Winkler, G. (2018). Behaviour monitoring from honey bees based on video analysis [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2018.44081
honey bees; computer vision; video analysis; tracking; counting; image segmentation
en
Abstract:
Bienen sind ein wichtiger Bestandteil von Wirtschaft und Umwelt. In den letzten Jahren wurden Bienenstöcke durch Parasiten und anderen Umweltfaktoren bedroht. Aus diesem Grund steigt das Interesse Bienenstöcke automatisch zu überwachen. Mit Hilfe von Videodaten kann so eine Überwachung durchgeführt werden. Diese Arbeit stellt eine Lösung vor, um alle Bienen am Eingang des Stocks gleichzeitig zu tracken und zu zählen, während sie durch eine künstliche Eingangsstruktur gehen. Unter der Verwendung der HSV- und HSL-Farbmodelle kann mit Hilfe von Mathematischer Morphologie eine genaue binäre Segmentierung erreicht werden. Durch Anwendung des K-Means Algorithmus können Cluster von Bienen getrennt werden und das Problem auf Tracking einzelner Bienen vereinfacht werden. Als Ergebnis der Zählung wird eine Fehlerrate von 6.86% auf Extremdaten mit einer Bildrate von rund 67 Bildern pro Sekunde auf einem Desktop-PC erreicht. Vier Datensätze, die mit drei verschiedenen Kameramodellen aufgenommen wurden, werden evaluiert. Ein Langzeittest, welcher Aufnahmen über einen Zeitraum von einer Woche (insgesamt 73 Stunden Videodaten) durchläuft, demonstriert die praktische Anwendbarkeit der Methode.
de
Honey bees are an important part of the environment and economy. Recently bees are threatened by parasites and other environmental factors. This raises the need to automatically monitor bee hives. With the use of video data such a monitoring can be performed. This thesis presents a way to use computer vision to automatically monitor a bee hive. The presented technique is able to simultaneously track and count bees at the hive entrance while they are walking through an artificial entrance structure. By using HSV and HSL color models together with mathematical morphology an accurate binary segmentation can be achieved. With the help of the k-means algorithm bee clusters can be resolved and broken down to single bee tracking. This allows to get counting results with less than 6.86% average error rate on extreme data while running at a framerate of around 67 frames per second on a desktop PC. Four datasets which where recorded with three different camera models have been evaluated. A long-time test which evaluates the algorithm with recordings of a whole week (73 hours in total) demonstrates the practical applicability of the presented method.