arXiv cs.CL· Asaduz Zaman, Mohaimenul Azam Khan Raiaan, Malika Nisal Ratnayake·· 12 小时前AI 评分18
计算机视觉与知识增强语言模型驱动的智能养蜂辅助系统
Computer Vision and Knowledge-Grounded Language Models for Intelligent Beekeeper Assistance
AI 导读
研究提出一套可边缘部署的智能养蜂辅助流程，将蜂巢框照片经目标检测转为结构化事实，再生成受约束的事实文本并触发知识库，输出可解释、可操作的检查报告。系统基于开源 FAIRHiveFrames-1K 数据集构建，优先采用可复现的边缘部署模型而非大型通用前沿模型，并额外发布 FAIRHiveText-1K 数据集，将图像数据转为可互换的事实与文本解释。
正文 · AI 翻译
摘要：管理蜂群与野生蜂群支撑着全球约三分之一的食品产出，然而蜂群正面临气候变化带来的日益加剧的压力，包括极端天气模式、寄生虫与疾病模式的改变。及时评估蜂群状况，例如了解蜂群强度、子脾面积、蜂蜜与花粉储量、巢脾使用情况，对于适应性管理至关重要。然而，人工检查巢框速度慢、成本高，且质量取决于稀缺的专业技能。我们提出了一种人工靶向智能系统框架，聚焦于可边缘部署的流水线，将巢框照片转化为可解释且面向行动的检查报告。该流水线包括一个目标检测器，用于检测具有生物学意义的巢房类别；检测结果被提炼为结构化事实模式；事实被转换为受约束的事实性文本；该文本触发一个基于证据的知识库，用于生成解释与建议。知识库条目必须能够由事实模式中表达的证据触发。我们基于开源 FAIRHiveFrames-1K 数据集构建了系统，并倾向于可复现、可边缘部署的模型，而非大型通用前沿模型。我们还额外发布了 FAIRHiveText-1K 数据集，该数据集将 FAIRHiveFrames-1K 数据集转化为可互换的事实及对事实的文本解释，便于该领域进一步开展基于 LLM 的研究。我们还提出了一条构建基于证据的知识库的路径，这将有助于从事实中提供可解释且可行动的报告。
| 学科： | 计算机视觉与模式识别（cs.CV）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.29283 [cs.CV] |
| （或 arXiv:2610.29283v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29283 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Asaduz Zaman [查看电子邮件]
[v1]
2026年10月21日星期三 06:36:55 UTC（49 KB）
来源：arXiv cs.CL · arxiv.org