Beehaviour

Software Beehaviour

Überblick

  • Beehaviour ist eine Softwarelösung zur Erkennung komplexer Verhaltensmuster von Honigbienen in Bezug auf Zellenöffnungen.

  • Ziel ist es, Arbeiterbienen zu identifizieren, die in der Lage sind, Varroamilben durch die Zellabdeckung zu erkennen, um sie genetisch zu analysieren. Die entsprechenden Zellöffnungen sind mit einem charakteristischen Verhaltensmuster verbunden, insbesondere mit oszillierenden Kopfbewegungen.

  • Mit Hilfe der Software konnten wir in weniger als der Hälfte der Zeit deutlich mehr Zellen identifizieren als bei der manuellen Analyse.

  • Das Projekt wurde in Zusammenarbeit mit Prof. Dr. Kaspar Bienefeld am Länderinstitut für Bienenkunde in Hohen Neuendorf (LiB) realisiert und vom FP7 EU-Projekt „SmartBees“ gefördert.

Videobeispiele

Überblick über das Videoverarbeitungsmodul

  • Der Benutzer kann eine neue Aufnahme der Bienenwabe hochladen. Diese wird dann verarbeitet, indem die sichtbaren, markierten Bienen verfolgt und die relevanten Statistiken für die nachfolgende KI-Analyse erstellt werden.

  • In der entsprechenden Aufnahme (linkes Fenster im Video) zeigen die grünen Kreise die relevanten, von Varroa befallenen Zellen an. Alle verfolgten Bienen sind durch die farbigen Ränder um ihre Markierungen gekennzeichnet.

  • Das Fenster rechts zeigt die Merkmalsinformationen, die aus den einzelnen Bienenbewegungen extrahiert wurden. Die grünen Kreise kennzeichnen erneut die befallenen Zellen.

Detaillierte Ansicht der Videoverarbeitung

  • In dieser Ansicht wird die Videoverarbeitung auf einer höheren Detailebene dargestellt.

  • Die Bewegungsbahnen werden in Echtzeit als Merkmalsinformationen im Fenster rechts aufgezeichnet. Die schattierten grünen Bereiche an oder innerhalb der Kreise zeigen Kopfbewegungsaktivität an, die auf ein Verhalten beim Öffnen von Zellen hinweisen könnte.

Gliederung des Auswertungsmoduls

  • Nach Abschluss der Videoverarbeitung kann der Benutzer die Ergebnisse im Auswertungsmodul analysieren.

  • Für jede Zelle (hervorgehoben im rechten Fenster) kann der Benutzer die Zeitleiste ihrer Aktivität im aufgezeichneten Video überprüfen, indem er einfach mit der Maus über die Zeitleiste unten links fährt.

  • Die Erkennung relevanter Verhaltens-bewegungen durch den maschinellen Lernalgorithmus wird als pinkfarbener Ausschlag in der Zeitleiste unten links angezeigt

Detaillierte Ansicht der Auswertung

  • Hier wird ein erkanntes Zellenöffnungsereignis durch eine Arbeiterbiene näher dargestellt. Man kann das relevante Verhaltensmuster der Biene an der Zelle erkennen, insbesondere ihr charakteristisches Kopfzappeln.

  • Sobald die Biene den Zellendeckel verlassen hat (bei 0:16 im Video), ist das Loch im Zellendeckel deutlich sichtbar.

  • Das relevante Muster wurde von der Software korrekt erkannt, wie am pinkfarbenen Ausschlag in der Zeitleiste zu sehen ist.

Fragen

    • Warum halbautomatisch statt vollautomatisch? Im Vergleich zu der gesamten Bienenaktivität in der Wabe über die Dauer der Videoaufzeichnung ist das relevante Verhaltensmuster ein äußerst seltenes Ereignis. Die große Herausforderung besteht hier darin, alle relevanten seltenen Ereignisse zu erkennen, ohne dabei zu viele falsch-positive Ergebnisse zu erzeugen. Eine zusätzliche Schwierigkeit war die begrenzte Menge an Trainingsdaten, die aus Zellenöffnungen in einer Bienenstockaufzeichnung mit 50 vorbereiteten Zellen bestand. Um die praktische Nutzung zu maximieren, haben wir uns daher entschieden, die Software als Unterstützungsplattform für den menschlichen Experten zu konzipieren. Der Experte kann hier die möglichen relevanten Ereignisse, die im Vergleich zum gesamten Video nur einen winzigen Bruchteil ausmachen, überprüfen und entscheiden, ob es sich um ein echtes Zellenöffnungsereignis handelt. Auf diese Weise kann die Auswertungszeit erheblich verkürzt werden. Dennoch hat der Algorithmus neben der Zeitersparnis auch mehr Zellenöffnungsereignisse erkannt als der menschliche Experte, der das Video vollständig manuell analysiert hat.​

    • Warum nicht direkt die Löcher im Zellendeckel erkennen, anstatt die Bienenbewegungen zu analysieren? Das Problem bei der Erkennung von Löchern im Zellendeckel liegt darin, dass dieser aufgrund der großen Anzahl an Bienen in der Wabe die meiste Zeit nicht klar sichtbar ist. Zudem machen die unebene Oberfläche sowie selbst kleine Schwankungen in den Lichtverhältnissen und Schatteneffekte diesen Ansatz in der Praxis ungeeignet.

    • Kann die Software für ähnliche Anwendungen genutzt werden? Absolut! Beehaviour kann an viele andere Erkennungsanwendungen in den Biowissenschaften und darüber hinaus angepasst werden. Die unkomplizierte Integration von Expertenwissen in den Lernprozess ermöglicht ein effizientes und robustes Erlernen komplexer Mustererkennung, selbst bei Anwendungen, bei denen nur eine moderate Menge an Trainingsdaten verfügbar ist. Wenn Sie weitere Informationen wünschen oder an der Diskussion eines ähnlichen Anwendungsszenarios interessiert sind, kontaktieren Sie uns gerne – wir helfen Ihnen sehr gern weiter:

    info@alm.gmbh

Weitere Informationen