用 AI 技术分析了解蜜蜂消失的原因

案例背景

美国环境研究与政策中心（Environment America Research & Policy Center）表示，近年蜂农通报中每年冬天平均损失约 30% 的蜂群。如此数量是经济上可承受损失的两倍。该政策中心也表示野生蜜蜂的数量正在持续下降。

根据美国环境研究与政策中心的资料，全人类 90% 食物的100 种作物中，就有 71 种仰赖蜜蜂授粉。检视蜂巢失败的各种原因，约有 25% 到 40% 案例是由蜂后失能所造成的，其他原因则可追溯到环境风险、营养不良、寄生虫和疾病。

那我们应该如何更加解蜂巢健康、蜜蜂行为和蜂后失能的原因，以避免未来有更多蜂巢死亡？ SAS ，一家透过创新软件和服务进行分析的业界龙头公司，承诺要运用资料和分析能力试图解决全球最紧迫的问题， SAS希望透过深入了解蜂巢衰败的原因，来减缓蜜蜂的伤亡。

因此SAS开始监测与追踪蜂巢的健康，包含追踪目标：

• 了解蜂巢健康
• 测量和量化蜜蜂和蜂巢的各方面信息
• 深入了解供应饲料的可行性
• 判定植被开花时间
• 观察蜜蜂行为受到的外在影响
• 侦测重要的蜂巢事件

为了实现这些目标，SAS 必须有效应用物联网（IoT）技术，例如机器学习、人工智能 （AI）和可视化分析，而为了全面理解蜂巢的健康状况，SAS 必须能够收集、可视化和分析各种物联网的数据，例如：

• 传统传感器数据：蜂巢的重量、温度和湿度
• 蜂巢内部的声音串流 ：声学分析
• 蜂巢外部的视讯串流：计算机视觉

解决方案

传感器和 AI 推理系统被应用于北卡罗来纳州卡瑞镇（Cary, N.C.）的 SAS 园区蜂巢，以收集所需的资料。这些装备开始将蜂巢数据直接传输到云端以测量蜂巢内部和周遭的数据点，例如重量、温度、湿度 、飞行活动和声学资料等。机器学习模型也被用来「聆听」蜂巢的声音，并且可以分析健康度、压力水平、蜂群活动和蜂后状态。

SAS 选择研华的 MIC-720AI 边缘AI 推理系统来支持处理来自蜂巢外视讯串流的机器视觉数据。研华 MIC-720AI是研华MIC-AI 推理系统地第一台，由 NVIDIA® Jetson™ 平台驱动。

有了 MIC-720AI，客户可以在嵌入式模块中得到一整个 GPU 工作站的所有性能。该装置可承受工业级振动和高温，并采用模块化和紧凑设计。在此蜂巢监控项目中，MIC-720AI 被置于现场的耐候外壳中，并且必须能够承受高温和潮湿。

此项目收集到的资料有详细和细密的性质，包含视讯串流上的单只蜜蜂，蜂巢的嗡鸣声等，因此SAS 团队需要利用一种称为稳健主成分分析（robust principal component analysis，RPCA）的机器学习技术。举例来说，在草被风吹动时，RPCA 能协助将前景的蜜蜂影像与背景的草分开。

数据接下来会被汇编至仪表板以进行实时分析。像 MIC-720AI 的工业级边缘硬件，能够将分析方法直接以串流传输到蜂巢。这点对于计算机视觉而言尤其关键，因为透过高效应用的连接，SAS 获得的不只是原始视讯，而是他们最感兴趣的结果分析。

为何选择研华？

1. 支持GPU运算的边缘系统 — 在小型的边缘系统，拥有一整个 GPU 工作站的所有性能
2. 可靠的工业设计— 防震、防尘与宽温设计，可以在户外与高温下运作
3. 轻松部署——紧凑型设计与简单的维护