Colmena inteligente para apicultura de precisión Smart-Hive v1

Abstract

En el presente trabajo se desarrolla un proyecto de Internet de las Cosas (IoT) en MATLAB, con el objetivo de mejorar las prácticas de apicultura mediante el uso de sistemas de bajo coste. El proyecto implica la detección y clasificación de imágenes, así como el estudio de las condiciones ambientales dentro de una colmena mediante el uso de sensores. Se emplean redes neuronales de detección y clasificación para distinguir entre abejas y avispas. Para la detección, se utiliza un detector YOLOv4, junto con diversas redes neuronales convolucionales preentrenadas. En particular, se utilizan Resnet50 y una YOLOv4-Tiny, una versión reducida diseñada específicamente para IoT, lo que permite estudiar el impacto en la tasa de FPS. A partir de los resultados del detector, se utiliza una red de clasificación para distinguir entre ambos tipos de insectos. Para el despliegue de las redes, se utiliza inicialmente una RaspberryPi 4. Con una cámara RaspberryPi Module, se pueden capturar imágenes en tiempo real que se utilizan como entrada para las redes neuronales. Además, se añade un módulo SenseHat, que permite obtener información en tiempo real sobre la temperatura, la presión y la humedad. Una vez desarrollado todo el sistema, se explora la posibilidad de reducir los modelos entrenados para su despliegue en placas de hardware de menor coste, evaluando el impacto en la precisión. Para esta parte del proyecto, se utilizan dos placas STM32: STM32F411RE y STM32H743ZI.This paper develops an Internet of Things (IoT) project in MATLAB, with the objective of improving beekeeping practices through the use of low-cost systems. The project involves image detection and classification, as well as the study of environmental conditions inside a beehive by using sensors. Detection and classification neural networks are used to distinguish between bees and wasps. For detection, a YOLOv4 detector is used, along with several pretrained convolutional neural networks. In particular, Resnet50 and YOLOv4-Tiny, a scaled-down version designed specifically for IoT, are used, allowing the impact on the FPS rate to be studied. From the detector results, a classification network is used to distinguish between the two types of insects. For the deployment of the networks, a RaspberryPi 4 is initially used. With a RaspberryPi Module camera, real-time images can be captured and used as input for the neural networks. In addition, a SenseHat module is added, which allows real-time information about temperature, pressure and humidity to be obtained. Once the whole system is developed, the possibility of reducing the trained models for deployment on lower cost hardware boards is explored, evaluating the impact on accuracy. For this part of the project, two STM32 boards are used: STM32F411RE and STM32H743ZI.