DeepHornet

Detection, characterization and quantification of Asian Hornet attacks on honeybees using deep-learning and video-surveillance methods

Durée : 2020 - 2020
Programme : Montpellier Université d’Excellence- MUSE (AAP-M2_KIM-Data&LifeScience)
Portée : Nationale
Frelon asiatique
Vespa velutina
Apis mellifera
Espèce invasive
Prédation
Comptages
Intelligence artificielle
Deep-learning
Réseaux de neurones

Le frelon asiatique, Vespa velutina nigrithorax, redoutable prédateur d’insectes, a été introduit accidentellement en France en 2004 et est devenu une espèce invasive en Europe. Sa cible favorite est l’abeille domestique, Apis mellifera, qu’il chasse à l’affût devant les ruches, participant à son déclin au même titre que les pesticides, les parasites et le changement climatique. Il impacte la filière apicole et menace directement les services de pollinisation, et à terme les écosystèmes et leur biodiversité, l’agriculture et notre sécurité alimentaire. Alors que les recherches engagées pour le contrôler sont multiples, son impact sur les populations d’abeilles n’a jamais été précisément quantifié. Ce projet à l’interface de l’écologie appliquée et de l’intelligence artificielle vise à évaluer par des méthodes de vidéosurveillance et de deep-learning le taux de prédation d’abeilles domestiques journalier par le frelon asiatique au niveau d’un petit rucher. Il s’agit d’étudier le comportement des frelons et de dénombrer à partir de données vidéo issues de films pris sur les ruches le ratio captures/attaques dont sont victimes les abeilles au cours du temps et de rechercher les paramètres biotiques et abiotiques les plus à même d’influer sur le taux de prédation. La partie informatique du projet consiste à mettre en place des méthodes de traitement automatique de détection et de tracking d’objets dans les vidéos à base de Réseaux de Neurones Profonds pour fiabiliser les comptages de frelons et de captures d’abeilles enregistrés dans les vidéos.

Publications

  • Monceau, K., O. Bonnard, et al. 2013. Vespa velutina: a new invasive predator of honeybees in Europe. Journal of Pest Science 87(1): 1-16.
  • Gaume L, Gomez D, Villemant C, Le Conte Y, Delon J-L, et al. 2017 CARNIVESPA - Recherche de signaux visuels et olfactifs attirant spécifiquement le frelon asiatique chez une plante carnivore pour le développement d’un piège biomimétique - ANR-I-Site-MUSE - Montpellier Université d’Excellence: 13 pp.
  • Tiwari, A. 2018. A deep learning approach to recognizing bees in video analysis of bee traffic. Utah State University. Master of Science Thesis. 47p
  • Beurier V. 2019. Detecting Asian hornets on images using a convolutional neural network. University of Kent, UK - School of Computing MSc Advanced Computer Science, PhD Thesis. 50 p.
  • Zhou, Y., Nejati, H., Do, T. T., Cheung, N. M., & Cheah, L. 2016. Image-based vehicle analysis using deep neural network: A systematic study. In 2016 IEEE International Conference on Digital Signal Processing (DSP) (pp. 276-280). IEEE
  • Molchanov, V. V., Vishnyakov, B. V., Vizilter, Y. V., Vishnyakova, O. V., & Knyaz, V. A. 2017. Pedestrian detection in video surveillance using fully convolutional YOLO neural network. In Automated Visual Inspection and Machine Vision II (Vol. 10334, p. 103340Q). International Society for Optics and Photonics.
  • Shafiee, M. J., Chywl, B., Li, F., & Wong, A. 2017. Fast YOLO: a fast you only look once system for real-time embedded object detection in video. arXiv preprint arXiv:1709.05943.
  • Burić, M., Pobar, M., & Ivašić-Kos, M. 2019. Adapting YOLO network for ball and player detection. In Proceedings of the 8th International Conference on Pattern Recognition Applications and Methods (ICPRAM 2019) (pp. 845-851).
  • Borianne, P., Borne, F., Sarron, J., & Faye, E. 2019. Deep Mangoes: from fruit detection to cultivar identification in colour images of mango trees. arXiv preprint arXiv:1909