Rastreamento de Abelhas da Espécie Melipona capixaba utilizando Visão Computacional

• Marcos Veniciu Sá Barbalho UFV
• Tiago N. Matos UFV
• Ingrid Gomes UFV
• Ricardo S. Ferreira UFV
• Helder Canto Resende UFV
• José Augusto M. Nacif UFV

DOI: https://doi.org/10.5753/wcama.2026.21050

Resumo

Monitorar o forrageamento da Melipona capixaba, uma espécie ameaçada de extinção, é vital para sua conservação, mas métodos manuais são invasivos. Neste trabalho, propomos um sistema não invasivo de visão computacional em nuvem para rastreamento direcional contínuo na colônia. Avaliando YOLO11n, YOLO26n e RT-DETR com ByteTrack, o RT-DETR obteve precisão superior em GPU (IDF1 de 74,29%), o que viabiliza análises ecológicas precisas. Na avaliação de viabilidade para processamento embarcado na borda com Raspberry Pi 5, o RT-DETR falhou na inferência sob quantização INT8, enquanto os modelos YOLO mostraram-se resilientes para futuras análises autônomas em campo.

Referências

Bilik, S., Zemcik, T., Kratochvila, L., Ricanek, D., Richter, M., Zambanini, S., and Horak, K. (2022). Machine learning and computer vision techniques in continuous beehive monitoring applications: A survey. arXiv preprint arXiv:2208.00085.

Bochkovskiy, A., Wang, C.-Y., and Liao, H.-Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934.

Buslaev, A., Iglovikov, V. I., Khvedchenya, E., Parinov, A., Druzhinin, M., and Kalinin, A. A. (2020). Albumentations: Fast and flexible image augmentations. Information, 11(2):125.

Dsouza, A. and Hegde, S. (2023). Hivelink, an iot based smart bee hive monitoring system. arXiv preprint arXiv:2309.12054.

Hernández-Cámara, P. et al. (2023). Analysis of deep image quality models. arXiv pre-print arXiv:2302.13345.

Jocher, G. and Qiu, J. (2024). Ultralytics yolo11. [link]. Version 11.0.0.

Jocher, G. and Qiu, J. (2026). Ultralytics yolo26. [link]. Version 26.0.0.

Lei, C., Lu, Y., Xing, Z., Zhang, J., Li, S., Wu, W., and Liu, S. (2024). A honey bee in- and-out counting method based on multiple object tracking algorithm. Insects, 15:974.

Mahamud, M. S. et al. (2019). Mouchak - an iot based smart beekeeping system using mqtt. In 4th International Conference on Robotics and Automation Engineering (ICRAE).

Milan, A., Leal-Taixé, L., Reid, I., Roth, S., and Schindler, K. (2016). Mot16: A benchmark for multi-object tracking. arXiv preprint arXiv:1603.00831.

Nogueira, J. et al. (2014). Conservation study of an endangered stingless bee (melipona capixaba-hymenoptera: Apidae) with restricted distribution in brazil. Journal of Insect Conservation, 18(3):317–326.

Odemer, R. (2022). Approaches, challenges and recent advances in automated bee counting devices: A review. Annals of Applied Biology.

Silva, D. A., Bomfim, I. G. A., Braga, A. R., and Gomes, D. G. (2023). Applying computer vision models to detect in real time the pollen flow at the input of honeybee hives (apis mellifera l.). In Anais do Encontro Nacional de Inteligência Artificial e Computacional (ENIAC).

Sledevič, T., Serackis, A., Matuzevičius, D., Plonis, D., and Andriukaitis, D. (2024). Keypoint-based bee orientation estimation and ramp detection at the hive entrance for bee behavior identification system. Agriculture, 14:1890.

Sledevič, T., Serackis, A., Matuzevičius, D., Plonis, D., and Vdoviak, G. (2025). Visual recognition of honeybee behavior patterns at the hive entrance. PLoS ONE, 20(2):e0318401.

Soudeep, S. et al. (2024). Dgnn-yolo: Interpretable dynamic graph neural networks with yolo11 for small occluded object detection and tracking. arXiv preprint arXiv:2411.17251.

Zhang, Y., Sun, P., Jiang, Y., Yu, D., Weng, F., Yuan, Z., Luo, P., Liu, W., and Wang, X. (2022). Bytetrack: Multi-object tracking by associating every detection box. In European Conference on Computer Vision (ECCV).

Zhao, Y., Lv, W., et al. (2023). Detrs beat yolos on real-time object detection. arXiv preprint arXiv:2304.08069.