Diese Studie präsentiert eine vergleichende Bewertung traditioneller Machine-Learning- (ML) und Deep-Learning- (DL) Ansätze zur Erkennung und Zählung von Varroa destructor-Milben in hyperspektralen Bildern. Da Varroa-Infektionen eine ernsthafte Bedrohung für die Gesundheit der Honigbienen darstellen, sind genaue und effiziente Erkennungsmethoden unerlässlich. Die ML-Pipeline – basierend auf Hauptkomponentenanalyse (PCA), k-nächsten Nachbarn (kNN) und Support Vector Machine (SVM) – wurde bereits veröffentlicht und erzielte eine hohe Leistung (Präzision = 0,9983, Rückruf = 0,9947), wobei das Training und die Inferenz in Sekundenschnelle auf Standard-CPU-Hardware abgeschlossen wurden. Im Gegensatz dazu wurde der DL-Ansatz, der Faster R-CNN mit ResNet-50- und ResNet-101-Rückenknochen einsetzt, auf denselben manuell annotierten Bildern feinabgestimmt. Trotz der Notwendigkeit von GPU-Beschleunigung, längeren Trainingszeiten und Herausforderungen bei der Reproduzierbarkeit erzielten die Deep-Learning-Modelle eine Präzision von 0,966 und 0,971, einen Rückruf von 0,757 und 0,829 sowie einen F1-Score von 0,848 und 0,894 für ResNet-50 und ResNet-101, jeweils. Qualitative Ergebnisse zeigen zudem die Robustheit der ML-Methode unter Bedingungen mit begrenzten Daten. Diese Ergebnisse heben die Unterschiede zwischen ML- und DL-Ansätzen in ressourcenbeschränkten Szenarien hervor und bieten praktische Leitlinien zur Auswahl geeigneter Erkennungsstrategien.
Ghezal et al. (Fri,) haben diese Frage untersucht.