Anfang Mai beginnt die Hornissen K\u00f6nigin mit dem Nestbau, sodass Anfang Juni die ersten Arbeiterinnen schl\u00fcpfen5<\/a><\/sup>. Dies ist der Zeitpunkt, in dem wir sp\u00e4testens die Lock-Stationen ausbringen, um m\u00f6glichst fr\u00fch die Prim\u00e4rnester ausfindig machen zu k\u00f6nnen. Diese werden mittels eines Kompasses nach Norden ausgerichtet und mit einem WLAN verbunden. Eine Bau-Anleitung und die genaue Funktion findet sich hier: Lock-Station bauen<\/a><\/p>\n\n\n\n Alle Sichtungen werden von dem Raspberry Pi durch ein zuvor trainierte Yolo5 KI Modell klassifiziert und bei einem positiven Hornissen Befund (Events) inklusive An- und Ab-Flugwinkel, einigen Meta-Informationen und dem Beweisbild zu Supabase hochgeladen und in eine SQL-Datenbank bzw. einem Storage-Bucket abgelegt. Hornet-Radar.com extrahiert diese Daten und visualisiert sie auf einer interaktiven Karte mit nachfolgenden Schritten.<\/p>\n\n\n\n – Dies ist erstmal noch eine \u00dcberlegung und muss noch final getestet werden<\/strong> –<\/p>\n\n\n\n Cluster und Mittelwert-Berechnung<\/p>\n\n\n\n Die gro\u00dfe Herausforderung ist nun Cluster (also vermutliche Nester) zu erkennen und einen Mittelwert (Weg dorthin) aus allen Events einer Lock-Station zu berechnen. Wir m\u00fcssen von einer hohen Streuung ausgehen (wenige werden direkt zur\u00fcckfliegen) und auch mit einigen Ausrei\u00dfern (unzufriedene G\u00e4ste, welche weiter und nicht zum Nest zur\u00fcckfliegen) rechnen. Auch ist das klassische arithmetische Mittel bei Winkelberechnung nicht zielf\u00fchrend:<\/p>\n\n\n\n \u2192 Aus irgendwo im Norden wird auf einmal S\u00fcden.<\/p>\n\n\n\n Die Idee:<\/strong> Gleitende Winkelwerte und DBSCAN Cluster Ermittlung<\/p>\n\n\n\n 1.) Jeder gemessene Winkel \u03b8 wird in einen Einheitsvektor umgerechnet und damit als Punkt auf dem Einheitskreis geometrisch vergleichbar.<\/p>\n\n\n\n 2.) Aus diesen einzelnen Vektoren \u03b8 der letzten x Wochen werden zeitlich gleitende Mittel-Vektoren. Das Ergebnis ist eine reduzierte Menge gegl\u00e4ttet Mittel-Vektoren:<\/p>\n\n\n\n 3.) Zus\u00e4tzlich erhalten wir mit der Koh\u00e4renz r ein Qualit\u00e4tsma\u00df f\u00fcr die Fl\u00fcge:<\/p>\n\n\n\n r \u2248 1 \u2192 sehr gerichtet Flug 4.) Die Clusterermittlung \u00fcbernimmt anschlie\u00dfend der Density-Based Spartial Clustering of Applications with Noise Algorithmus (DBSCAN)6<\/a><\/sup>. Da wir die Anzahl der Cluster nicht kennen, hat dieser Algorithmus einen entscheidenden Vorteil gegeben \u00fcber beispielsweise K-Means und kann au\u00dferdem Ausrei\u00dfer (Noise) ausschlie\u00dfen oder gesondert zur\u00fcckgeben.<\/p>\n\n\n\n Von Chire – Eigenes Werk, CC BY-SA 3.0, https:\/\/commons.wikimedia.org\/w\/index.php?curid=17045963<\/p>\n\n\n\n Zur Bestimmung von Kernobjekten (Rot) muss lediglich eine geeignete Nachbarschaftsl\u00e4nge \\frac {10\u00b0+350\u00b0}{2} = 180\u00b0<\/pre><\/div>\n\n\n\nv_i = {x_i \\choose y_i} = { cos(\u03b8) \\choose sin(\u03b8)}<\/pre><\/div>\n\n\n\n
F\u00fcr beispielsweise Fenstergr\u00f6\u00dfe w = 10<\/p>\n\n\n\nW_k = \\{v_k, v_{k+1},...,v_{k+w-1}\\} \\\\ \\ \\\\ \\bar v_k\u200b={\\bar x_k \\choose \\bar y_k} =\\frac 1w \\sum _{i=k}^{k+w-1} {\\bar x_i \\choose \\bar y_i}<\/pre><\/div>\n\n\n\n\\phi = \\{\\bar v_1, \\bar v_2,..., \\bar v_w \\}<\/pre><\/div>\n\n\n\nr = \\frac {\\sqrt {\\bar x^2 + \\bar y^2}} {n} <\/pre><\/div>\n\n\n\n
r \u2248 0 \u2192 Chaos \/ Suchflug<\/p>\n\n\n\n![\"\"](\"https:\/\/upload.wikimedia.org\/wikipedia\/commons\/a\/af\/DBSCAN-Illustration.svg\")
<\/figure>\n\n\n\n