Bee dataset but-hs2

Bee dataset but-hs2数据集是由布拉格工业大学的研究团队创建的，包含647张照片，分为两个主要部分：治疗前后的死蜜蜂和死螨虫照片。每个部分包括三个类别：蜜蜂、螨虫和带有螨虫的蜜蜂。数据集是在Těšínky, CZ地区收集的，使用约25只蜜蜂和20只Varroa螨虫。照片从蜜蜂的腹面、背面、左侧面和右侧面拍摄。该数据集用于训练U-net语义分割架构，以实现对蜜蜂身上Varroa螨虫的检测。

The but-hs2 bee dataset was developed by a research team from the Czech Technical University in Prague. It comprises 647 photographs, split into two main cohorts: images of dead bees and dead Varroa mites collected before and after treatment. Each cohort includes three categories: bees, mites, and bees infested with mites. The dataset was gathered in Těšínky, CZ, using approximately 25 bees and 20 Varroa mites. Photographs were captured from the ventral, dorsal, left lateral, and right lateral aspects of the specimens. This dataset is used to train U-net semantic segmentation architectures for detecting Varroa mites infesting bees.

搜集汇总

数据集介绍

构建方式

Bee dataset but-hs2的构建采用了多光谱成像技术，通过改装蜂巢监测设备Fˇcielka-Thor 3000，利用500 nm（蓝绿色）、780 nm（红外线）和冷白色三种不同波长的LED光源对蜜蜂和螨虫进行拍摄。数据集包含647张照片，分为处理前和处理后两个部分，每部分包括蜜蜂、螨虫以及带有螨虫的蜜蜂三个类别。所有样本均来自捷克Tˇeˇs´ınky地区，拍摄角度涵盖腹侧、背侧、左侧和右侧，图像统一尺寸为1116×300像素。

特点

该数据集的特点在于其多光谱成像的多样性，通过不同波长的光源捕捉蜜蜂和螨虫的细节特征，尤其是红外线波段（780 nm）能够显著提升螨虫与蜜蜂的区分度。数据集经过LabelStudio工具标注，采用三通道图像格式（蓝色-背景、绿色-蜜蜂、红色-螨虫），并支持YOLO格式的标注，便于语义分割和目标检测任务的训练。此外，数据集还包含静态蜜蜂和螨虫的样本，为后续动态监测研究提供了基础。

使用方法

Bee dataset but-hs2主要用于训练和评估语义分割模型（如U-net）以及传统计算机视觉方法。研究人员可通过红外波段图像（780 nm）训练模型，以检测蜜蜂体表的螨虫。数据集已标注为三通道图像和YOLO格式，可直接用于模型训练。此外，数据集还支持开发新型检测算法，如结合多光谱图像分析螨虫分布特征。使用该数据集时，建议关注红外波段图像，因其在螨虫检测中表现最佳。

背景与挑战

背景概述

Bee dataset but-hs2是由捷克布尔诺理工大学和奥斯特拉瓦大学的研究团队于2025年创建的专注于蜜蜂健康监测的重要数据集。该数据集旨在通过高光谱成像技术检测蜜蜂体表的瓦螨（Varroa destructor），这种寄生虫是导致蜂群崩溃的主要病原体之一。研究团队开发了改良版的蜂箱监测设备Fˇcielka-Thor 3000，采用500nm（青绿色）、780nm（红外线）和冷白光三波段LED照明系统，采集了647张蜜蜂和瓦螨的高光谱图像。作为首个公开的瓦螨多光谱检测数据集，它为智能养蜂和精准农业病虫害防治提供了关键的研究基础。

当前挑战

该数据集面临双重技术挑战：在领域层面，瓦螨与蜜蜂体色相近且体积微小（仅1-2mm），传统可见光成像难以实现有效区分；蜜蜂活动时的运动模糊问题会严重影响成像质量。在构建层面，多光谱图像配准需要严格的时序同步控制，死体样本与活体蜜蜂的光学特性差异导致数据代表性不足，而标注过程中瓦螨像素占比极低（约0.1%）加剧了语义分割模型的不平衡学习问题。此外，实际部署时花粉污染、其他昆虫干扰等环境变量进一步增加了检测系统的鲁棒性要求。

常用场景

经典使用场景

Bee dataset but-hs2 数据集在蜜蜂健康监测领域具有重要价值，尤其在检测蜜蜂寄生螨Varroa destructor方面表现突出。通过高光谱成像技术和语义分割架构U-net，该数据集能够精确识别蜜蜂体表的螨虫，解决了传统可见光下难以区分的难题。数据集包含不同光照条件下的蜜蜂图像，为研究人员提供了丰富的实验材料。

衍生相关工作

该数据集衍生了一系列经典研究工作，包括基于U-net的语义分割模型优化、多光谱成像技术的改进以及蜜蜂行为分析的扩展应用。例如，Kim Bjerge等人的自动蜂箱检测设备和Zina-Sabrina Duma团队的高光谱成像研究均受此数据集启发，推动了蜜蜂健康监测领域的整体进步。

数据集最近研究

最新研究方向

在蜜蜂健康监测领域，Bee dataset but-hs2数据集的最新研究方向聚焦于利用高光谱成像技术和深度学习模型实现蜂螨（Varroa destructor）的精准检测。该数据集通过采集蜜蜂和螨虫在不同波长光照下的图像数据，结合U-net语义分割架构，探索了基于红外波段（780nm）的螨虫识别方法。当前研究突破了传统可见光检测的局限性，通过窄光谱照明技术解决了螨虫与蜜蜂体色相近的识别难题。前沿探索方向包括优化光照波长组合、改进损失函数以降低假阴性率，以及开发适用于活体蜜蜂检测的实时处理系统。这一研究为蜂群健康监测提供了自动化解决方案，对全球蜜蜂保护具有重要生态意义。

相关研究论文

• Towards Varroa destructor mite detection using a narrow spectra illumination

  布拉格工业大学, 捷克共和国 · 2025年