Bildverarbeitungssystem mit Deep Learning zum Schutz von Europas Honigbienen
Im EU-finanzierten Projekt hivepoll ging es um die Erkennung von Bedrohungen in Echtzeit, wie zum Beispiel der Milbe Varroa destructor, des Kleinen Beutenkäfers oder des Phänomens des Bienensterbens. Zudem nutzten die Forschenden ein kostengünstiges Bildverarbeitungssystem, um die Bestäubungsleistung eines Bienenstocks zu messen. Über die Bereitstellung dieser Daten will hivepoll eine neue Datenaustauschplattform für Imkerinnen und Imker sowie andere Interessengruppen auf dem Agrarmarkt aufbauen. „Wir analysieren die Menge und Art der gesammelten Pollen und kombinieren diese Zahlen mit Flugeigenschaften in Echtzeit. Dadurch machen wir Bienenstöcke zu neuartigen Biosensoren, die für den agrartechnologischen Markt, Imkerinnen und Imker sowie Behörden von immenser Bedeutung sein werden“, so Projektkoordinator Michael Brandstötter.
Big Data in der Anwendung
Anhand der Daten aus hivepoll lassen sich die landwirtschaftlichen Erträge vorhersagen und verbesserte Modelle für das Risikomanagement von Ernteausfällen entwickeln, was in der Landwirtschaft zwei der größten Anwendungsfelder für Big Data sind. „Wir können mit Algorithmen des maschinellen Sehens und Methoden des Deep Learning die Machbarkeit von Pollenanalysen und -messung validieren“, erklärt Brandstötter. Von einem im Projekt bestehenden Datensatz von annähernd 1 600 Stunden Bienenaktivität wurde eine Teilmenge mit Bestäubungsinformationen für die Anwendungen des Deep Learning abgekoppelt. Aus insgesamt 7 TB Daten sind 40 000 manuell markierte Bienenbilder entstanden. „Das ist aktuell der größte verfügbare Datensatz über Bienen und Pollen“, so Brandstötter. „Wir kombinieren Standardmethoden des maschinellen Sehens und Deep Learning und können daraus den ersten Echtzeit-Algorithmus für die Bestäubungsklassifizierung auf einem Einplatinenrechner entwickeln.“ Der Datensatz ist groß genug, um den Einsatz von Deep Learning daran zu testen. Darum hat das Forschungsteam für die Datenübertragung ein Schiebefensterprotokoll sowie einen Ansatz zur Mehrklassen-Klassifizierung entwickelt und vergleichend betrachtet. „Der F1-Wert der besten Modellkombination lag bei 90,95, was darauf hindeutet, dass solche Modelle von Convolutional Neural Networks zur Erkennung von Pollenkörbchen an Honigbienen geeignet sind“, so Brandstötter.
Bessere Überlebenschancen
Dank hivepoll wird es möglich sein, ein Frühwarnsystem für schlechte Bestäubungsleistung einzurichten sowie entsprechende Gegenmaßnahmen einzuleiten, damit die Erträge für unsere Nahrungsmittelerzeugung gesichert bleiben. Eine wirksame Erkennung von Parasiten wird außerdem zur Gesundheit der Bienenvölker beitragen, die sie dann auch den Winter besser überleben lässt. Für Imkerinnen und Imker sowie die Landwirtschaft ist das Überleben der Honigbienen von zentraler Bedeutung, denn sie gehören zu den wenigen Bestäuberinsekten, die bereits früh im Anbauzyklus in ausreichend großem Umfang aktiv sind. Eine schnelle Bestäubung der Nutzpflanzen ist besonders wichtig, da so die negativen Effekte instabiler Wetterbedingungen, wie Frühjahrsfrost, abgefangen werden. „Wir gehen davon aus, dass der Ertrag durch das verbesserte Bestäubungsmanagement mit hivepoll um bis zu 10 % steigen wird“, so Brandstötter abschließend. Das Projekt liefert nicht nur ein kostengünstiges Bildverarbeitungssystem zur Erkennung von Bedrohungen und effektiven Bewirtschaftung von Bienenstöcken in Echtzeit, sondern auch völlig neue Erkenntnisse über die Leistung von Honigbienenvölkern als Bestäuber.
Schlüsselbegriffe
hivepoll, Honigbiene, Deep Learning, Bienenstock, Bestäuber, Bestäuberinsekt, Big Data
