terenu, pri čemu se aktivnost pčela na ulazu u košnicu prati preko snimka sa video kamere.

КЉУЧНЕ РЕЧИ:

pčele, računarska vizija, YOLO algoritam, detekcija objekata

ЛИТЕРАТУРА:

Kamilaris, A., Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computer and Electronics in Agriculture 147, 70–90.

Medojević I., Marković D., Simonović V., Joksimović A., Šakota Rosić J. (2019). Konvolucijske neuronske mreže – primena u preciznoj poljoprivredi, Poljoprivredna tehnika, godina XLIV, Broj 1, 2019, Strane: 1 – 9

Lawal M. O. (2021). Tomato detection based on modifed YOLOv3 framework, Scientific Reports volume 11, Article number: 1447 (2021)

Kuznetsova A., Maleva T., Soloviev V. (2020). Using YOLOv3 Algorithm with Pre- and Post-Processing for Apple Detection in Fruit-Harvesting Robot, Agronomy, Volume 10, Issue 7

Redmon J., Farhadi, A. (2018). YOLOv3: An Incremental Improvement, Technical report, https://arxiv.org/pdf/1804.02767