用 AI 分析了解蜜蜂消失的原因

專案背景

美國環境研究與政策中心（Environment America Research & Policy Center）表示，近年蜂農通報中每年冬天平均損失約 30% 的蜂群。如此數量是經濟上可承受損失的兩倍。該政策中心也表示野生蜜蜂的數量正在持續下降。 

根據美國環境研究與政策中心的資料，全人類 90% 食物的100 種作物中，就有 71 種仰賴蜜蜂授粉。檢視蜂巢失敗的各種原因，約有 25% 到 40% 案例是由蜂后失能所造成的，其他原因則可追溯到環境風險、營養不良、寄生蟲和疾病。

那我們應該如何更加解蜂巢健康、蜜蜂行為和蜂后失能的原因，以避免未來有更多蜂巢死亡？ SAS ，一家透過創新軟體和服務進行分析的業界龍頭公司，承諾要運用資料和分析能力試圖解決全球最緊迫的問題， SAS希望透過深入瞭解蜂巢衰敗的原因，來減緩蜜蜂的傷亡。因此SAS開始監測與追蹤蜂巢的健康，包含追蹤目標：

• 了解蜂巢健康 

 • 測量和量化蜜蜂和蜂巢的各方面資訊 

 • 深入了解供應飼料的可行性 

 • 判定植被開花時間 

 • 觀察蜜蜂行為受到的外在影響

 • 偵測重要的蜂巢事件

專案需求

為了實現這些目標，SAS 必須有效應用物聯網（IoT）技術，例如機器學習、人工智慧 （AI）和視覺化分析，而為了全面理解蜂巢的健康狀況，SAS 必須能夠收集、視覺化和分析各種物聯網的資料，例如：

• 傳統感測器資料：蜂巢的重量、溫度和濕度

 • 蜂巢內部的聲音串流 ：聲學分析

 • 蜂巢外部的視訊串流：電腦視覺

專案架構

感測器和人工智慧推理系統被應用於北卡羅來納州卡瑞鎮（Cary, N.C.）的 SAS 園區蜂巢，以收集所需的資料。這些裝備開始將蜂巢資料直接傳輸到雲端以測量蜂巢內部和周遭的資料點，例如重量、溫度、濕度 、飛行活動和聲學資料等。機器學習模型也被用來「聆聽」蜂巢的聲音，並且可以分析健康度、壓力水準、蜂群活動和蜂后狀態。 

SAS 選擇研華的 MIC-720AI 邊緣AI 推理系統來支援處理來自蜂巢外視訊串流的機器視覺資料。研華 MIC-720AI是研華MIC-AI 推理系統地第一台，由 NVIDIA® Jetson™ 平台驅動。有了 MIC-720AI，客戶可以在嵌入式模組中得到一整個 GPU 工作站的所有性能。該裝置可承受工業級振動和高溫，並採用模組化和緊湊設計。在此蜂巢監控專案中，MIC-720AI 被置於現場的耐候外殼中，並且必須能夠承受高溫和潮濕。 

此專案收集到的資料有詳細和細密的性質，包含視訊串流上的單隻蜜蜂，蜂巢的嗡鳴聲等，因此SAS 團隊需要利用一種稱為穩健主成分分析（robust principal component analysis，RPCA）的機器學習技術。舉例來說，在草被風吹動時，RPCA 能協助將前景的蜜蜂影像與背景的草分開。 

資料接下來會被彙編至儀表板以進行即時分析。像 MIC-720AI 的工業級邊緣硬體，能夠將分析方法直接以串流傳輸到蜂巢。這點對於電腦視覺而言尤其關鍵，因為透過高效應用的連接，SAS 獲得的不只是原始視訊，而是他們最感興趣的結果分析。

為什麼選擇研華

1.      支援GPU 運算的邊緣系統: 在小型的邊緣系統，擁有一整個 GPU 工作站的所有性能 

2.      可靠的工業設計: 防震、防塵與寬溫設計，可以在戶外與高溫下運作 

3.      輕鬆部署: 緊湊型設計與簡單的維護