人工智慧 (AI) 提供了一種追蹤對農業至關重要的昆蟲傳粉者的新方法。

在一項新的研究中，我們在澳洲維多利亞州草莓農場的溫室內安裝了微型數位相機和計算機，以追蹤蜜蜂和其他昆蟲在從一株植物飛到另一株植物之間為花朵授粉的情況。

使用客製化的人工智慧軟體，我們分析了系統中幾天的影片片段，以建立大範圍授粉行為的圖片。

就像監控道路可以幫助交通順暢一樣，我們的系統也有望提高授粉效率。 這將能夠更好地利用資源並增加糧食產量。

一雙清新的眼睛

隨著人口的成長和自然資源的有限，糧食生產需要變得更有效率和永續。 由人工智慧等新技術驅動的精準農業可以幫助確保未來的糧食生產。

高效授粉對於生產健康的水果、蔬菜、豆類和堅果至關重要。

最佳授粉需要適量的授粉昆蟲訪問花朵。 太少或太多的訪問或無效的昆蟲傳粉者的訪問都會降低開花植物生產的食物的品質。

監測昆蟲授粉的典型技術使用直接目視觀察或盤誘，這是勞力密集的並且需要許多天。

此外，如果沒有大量訓練有素的觀察員，就不可能在大型農場同時收集資料。 然而，在一個季節的授粉窗口關閉之前，需要這些數據來提供作物授粉程度的時間關鍵證據。

然而，透過我們的數位系統，農場經理可以獲得作物授粉水平的當天數據。

昆蟲傳粉媒介運動的細緻分析如何實現更好的糧食生產

追蹤草莓植物上的蜜蜂。

我們的授粉監測系統安裝在 Sunny Ridge 農場的一個對昆蟲開放的草莓溫室中。 一系列攝影機監測草莓中的昆蟲活動，記錄蜜蜂、食蚜蠅、蛾、蝴蝶和一些黃蜂。

使用先進的軟體管理大（昆蟲）數據

我們的系統收集的數據量需要客製化軟體才能可靠地追蹤在複雜樹葉中飛行的單一昆蟲。

我們的軟體克服的一個關鍵問題是識別視訊序列中的昆蟲運動，因此單一路徑上的單一昆蟲不會被意外地多次計數。 這使得能夠準確評估一天中某個地區的昆蟲數量、分析其類型（例如物種）並監測其訪花情況。

我們的客製化軟體使用混合檢測模型來檢測和追蹤影片中的昆蟲和花朵。 該模型結合了使用卷積神經網路的基於人工智慧的深度學習對象檢測功能，以及單獨的前景檢測演算法，以識別錄製影片中昆蟲和它們訪問的花朵的精確位置。

該軟體具有提高數據處理效率並節省電腦電量的功能。

我們的軟體產生的昆蟲路徑是使用一種稱為匈牙利演算法的方法計算的。 這會檢查昆蟲在序列中每個視訊畫面中的位置，並能夠識別昆蟲在視訊幀序列中的位置之間的匹配。

透過記錄和視覺化這些路徑，我們可以了解溫室中昆蟲的行為和授粉效率。

在至少四次昆蟲造訪一朵花後，草莓就會結出優質的果實。 過多的訪問實際上會損害花朵並降低果實品質。

哪些昆蟲驅動授粉？

在我們現場的三個樣本點報告了昆蟲數量、痕跡和花朵訪問。 圖上方的長條圖顯示了每種昆蟲類型的軌跡數量和訪問花朵的總數。 軌道顏色代表不同的昆蟲品種。 花的位置以藍色圓圈表示。 拉特納亞克等人，2022。

在監測區域，蜜蜂造訪花朵的頻率比其他昆蟲造訪的頻率更高。 我們的分析顯示，在監測期間，68% 的記錄花朵接受了完全受精所需的最少四次昆蟲訪問。

雖然蜜蜂對授粉的貢獻最大，但其他昆蟲的造訪通常會導致單朵花達到四次造訪的預期閾值，從而有可能提高作物產量。

不同昆蟲種類對草莓授粉的貢獻。 條形圖顯示了我們現場三個樣本位置每種昆蟲類型訪問花朵的百分比。 深灰色部分顯示每種昆蟲類型中超過四朵花（草莓花受精所需的訪問次數）的百分比。 圖中的紅色虛線顯示某個位置訪問次數超過四次的花朵的總百分比。 拉特納亞克等人，2022。

透過檢測最佳授粉所需的昆蟲數量、類型和時間，我們的監測系統為農民提供決策所需的證據。

例如，了解作物授粉的程度可以讓種植者改變蜂巢位置和數量，以緩解授粉不足的情況。

農民也可以打開或關閉溫室側壁，以鼓勵或阻止昆蟲從特定方向來訪。 他們可能決定添加引誘花來吸引昆蟲探索未充分訪問的作物區域。

這些簡單的干預措施可以確保更高的授粉成功率和更高的市場品質水果產量。 像這樣的智慧昆蟲管理有望幫助滿足不斷增長的人口對健康農產品的需求。

Malika Nisal Ratnayake，資訊科技學院博士後研究員， 莫納什大學; 阿德里安·戴爾，副教授， 莫納什大學 和艾倫‧多林 (Alan Dorin)，資訊科技學院副教授， 莫納什大學

本文根據知識共享授權從 The Conversation 重新發布。 閱讀原文。