Ergebnisse:
Auch in diesem Monat wurden leider keine asiatische Hornissen gesichtet. Dafür sind die Stationen in München regelrecht von europäischen Hornissen belagert worden. Bedauerlicherweise ist die Klassifizierung durch YOLO nicht so genau wie erhofft und so gibt es viele False-Positives.
Das Deaktivieren der automatischen Belichtung hat zudem zu stark überbelichteten oder sehr dunklen Bilder geführt. Da die europäische Hornisse nachtaktiv ist und viele Events in den Morgen- und Abendstunden entstehen, wurde diese Einstellung nach einigen Tagen wieder auf automatisch zurückgestellt. Das umstellten auf manuellen Zoom hat dafür die Qualität der Bilder deutlich gesteigert. Nur die KI-Kamera von Pi-4 hat einen Hardware Zoom, der durch den komplizierten Einbau sehr schwer einzustellen ist.
Der heiße El Niño Sommer setzt außerdem den Stationen ganz schön zu. Der Kleber eines Kameramoduls ist geschmolzen und die Holzplatten zersplittern an den Ecken:
Anpassungen Hardware:
Das KI-Kameramodul von Station PI-4 wird analog zu den anderen Stationen durch ein Camera Module 3 ersetzt und die Kamera mit dem geschmolzenen Kleber wieder repariert. Außerdem wurden die Öffnung der Flasche mit der Lock-Flüssigkeit tiefer gehängt, sodass die Öffnung der Flasche auf gleicher Höhe wie das Anflugbrett ist und so einen Blick auf einen möglichst ungekrümmten Korpus der Hornissen erlaubt.
Anpassungen Software:
Im Kontakt mit dem englischen Forscherteam wurde ein Unterschied am Größenverhältnis festgestellt und so werden Frames nun im Format 16:9 mit einer Auflösung von 1080p aufgenommen und vor Klassifizierung um den Faktor 0,75 verkleinert, was deutlich bessere Resultate verspricht.
Bisher konnte das System pro Kamerabild zudem nur ein einziges Insekt verfolgen – es nahm immer das erste bewegte Objekt und ignorierte alle anderen. Die Problematik war bekannt, wurde aber bislang erstmal zurückgestellt.
Mit dem Juli-Update wird auf Multi-Objekt-Tracking umgebaut: Jedes erkannte Insekt bekommt jetzt eine eigene, über die Frames stabile ID und wird einzeln verfolgt. Zudem wird die YOLO Klassifizierung in einen eigenen Worker Daemon-Thread ausgelagert und auf 2 CPU-Kerne begrenzt, was genug Rechenkraft für das Tracking lässt und die Performance deutlich verbessern sollte.