本研究提出了一种结合U-net语义分割与传统方法的高光谱图像计算机视觉模型，显著提高了对蜜蜂和Varroa destructor的监测能力。

本研究评估了多种机器学习方法在农药对蜜蜂毒性数据稀缺问题上的表现，发现现有算法在非医学数据集上效果不佳，强调了开发针对性模型和多样化数据集的必要性。

使用计算机视觉和目标识别技术自动追踪和报告蜜蜂行为，以实现保护传粉动物，推动环境监测和全球粮食安全，进而提供一个可解释的人工智能接口，方便非技术专家利用蜜蜂检测事件生成时间戳报告和图表，以促进环保产业的负责任消费和生产。

该研究使用深度学习模型检测蚜虫簇集，并提出了一种新的方法来估计感染水平。通过构建庞大数据集并比较四种目标检测模型的性能，结果显示它们在精度和召回率方面表现相似。进一步的方法使性能提升了约17%。该研究证明了使用机器学习模型自动检测和管理昆虫的可行性，并公开提供了该数据集。

蜜蜂数量下降近40%，研究开发了一种自适应关注多模态神经网络（AMNN）来评估蜜蜂健康状况。AMNN准确率达到92.61%，提高了预测鲁棒性。研究发现音频信号更可靠地评估蜜蜂健康状况。将AMNN与图像和声音数据集成于蜜蜂健康监测系统中，提供了更高效、无创的解决方案。

研究使用油漆标记分析蜜蜂行为，创建了包含4392图像的数据集。利用ResNet和三元组损失的对比学习实现了高精度的蜜蜂身份识别。实验评估了识别技术的推广能力，探讨了使用蜜蜂腹部未标记图像进行识别的可能性，并展望了在边缘设备上实时部署的前景。

实验发现，蜜蜂聪明但易被困死，而苍蝇虽然飞行随意但能成功逃脱。蜜蜂应注重执行力，同时超越自身，拥有多元思维和交叉验证。