Automatic Classification of Bee Pollen Types

Autores
Shammah, Julieta; Buemi, María Elena; Sanguinetti, Agustín
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
This study assesses the effectiveness of automatically classifying pollen types relevant to apiculture using convolutional neural networks. Using samples from ten bee-foraged plant species from Buenos Aires (Argentina), non-acetolyzed hydrated pollen specimens were prepared and photographed under an optical microscope at a medium magnification (10× objective lens). A segmentation algorithm was developed to extract individual pollen grain images, generating two independent datasets. Preliminary non-acetolyzed results with the ResNet18 network show 90% accuracy for grayscale images versus 63% for color images. This research aims to optimize the automatic identification of the floral origin of honeys from Buenos Aires using low-complexity equipment.
Este trabajo evalúa la eficacia de clasificación automática de tipos polínicos apícolas mediante redes neuronales convolucionales. Utilizando muestras de diez especies de plantas apícolas de Buenos Aires (Argentina) se prepararon y fotografiaron especímenes polínicos hidratados sin acetolizar bajo microscopio óptico con un aumento mediano (10× lente objetivo). Se desarrolló un algoritmo de segmentación para extraer imágenes individuales de granos de polen, generando dos conjuntos de datos independientes. Los resultados preliminares con la red ResNet18 sin acetólisis muestran una precisión del 90% para imágenes en escala de grises versus 63% para imágenes en color. Esta investigación busca optimizar la identificación automática del origen floral de mieles bonaerenses utilizando equipamiento de baja complejidad.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
pollen classification
convolutional neural networks
melissopalynology
automatic image extraction
ResNet18
clasificación de polen
redes neuronales convolucionales
melisopalinología
extracción automática de imágenes
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/190458
Acceder
id SEDICI_a0d15d6c800359ed3334c0f02e95ca50
oai_identifier_str oai:sedici.unlp.edu.ar:10915/190458
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Automatic Classification of Bee Pollen TypesClasificación automática de tipos polínicos apícolasShammah, JulietaBuemi, María ElenaSanguinetti, AgustínCiencias Informáticaspollen classificationconvolutional neural networksmelissopalynologyautomatic image extractionResNet18clasificación de polenredes neuronales convolucionalesmelisopalinologíaextracción automática de imágenesThis study assesses the effectiveness of automatically classifying pollen types relevant to apiculture using convolutional neural networks. Using samples from ten bee-foraged plant species from Buenos Aires (Argentina), non-acetolyzed hydrated pollen specimens were prepared and photographed under an optical microscope at a medium magnification (10× objective lens). A segmentation algorithm was developed to extract individual pollen grain images, generating two independent datasets. Preliminary non-acetolyzed results with the ResNet18 network show 90% accuracy for grayscale images versus 63% for color images. This research aims to optimize the automatic identification of the floral origin of honeys from Buenos Aires using low-complexity equipment.Este trabajo evalúa la eficacia de clasificación automática de tipos polínicos apícolas mediante redes neuronales convolucionales. Utilizando muestras de diez especies de plantas apícolas de Buenos Aires (Argentina) se prepararon y fotografiaron especímenes polínicos hidratados sin acetolizar bajo microscopio óptico con un aumento mediano (10× lente objetivo). Se desarrolló un algoritmo de segmentación para extraer imágenes individuales de granos de polen, generando dos conjuntos de datos independientes. Los resultados preliminares con la red ResNet18 sin acetólisis muestran una precisión del 90% para imágenes en escala de grises versus 63% para imágenes en color. Esta investigación busca optimizar la identificación automática del origen floral de mieles bonaerenses utilizando equipamiento de baja complejidad.Sociedad Argentina de Informática e Investigación Operativa2025-08info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf26-37http://sedici.unlp.edu.ar/handle/10915/190458spainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/19562info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-02-26T11:39:47Zoai:sedici.unlp.edu.ar:10915/190458Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-02-26 11:39:47.731SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Automatic Classification of Bee Pollen Types
Clasificación automática de tipos polínicos apícolas
title Automatic Classification of Bee Pollen Types
spellingShingle Automatic Classification of Bee Pollen Types
Shammah, Julieta
Ciencias Informáticas
pollen classification
convolutional neural networks
melissopalynology
automatic image extraction
ResNet18
clasificación de polen
redes neuronales convolucionales
melisopalinología
extracción automática de imágenes
title_short Automatic Classification of Bee Pollen Types
title_full Automatic Classification of Bee Pollen Types
title_fullStr Automatic Classification of Bee Pollen Types
title_full_unstemmed Automatic Classification of Bee Pollen Types
title_sort Automatic Classification of Bee Pollen Types
dc.creator.none.fl_str_mv Shammah, Julieta
Buemi, María Elena
Sanguinetti, Agustín
author Shammah, Julieta
author_facet Shammah, Julieta
Buemi, María Elena
Sanguinetti, Agustín
author_role author
author2 Buemi, María Elena
Sanguinetti, Agustín
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
pollen classification
convolutional neural networks
melissopalynology
automatic image extraction
ResNet18
clasificación de polen
redes neuronales convolucionales
melisopalinología
extracción automática de imágenes
topic Ciencias Informáticas
pollen classification
convolutional neural networks
melissopalynology
automatic image extraction
ResNet18
clasificación de polen
redes neuronales convolucionales
melisopalinología
extracción automática de imágenes
dc.description.none.fl_txt_mv This study assesses the effectiveness of automatically classifying pollen types relevant to apiculture using convolutional neural networks. Using samples from ten bee-foraged plant species from Buenos Aires (Argentina), non-acetolyzed hydrated pollen specimens were prepared and photographed under an optical microscope at a medium magnification (10× objective lens). A segmentation algorithm was developed to extract individual pollen grain images, generating two independent datasets. Preliminary non-acetolyzed results with the ResNet18 network show 90% accuracy for grayscale images versus 63% for color images. This research aims to optimize the automatic identification of the floral origin of honeys from Buenos Aires using low-complexity equipment.
Este trabajo evalúa la eficacia de clasificación automática de tipos polínicos apícolas mediante redes neuronales convolucionales. Utilizando muestras de diez especies de plantas apícolas de Buenos Aires (Argentina) se prepararon y fotografiaron especímenes polínicos hidratados sin acetolizar bajo microscopio óptico con un aumento mediano (10× lente objetivo). Se desarrolló un algoritmo de segmentación para extraer imágenes individuales de granos de polen, generando dos conjuntos de datos independientes. Los resultados preliminares con la red ResNet18 sin acetólisis muestran una precisión del 90% para imágenes en escala de grises versus 63% para imágenes en color. Esta investigación busca optimizar la identificación automática del origen floral de mieles bonaerenses utilizando equipamiento de baja complejidad.
Sociedad Argentina de Informática e Investigación Operativa
description This study assesses the effectiveness of automatically classifying pollen types relevant to apiculture using convolutional neural networks. Using samples from ten bee-foraged plant species from Buenos Aires (Argentina), non-acetolyzed hydrated pollen specimens were prepared and photographed under an optical microscope at a medium magnification (10× objective lens). A segmentation algorithm was developed to extract individual pollen grain images, generating two independent datasets. Preliminary non-acetolyzed results with the ResNet18 network show 90% accuracy for grayscale images versus 63% for color images. This research aims to optimize the automatic identification of the floral origin of honeys from Buenos Aires using low-complexity equipment.
publishDate 2025
dc.date.none.fl_str_mv 2025-08
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/190458
url http://sedici.unlp.edu.ar/handle/10915/190458
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/19562
info:eu-repo/semantics/altIdentifier/issn/2451-7496
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
26-37
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1858282593044135936
score 12.665996

Publicaciones similares