Original title: Vizuální detekce parazitických roztočů na včelách
Translated title: Visual Detection of the Parasitic Mites on the Honeybee
Authors: Bielik, Samuel ; Ligocki, Adam (referee) ; Horák, Karel (advisor)
Document type: Master’s theses
Year: 2025
Language: slo
Publisher: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract: [slo] [eng]
Práca sa zaoberá vývojom systému na detekciu klieštikov na včelách pomocou metód počítačového videnia a za použitia osvetlenia s konkrétnymi vlnovými dĺžkami. Ide o vlnové dĺžky 500 nm, čo je tyrkysová farba, a 780 nm, čo je infračervená. Využívajú sa klasické metódy aj metódy hlbokého učenia. Cieľom bolo zachytiť snímky včiel, ktoré prechádzajú monitorovacím zariadením a zároveň sú osvetlené úzkym spektrom svetla. Ďalším cieľom bolo natrénovať modely, ktoré dokážu spoľahlivo identifikovať klieštikov na včelách, čím sa by sa znížila nutnosť manuálnej kontroly včelstva. Vytvorené modely zahŕňajú architektúru objektového detektora YOLOv11 a architektúru sémantickej segmentácie U-net, pričom oba dosiahli uspokojivé výsledky. Hlavným problémom zostáva presnosť detekcie klieštikov na okrajoch včiel, ktorý však bude možné riešiť súčasným osvetlením oboch vlnových dĺžok. The thesis focuses on the development of a system for detecting mites on bees using computer vision techniques and illumination with specific wavelengths. The wavelengths employed are 500 nm, corresponding to turquoise light, and 780 nm, corresponding to infrared light. Both classical image processing methods and deep learning approaches are utilized. The primary objective was to capture images of bees as they pass through a monitoring device while being illuminated with a narrow spectrum of light. Another goal was to train models capable of reliably identifying mites on bees, thereby reducing the need for manual hive inspections. The developed models include the YOLOv11 object detection architecture and the U-net semantic segmentation architecture, both of which achieved satisfactory performance. A key remaining challenge is the accurate detection of mites located on the edges of bees, which may be addressed by simultaneous illumination with both wavelengths.
Keywords: computer vision; convolutional neural networks; dataset; Google Coral; Honey bee; hyperspectral imaging; illumination; infrared; LED; monitoring; object detector; Python; Raspberry Pi; semantic segmentation; turquoise; U-net; Varroa destructor; YOLOv11

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/251761

Permalink: http://www.nusl.cz/ntk/nusl-681244


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses