세 입 모두 꿀벌의 수분에 의존한다.병에 걸린 꿀벌 때문에 벌집 손실이 상당히 보편적이다.
벌통 내부에서 벌통의 강도와 건강의 많은 흔적을 볼 수 있지만 벌통에 대한 빈번한 검사는 시간이 많이 걸리고 꿀벌의 작업 절차와 벌통을 파괴할 수 있다.벌통을 떠난 꿀벌을 조사함으로써 우리는 벌통 자체를 더욱 전면적으로 이해할 수 있다.예를 들어 진드기에 감염된 불건전한 벌집에는 날개가 변형되거나 등에 진드기가 있는 벌이 있다.이러한 특징은 벌통을 열지 않은 상태에서 관찰할 수 있다.
우리의 목표는 Azure 맞춤형 컴퓨터 시각 서비스의 도움을 받아 건강과 각종 종류의 병에 걸린 꿀벌, 예를 들어 개미 문제가 있는 꿀벌, 와로와 벌집갑충을 검출하는 것이다.
Azure 맞춤형 비주얼 서비스를 사용해 세계적인 컴퓨터 비주얼 문제를 최소한의 노력으로 구축하는 것이 얼마나 쉬운지도 보여준다.

데이터

Data is taken from Honey Bee Images Full Set. We have taken a subset of the data provided in the dataset to demonstrate the power of Azure Cognitive Services

나는 위에서 언급한 Kaggle의 부모 데이터 집합으로 빠른 실험에 사용할 작은 데이터 집합을 만들었다.계속하고 싶으시면 Bees Little Data Set 보세요.데이터 대략100 images of each of the classes healthy, ant problems, and varro and hive beetles이 문제를 모델링하고 예측하려면 다음과 같이 하십시오.

사용자 정의 시각 자원 만들기

맞춤형 Vision AI 프로젝트 만들기

프로젝트에 이미지 추가

이미지 트레이닝 및 모델 만들기

모델을 발표하고 다른 클라이언트가 사용할 수 있도록 단점을 공개한다

노출된 단점을 사용하고 새로운 이미지로 예측

사용자 정의 시각 자원 만들기

Azure 포털에서 사용자 정의 Vision 리소스를 만듭니다.비용이 발생하지 않도록 F0 레이어를 무료로 사용하십시오.

사용자 정의 Vision AI 프로젝트 만들기

사용자 정의 vision 항목을 만들려면 https://www.customvision.ai/projects로 이동합니다.
저희가 프로젝트를 만들었어요.

명칭-벌

항목 유형-분류.왜냐하면 우리는 꿀벌이 건강하고, 개미 문제가 있는지, 아니면 와로 진드기와 벌집 진드기가 있는지 분류하고 있기 때문이다.

분류 유형-다종류.여기에는 두 가지 선택이 있는데, 여러 종류와 여러 라벨이 있다.우리는 여러 종류를 선택했다. 왜냐하면 이미지는 한 종류(건강, 개미 문제, 와로, 벌집 진드기)와만 관련이 있기 때문이다.단일 이미지는 여러 클래스와 연결되지 않습니다.단일 이미지가 여러 범주와 연관된 경우 분류 유형을 Multilabel로 선택해야 합니다.

이미지 추가

건강한 이미지

우리는 건강한 사진을 올리고 라벨을 붙였다.

와로봉방갑충

우리는 발로봉소갑충의 사진을 올리고 라벨을 붙였다.

우리는 개미 문제 사진을 올리고 그것들을 표시했다.

트레이닝 이미지

저희가 포털에 있는train 단추를 눌러서 그림을 훈련시킵니다.

스피드 트레이닝

우리는 스피드 트레이닝을 선택해서 영상을 훈련한다

교육 진행

데이터 세트에서 교육을 진행하는 데는 시간이 필요하다.완성되면 정확도, 리콜율, 정확성 등 분류된 지표를 볼 수 있다

표현

우리는 정확성, 리콜율, 정확성이 모두 매우 높다는 것을 관찰했다.

스피드 테스트

우리는 꿀벌이 개미에게 문제가 있는 그림을 선택해서 이 모델이 정확하게 예측할 수 있는지 없는지를 보았다.우리는 이 모델이 개미 문제류에 가장 높은 확률을 제공했기 때문에 성공적으로 예측했다

발표하다.

우리는 현재 모델의 단점을 사용하여 보이지 않는 이미지를 예측할 수 있도록 모델을 발표할 수 있다.

모델 게시

저희가 Bee라는 모델을 발표했는데 예측 자원은bee prediction입니다.

프로젝트 상세 정보

Azure 인지 프로그램project id, the published endpoint을 보여줍니다.이것은 보이지 않는 테스트 이미지를 예측하는 데 사용될 것이다.

Azure 인식 리소스

우리는 두 가지 인지 자원, 즉 훈련 자원과 예측 자원을 보여 주었다.

예측 코드

전체 코드가 GitHub에 나타납니다.

안바리스그 / Beeshealth 테스트

노드 응용 프로그램 만들기

노드 응용 프로그램을 만들 디렉토리로 이동합니다.

다음 명령을 실행하여 package.json 파일을 만듭니다.

npm init

사용자 정의 Vision npm 패키지를 설치했습니다.우리는 Azure Powershell에서 다음 명령을 실행하여 이 소프트웨어 패키지를 설치한다

클라이언트 라이브러리 설치

npm install @azure/cognitiveservices-customvision-training
npm install @azure/cognitiveservices-customvision-prediction

노드 js 라이브러리 가져오기

파일index.js을 만들고 다음 줄을 넣습니다index.js.

const util = require('util');
const fs = require('fs');
const TrainingApi = require("@azure/cognitiveservices-customvision-training");
const PredictionApi = require("@azure/cognitiveservices-customvision-prediction");
const msRest = require("@azure/ms-rest-js");

Azure 엔드포인트 및 키로 초기화

const sampleDataRoot = "f:/bees/";
const predictionKey = "<prediction key>";
const endPoint = "https://bees.cognitiveservices.azure.com/"
const publishIterationName = "bees"
const projectid = "<your-project-id>" 

예측 키를 사용하여 인증

const predictor_credentials = new msRest.ApiKeyCredentials({ inHeader: { "Prediction-key": predictionKey } });
const predictor = new PredictionApi.PredictionAPIClient(predictor_credentials, endPoint);

보이지 않는 데이터로 예측

우리는 사진 한 장varro and hive beetles으로 예측했다.우리는 다음 절에서 이 예측이 정확한지 아닌지를 볼 것이다.

const testFile = fs.readFileSync('f:/bees/Test/040_314.png');

(async () => {
const results = await predictor.classifyImage(projectid,
 publishIterationName, testFile);

// Show results
console.log("Results:");
results.predictions.forEach(predictedResult => {
    console.log(`\t ${predictedResult.tagName}: ${(predictedResult.probability * 100.0).toFixed(2)}%`);
});
})()

결실

우리는 결과를 얻었고 모델이 이미지를 정확하게 예측한 것을 관찰했다varro and hive beetles.와로갑충과 벌집갑충류의 확률이 75%로 가장 높다.

도구책

Nodejs 및 Azure 맞춤형 비전 - https://docs.microsoft.com/en-us/azure/cognitive-services/custom-vision-service/quickstarts/image-classification?tabs=visual-studio&pivots=programming-language-javascript