《Technologies》：Edge-Based Multi-Scale Predator Detection for Stingless Bee Protection Using Attention-Integrated YOLOv11
Ashan Milinda Bandara Ratnayake,
Marha Sahirah Majid,
Hartini Yasin,
Abdul Ghani Naim and
Pg Emeroylariffion Abas
编辑推荐：
无刺蜂（stingless bee）群体极易受到体型差异显著的天敌侵扰，反复入侵会导致蜂群应激、生产力下降甚至弃巢。现有自动化监测系统仅能识别有限种类的天敌，且在处理高分辨率图像时难以实现多尺度目标检测。为此，研究人员提出了一种实时天敌监测系统，通过在YOLO
无刺蜂（stingless bee）群体极易受到体型差异显著的天敌侵扰，反复入侵会导致蜂群应激、生产力下降甚至弃巢。现有自动化监测系统仅能识别有限种类的天敌，且在处理高分辨率图像时难以实现多尺度目标检测。为此，研究人员提出了一种实时天敌监测系统，通过在YOLOv11-nano架构中集成多尺度注意力模块（Multi-Scale Attention, MSA），以提升对不同体型天敌的检测性能。该模型将卷积特征与注意力机制相结合，优化全局与局部特征的融合。实验结果表明，相比YOLOv11-nano，MSYOLO11的总体召回率（Recall）从0.830提升至0.853，其中小型目标类别的提升尤为显著，如蚂蚁（ant）提升0.096、人类（human）提升0.083、H. itama提升0.026，同时保持相近的精确率（Precision）（0.868 vs 0.842）及mAP50（0.898 vs 0.896），计算量维持在6.3 GFLOPs。系统在Jetson Orin Nano上可实现5 FPS的实时运行，端到端延迟为181 ms。结合Firebase的移动应用可在检测到天敌时即时推送通知，并显示带边界框的检测结果，实现数据同步。结果表明，MSYOLO11是一种高效实用的多尺度天敌检测方案，支持连续蜂巢监测与养蜂人及时干预。
该研究针对无刺蜂养殖中天敌侵扰导致弃巢和经济损失的问题，提出基于边缘计算的多尺度天敌检测系统。由于无刺蜂缺乏有效防御大型脊椎动物天敌的能力，且小型天敌常在初期被忽视，持续侵扰会显著增加蜂群应激并削弱防御能力，因此迫切需要一种能够在高分辨率图像中稳定识别不同体型天敌的自动化监测系统。研究人员基于YOLOv11-nano架构，引入多尺度注意力模块（MSA），结合卷积神经网络（CNN）的局部特征提取能力与Transformer的全局建模优势，在低计算开销下提升多尺度目标检测性能。系统部署在Jetson Orin Nano边缘设备上，配合Firebase实时数据库与移动应用，实现天敌检测、报警和数据可视化一体化。实验证明，该系统在保证低延迟和高能效的同时，提高了对小目标的检测召回率，有助于养蜂人在早期采取防护措施，降低弃巢风险。
关键技术方法方面，研究人员构建了包含多种天敌及H. itama（作为负样本）的数据集，涵盖公开数据集与实地采集样本，并使用标准比例划分为训练集、验证集与测试集，同时采用几何变换、色彩空间调整及Mosaic增强等方法扩充数据。模型选择YOLOv11-nano作为基准，并在特征提取阶段嵌入MSA模块，利用轴向注意力（axial attention）减少计算复杂度并保留长距离依赖。硬件平台选用Jetson Orin Nano搭配16 MP IMX519 CSI摄像头，软件方面结合CUDA优化的OpenCV与PyTorch推理，并通过Firebase Cloud Messaging实现实时推送。
研究结果部分，首先在3.1 MSYOLO11模型性能分析中，通过对不同类别目标尺寸分布的分析发现，H. itama集中在较小尺寸区间，蛙类和蜘蛛偏向较大尺寸，人类则跨度较大。MSYOLO11在保持计算量不变的前提下，将总体召回率提升至0.853，尤其在小目标类别表现突出，如蚂蚁提升0.096，人类提升0.083，H. itama提升0.026，虽然mAP@50:0.95略有下降，但在养蜂监测场景中可接受。混淆矩阵分析表明，MSYOLO11显著减少了漏检情况，尤其在中等尺寸目标上表现优异。
其次在3.2 失败案例定性分析中，研究人员发现错误主要源于形态相似性和复杂背景，例如蜘蛛因肢体径向对称被误判，人类因机械垂直结构与颜色模式被误检。此外，密集遮挡或伪装也会导致漏检，但整体鲁棒性良好，多数误差出现在极端视觉条件下。
最后在3.3 最终系统部署中，MSYOLO11在Jetson Orin Nano上实现端到端延迟181.07 ms，约5 FPS，满足实时监测需求。系统支持配置界面选择触发通知的天敌类型，检测结果实时写入Firebase数据库并保存本地图像，同时通过移动应用展示最新警报与历史趋势，支持离线查看。
在讨论与结论部分，研究人员指出，MSYOLO11通过融合卷积与注意力机制，有效解决了高分辨率图像中的多尺度天敌检测难题，提升了小型目标的召回率，同时保持较低的计算开销，适合边缘设备长期运行。系统结合移动端即时提醒功能，可帮助养蜂人快速响应潜在威胁，减少因天敌侵扰导致的弃巢风险。尽管当前模型已在目标性能上取得显著提升，但未来仍需在不同地理环境与更多蜂种环境中验证其泛化能力，并进一步通过消融实验量化各模块贡献。此项研究为精准养蜂（Precision Beekeeping, PB）提供了一种可扩展、低成本、高效的智能监测方案，发表于《Technologies》。
