統測歷屆試題本的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

應用於蜂箱監測之物件標示系統開發

為了解決統測歷屆試題本的問題，作者徐莨智 這樣論述：

蜜蜂雖只是大自然中的一個不起眼的生物，但卻是維持自然生態平衡與農業生態的重要功臣。 近年來，大自然在人類過度開發下，氣候產生劇烈變遷，導致全球的蜜蜂面臨大規模的族群崩潰與消失的現象，這種現象被科學家稱為「蜂群崩潰症候群」。 監測蜂巢出入口影像，了解工蜂出勤、回巢的數量與狀況，是研究蜂群崩潰症候群問題的重要技術。但蜂巢出入口常會有大量蜜蜂聚集，難以有效的偵測與標示。近年來，深度學習技術已能有效的執行物件偵測；然而要訓練出有效的深度學習模型，得要仰賴大量的人力進行標示以提供訓練樣本。本論文開發一套應用於蜂箱監測之物件標示系統，可以解決擁有大量蜂箱巢口影像，卻缺乏大量人力進行蜜蜂標示

，以致無法訓練出準確度高的深度學習模型的問題。本系統測試3種演算法以取代人工標示大量的影像，分別為：(1)傳統影像辨識、(2)以人工標示圖片訓練之深度學習，以及(3)本論文提出之Bootstrap與數量擴增標示圖片進行深度學習法。第三種演算法並加入以蜜蜂物件大小做為偵測過濾機制。 經實驗得知本論文提出之Bootstrap與數量擴增演算法當利用250張人工標示圖片所得到的模型，經Bootstrap 及數量擴增將標示圖片數量增加至5000張後，訓練所得之模型其IoU準確度可達48.56%，超過只以人力標示圖片訓練之模型(第二種演算法)的45.57%。此外，本論文提出之演算法只須15張人工標示圖

片，再利用Bootstrap 與數量擴增將標示圖片數量增加至2500張後，訓練所得之模型其可達成 41.58 % IoU準確度。本論文提出之演算法除應用於蜂巢口的蜜蜂影像標示外，當應用於偵測人面蜘蛛與寄生蜘蛛的物件偵測，可達到77.2%的高IoU準確度。 本論文建構可節省人力並提高準確度的自動蜜蜂標示系統。未來將以此技術，製作成一追蹤監督系統，進一步與本研究群開發數位蜂箱之各種感測器數據整合，達成掌握蜜蜂環境與其行為模式的自動監控工具。