Möglichkeiten der Bildverarbeitung für Verhaltensbeobachtungen von Bienenvölkern. Gliederung. Untersuchungsgegenstand. 1. Untersuchungsgegenstand

Transkript

1 Möglichkeiten der Bildverarbeitung für Verhaltensbeobachtungen von Bienenvölkern Uwe Knauer, Beate Meffert, Kaspar Bienefeld Humboldt-Universität zu Berlin, Institut für Informatik Länderinstitut für Bienenkunde Hohen-Neuendorf Gliederung für die Beobachtung des Ausräumverhaltens der Honigbiene 3. Potenziale einer automatischen Videoauswertung 4. Computergestützte Beobachtung des Ausräumverhaltens der Honigbiene 5. Zusammenfassung und Ausblick 2 / 20 Herkömmliche Beobachtung Befall von Bienenvölkern durch die Milbe Varroa destructor Parasitenbrut schädigt Bienenlarven Hygienische Bienen erkennen, öffnen und räumen befallene Brutzellen aus Selektionskriterium: hygienisches Verhalten 3 / 20

2 Zeichen (Plaketten) dienen zur Identifikation von 2000 Bienen Unterschiede in Form, Orientierung und Nummerierung z.b. je 100 Bienen aus 20 Völkern (Zuchtlinien) 4 / Zellen werden beobachtet künstlich infizierte Zellen Kontrollzellen manipulierte Kontrollzellen Leerzellen 5 / 20 Beobachtungsstock mit Beleuchtung Ziel: Störung der natürlichen Lebensbedingungen gering halten Geschlossene Abdeckung ausschließlich Nahinfrarot-Beleuchtung bis ~1000 nm Wellenlänge empfindliche Kamera Übertragung erfolgt aus Gewächshaus 6 / 20 2

3 Pro Durchgang wird die Wabe eine Woche lang aufgezeichnet. Zwei verschiedene Personen werten die Aufzeichnungen aus. Hoher Zeitaufwand Hohe Konzentration erforderlich Expertise bzgl. des hygienischen Verhaltens erforderlich 7 / 20 Erkennung von geöffneten Brutzellen Erkennung der beteiligten Biene(n) Erkennung des Verhaltens beim Öffnen z.b. Intensität der Bewegung, Kopfbewegungen 8 / 20 Sichtbare Brutzellen erkennen Unterschiede zu früheren Aufnahmen finden Bestimmung charakteristischer Merkmale von Öffnungen Klassifikation Originalbild Binärbild Konturextraktion Analyse Merkmale extrahieren 9 / 20 3

4 Modellierung von Bewegung und Verhalten Echtzeitfähig Gekennzeichnete Bienen <100 ms pro Bild und ca. 30 Bienen Nicht echtzeitfähig Nicht gekennzeichnete Bienen 1-2 Sekunden pro Bild und Biene Plakettendetektion, GNN-Tracking, 2d-Korrelation Rao-Blackwell Partikelfilter und SLDS Georgia Institute of Technology Zia Khan, Grant Schindler, Sang Min Oh, Frank Dellaert 10 / 20 Weitere Ansätze Fry, Bichsel, Müller, Robert: Tracking of flying insects using pan-tilt cameras. Journal of Neuroscience Methods 101, 59-67, Bozic, Skvarc, Abramson: Video analysis in bee biology using Neuro Inspector. APIACATA, , Noldus, Spink, Tegelenbosch: Computerized video tracking, movement analysis and behaviour recognition in insects. Computers and Electronics in Agriculture 35, , Reynolds, Riley: Remote-sensing, telemetric and computer-based technologies for investigating insect movement: a survey of existing and potential techniques. Computers and Electronics in Agriculture 35, , / 20 Form der Plakette Orientierung der Plakette Ziffernerkennung Aktives Formmodell Klassifikation aufgrund des am Besten passenden Modells höhere Sensitivität geringe Spezifität Fünfeck Halbkreis Kreis Stern Viereck 0,53 0,12 0,34 0,01 0 Fünfeck Halbkreis 0 0,53 0, Kreis 0 0,08 0,83 0,08 0 Stern 0,09 0,02 0,12 0,76 0,01 Viereck 0,04 0,23 0,16 0 0,56 geringe Sensitivität hohe Spezifität Gradientenbild Originalbild Untersuchte Alternativen Bestimmung von Merkmalen des Plakettensegments Polarkoordinatentransformation, 2d-Fouriertransformation, Periodizitäten der Kontur analysieren 12 / 20

5 Einfache Erweiterung des Aufbaus durch USB-Modul am Auswertungs-PC Vorteile: etablierte Methodik kann beibehalten werden Æ z.b. komfortable Bedienung des Rekorders Nachteile: begrenzte räumliche Auflösung, prinzipielle Probleme des Aufzeichnungsstandards 13 / 20 ID, Position, Größe und Typ der Brutzellen eingeben Ergebnis 14 / 20 Klassifikation der Zellen (sichtbar, verdeckt, Leerzelle) anhand von zwei Merkmalen Hohe FAR bzgl. der Klasse sichtbar pro Bild Verringerung der FAR durch Maximierung der Ähnlichkeit zu den Mittelwertsvektoren der Klassen im zeitlichen Verlauf Visualisierung des Merkmalsraums zur Anpassung der Klassen an die Versuchsbedingungen Erkennung komplett geöffneter Zellen anhand ihrer Form Erstellung eines Protokolls 15 / 20 5

6 Ausgangspunkt ist die Bildersammlung einer einzelnen Zelle Wichtig: Verringerung der FAR Mittelung zeitlich aufeinanderfolgender Bilder, um stabile Veränderungen zu erkennen Biene auf benachbarter Zelle 16 / 20 Ergebnisse Auswertung des Versuchs vom (Selek064) Ergebnisse Merkmalsraum für 2d-Klassifikation Im vollständigen Protokoll waren alle 32 initialen Öffnungen sichtbar. Unterschiede bestanden in der Häufigkeit und Gruppierung der relevanten Aufnahmen im Protokoll Im reduzierten Protokoll 22 Öffnungen enthalten. Betriebsmodi Vorteilhaft: Fokussierung auf eine einzelne Zelle Zeitaufwand für die Auswertung um etwa die Hälfte reduziert 17 / 20 Zusammenfassung und Ausblick Zusammenfassung Zusammenfassung Ausblick Methodik zur Beobachtung des Ausräumverhaltens vorgestellt Verfolgung markierter Bienen in Echtzeit möglich. Identifikation der Form und Orientierung der Plaketten ist möglich und Voraussetzung für Ziffernerkennung Realisierung eines unterstützenden Programms für die Auswertung der Experimente Ergebnisse einer ersten Evaluierung des Ansatzes 18 / 20

7 Ausblick Zusammenfassung und Ausblick Zusammenfassung Ausblick Verbesserung des aktuellen Systems Verringerung der Fehler 1. und 2. Art Genauere Charakterisierung der Öffnungen Objektverfolgung Verknüpfung der Information über vorhandene Öffnungen und die Anwesenheit einzelner Bienen Charakterisierung des Verhaltens anhand der Bewegungsdaten Unabhängigkeit von Markierungen erreichen Identifikation Suche nach einem Maß für die Zuverlässigkeit der Identifikation (A-posteriori) Alternative: Bestimmung einer einfachen Kenngröße, die mit der Zuverlässigkeit korreliert ist (A-priori) 19 / 20 Vielen Dank für Ihre Aufmerksamkeit 20 / 20