Исследовательская база

LabelBee: a web platform for large-scale semi-automated analysis of honeybee behavior from video

LabelBee — это браузерная система аннотирования и анализа больших объёмов видео у летка с медоносными пчёлами, собранных в естественных условиях жизни пчелиной семьи. Платформа объединяет веб-интерфейс, серверное хранилище, автоматическую предобработку и анализ на базе Jupyter, чтобы биологи могли размечать пчёл, валидировать детекции, исправлять траектории и аннотировать события, такие как вход, выход, перенос пыльцы и вентилирование. Система поддерживает пчёл с метками через детекцию AprilTag, детекцию и трекинг немаркированных пчёл, классификацию пыльцы, распознавание вентилирования, оценку позы и экспорт файлов событий. В статье подчёркивается human-in-the-loop workflow: аннотации экспертов и волонтёров повышают качество данных, эти метки обучают автоматические модели, а результаты моделей возвращаются в GUI для валидации и курирования. Такая архитектура позволяет строить крупномасштабные поведенческие датасеты и визуальную аналитику, например почасовые подсчёты входов/выходов у летка и индивидуальные актограммы на протяжении нескольких дней.

Сведения о публикации

Организации
🇵🇷 University of Puerto Rico
Год
2019
Тип
Conference

![](pdfs/Screenshot 2023-10-25 at 02.28.50.png)

Актуальность для Gratheon

LabelBee — сильный ориентир для пайплайна данных с камер у летка в Gratheon. Веб-приложение может заимствовать его human-in-the-loop подход: просмотр видео, навигацию по таймлайну, выбор пчёл, метки событий и состояния контроля качества для исправления предсказаний модели до того, как они станут обучающими данными. Для продуктового направления Entrance Observer и gate-tracker словарь меток из статьи напрямую отображается на метрики Gratheon: вход, выход, возврат с пыльцой, вентилирование/охлаждение, а также уверенность в идентичности или траектории. В видении автономной пасеки workflow в стиле LabelBee позволил бы пчеловодам и исследователям превращать редкие визуальные наблюдения в курируемые датасеты, замыкать цикл между развёрнутым оборудованием и дообучением моделей и делать аналитику Gratheon проверяемой, а не рассматривать результаты компьютерного зрения как непрозрачный счётчик.