💻 computer science

Dot-Flik: A Scalable Edge AI Architecture for Distributed Insect Monitoring

Dit artikel presenteert Dot-Flik, een schaalbare edge AI-architectuur voor gedistribueerde insectenmonitoring die gebruikmaakt van bewegingsgeïnformeerde framefiltering om dataoverdracht en energieverbruik te verminderen, wat kosteneffectieve, realtime biodiversiteitsmonitoring op goedkope hardware mogelijk maakt zonder afhankelijk te zijn van centrale verwerking.

Oorspronkelijke auteurs: Mattia Consani, Denisa-Andreea Constantinescu, Åse Håtveit, Titus Venverloo, Fabio Duarte, Carlo Ratti, David Atienza

Gepubliceerd 2026-06-26

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Mattia Consani, Denisa-Andreea Constantinescu, Åse Håtveit, Titus Venverloo, Fabio Duarte, Carlo Ratti, David Atienza

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je elke bij, vlinder en kever in een stadspark probeert te tellen om de gezondheid van het lokale ecosysteem te begrijpen. Het probleem? Er zijn te veel insecten en ze bewegen te snel voor menselijke handmatige tellingen. Als je camera's gebruikt, loop je tegen een nieuw probleem aan: camera's genereren een enorme hoeveelheid videodata. Het grootste deel van die video bestaat uit een lege lucht of bladeren die in de wind bewegen. Het versturen van al die nutteloze beelden naar een centrale computer is duur, put batterijen snel uit en verstopt het netwerk.

Dit artikel introduceert Dot-Flik, een slim, tweeledig systeem ontworpen om dit "data-overstromingsprobleem" op te lossen, zodat we insecten op grote schaal kunnen monitoren zonder dat het een fortuin kost.

Hier werkt het, met behulp van eenvoudige analogieën:

Het Probleem: De "Altijd-Aan" Camera-val

Denk aan traditionele insectenmonitoring als het hebben van een beveiligingsbeambte bij elke enkele deur van een enorm hotel. Elke bewaker (camera) roept constant: "Ik zie iets! Ik zie iets!", zelfs als het maar een vallend blaadje of een bewegende schaduw is.

De Kosten: Je hebt een enorm team van bewakers nodig (dure computers) om naar al deze kreten te luisteren.
De Verspilling: 90% van het geschreeuw gaat over niets belangrijks. De bewakers raken vermoeid (batterijen raken leeg) en de telefoonlijnen raken verstopt (netwerkoverbelasting).

De Oplossing: Het Dot-Flik Team

De auteurs stellen voor om de taak te splitsen in twee gespecialiseerde rollen, waardoor een "hiërarchisch" team ontstaat.

1. De "Dot" Nodes (De Slimme Uitsmijters)

Dit zijn de goedkope camera's die verspreid over het park zijn geplaatst. In plaats van "domme" camera's die alles opnemen, fungeren ze als slimme uitsmijters bij de ingang van een club.

Hoe ze werken: Ze bekijken de videostroom maar kijken alleen naar beweging.
De Truc: Ze gebruiken een slim wiskundig trucje (genoemd "motion-informed filtering") om de wind die door de bomen waait te negeren. Ze weten dat de wind alles langzaam en gelijkmatig beweegt, terwijl een insect snel op een specifieke plek beweegt.
Het Resultaat: Als de uitsmijter een blaadje ziet waaien, zegt hij: "Negeer dat." Als hij een bij ziet voorbij zoemen, zegt hij: "Stop! Stuur dit naar de baas!"
Efficiëntie: Bij kalm weer of lichte wind gooien deze uitsmijters 60% tot 80% van de videoframes weg voordat ze de camera zelfs maar verlaten. Ze sturen alleen de "interessante" momenten door.

2. De "Flik" Node (De Deskundige Analist)

Dit is de centrale computer (de "baas") die de gefilterde berichten van de vele "Dot" uitsmijters ontvangt.

Hoe het werkt: Omdat de "Dots" het zware werk van het filteren van de ruis al hebben gedaan, hoeft de "Flik" node niet naar 100 camera's te luisteren die tegelijkertijd schreeuwen. Hij luistert alleen naar de 20% van de camera's die daadwerkelijk iets interessants hebben gezien.
Het Voordeel: Eén krachtige computer kan nu data van 5 tot 6 verschillende camerastandplaatsen tegelijkertijd verwerken, terwijl hij voorheen nauwelijks één locatie aan kon. Het is alsof één expert tegelijkertijd 5 mensen kan interviewen omdat de andere 95 mensen stil bleven.

Waarom dit ertoe doet (De Resultaten in de Praktijk)

De onderzoekers hebben dit systeem getest in een echte buiten tuin met echte wind en echte insecten. Dit is wat ze vonden:

Massale Datareductie: Onder lichte wind verminderde het systeem de verzonden data naar de centrale computer met 60–80%. Het is alsof je een samenvatting van een boek stuurt in plaats van het hele boek.
Batterijduur: Omdat de camera's niet constant nutteloze video verzenden, besparen ze energie. Het systeem liet tot wel 22,6% energiebesparing zien, wat de levensduur van een batterijgestuurde camera met ongeveer een volle dag kan verlengen.
Snelheid: Het systeem werkt snel genoeg om insecten in realtime te vangen (30 frames per seconde) zonder vast te lopen of vertraging op te lopen.
Kosten: Door goedkope, eenvoudige camera's te gebruiken voor de "uitsmijter"-taak en slechts enkele krachtige computers voor de "expert"-taak, kun je een veel groter gebied bestrijken voor veel minder geld.

De Kernboodschap

Het artikel betoogt dat we, om insecten in een hele stad te monitoren, niet simpelweg duurdere, krachtigere camera's moeten bouwen. In plaats daarvan moeten we slimmere, eenvoudigere camera's bouwen die weten hoe ze de wind moeten negeren en alleen rapporteren wat er echt toe doet.

Door het "denken" over wat interessant is naar de rand (de camera zelf) te verplaatsen en alleen het goede materiaal naar de centrale hersenen te sturen, maakt het Dot-Flik systeem het mogelijk om een dicht, stadsbreed netwerk van insectenmonitoren te creëren dat betaalbaar, energiezuinig en schaalbaar is. Het verandert een chaotische vloedgolf aan data in een beheersbare stroom van nuttige informatie.

Technische Samenvatting: Dot-Flik: Een Schaalbare Edge AI-architectuur voor Gedistribueerde Insectenmonitoring

Probleemstelling
Wereldwijde insectenpopulaties ervaren een drastische afname, wat de noodzaak voor schaalbare, continue monitoringsystemen om biodiversiteit te volgen vergroot. Hoewel geautomatiseerde visuele oplossingen bestaan, worden deze geconfronteerd met fundamentele barrières voor grootschalige uitrol. Huidige state-of-the-art benaderingen vertrouwen doorgaans op dure, energieverslindende hardware of continue cloud-connectiviteit. Deze afhankelijkheden creëren een "monitoringskloof": hoge hardwarekosten beperken de dichtheid van knooppunten, hoog stroomverbruik beperkt plaatsing tot gebieden met netstroom, en cloud-centrische architecturen introduceren bandbreedte- en privacybeperkingen. Bovendien opereren bestaande edge AI-systemen (zoals het Flik-platform) vaak nabij computationele verzadiging, waarbij elk extra monitoringsgebied een proportioneel dichte deployment van volledige verwerkingsknooppunten vereist, wat leidt tot ongunstige schaling van kosten, energie en computatieressources.

Methodologie
Het artikel stelt Dot-Flik voor, een gedistribueerde, hiërarchische IoT-architectuur die data-acquisitie ontkoppelt van AI-classificatie door middel van data-reductie aan de edge. Het systeem bestaat uit twee onderscheidende lagen:

Dot Nodes (Edge Sensing): Goedkope sensoreenheden (geïmplementeerd op Raspberry Pi Zero 2 W) uitgerust met standaard cameramodules. Deze knooppunten voeren lichtgewicht, bewegingsgestuurde frame-filtering uit bij de bron. In plaats van continue video te verzenden, verwijderen ze lokaal content die gedomineerd wordt door de achtergrond.
Flik 2.0 Nodes (Edge AI Classification): Gecentraliseerde verwerkingseenheden (geïmplementeerd op Raspberry Pi 5 met Hailo-8 NPU) die alleen de gefilterde kandidaat-frames ontvangen van meerdere Dot-knooppunten. Deze knooppunten voeren de computationeel intensieve deep learning-inferentie uit voor de classificatie van insectensoorten.

Belangrijkste Bijdragen
De auteurs presenteren drie primaire bijdragen:

Bewegingsgestuurd Frame Filtering Algoritme: Een lichtgewicht algoritme dat draait op de Dot-knooppunten dat irrelevante frames verwijdert zonder dat daarvoor deep learning-inferentie op het sensorknooppunt nodig is. Het algoritme maakt gebruik van een workflow in drie stadia:
- Preprocessing: Grayscale-conversie, downsampling naar 320x320, en 5x5 Gaussian blurring om hoogfrequente ruis te onderdrukken.
- Temporal Differencing & Amplification: Berekening van de bewegingswaarschijnlijkheid met behulp van een rolling buffer van drie frames. Het bewegingssignaal wordt genormaliseerd en gamma-gecorrigeerd ( $\gamma=3.0$ ) om geconcentreerde beweging (insecten) te benadrukken terwijl verspreide omgevingsruis (bijv. door wind bewogen vegetatie) wordt onderdrukt.
- Block-Based Density Analysis: Het frame wordt opgedeeld in niet-overlappende 20x20 pixel blokken. Met behulp van integral images met $O(1)$ complexiteit berekent het systeem de bewegingsintensiteit per blok. Een frame wordt alleen behouden als ten minste één blok een bewegingsdrempel ( $\tau=2000$ ) overschrijdt, wat lokale insectenactiviteit onderscheidt van uniforme achtergrondbeweging.
Gedistribueerde Hiërarchische Architectuur: De Dot-Flik topologie scheidt sensing van classificatie, wat een "many-to-few" schaalbaarheidsmodel mogelijk maakt ( $N$ Dot-knooppunten naar $M$ Flik-knooppunten, waarbij $M \ll N$ ). Deze architectuur vermindert het communicatievolume en zorgt ervoor dat de backend-verwerkingsvraag proportioneel schaalt met het gemonitorde gebied in plaats van lineair met het aantal knooppunten. Het ondersteunt asynchrone operatie, waarbij Dot-knooppunten in real-time streamen (30 FPS) terwijl Flik-knooppunten data in batch-modus verwerken om de computationele benutting te optimaliseren.
Validatie in de Praktijk: Het systeem werd buiten in een stedelijke tuinomgeving ingezet onder variërende windomstandigheden (van geen wind tot extreme wind). De evaluatie besloeg vier assen: real-time prestaties, netwerk-schaalbaarheid, hardwarekosten en energie-efficiëntie.

Resultaten

Data Reductie: De bewegingsgestuurde filtering bereikte frame-reductiepercentages van 60–80% onder lichtwindomstandigheden (5–15 km/u) en 20–40% onder sterke wind. Handmatige inspectie bevestigde dat de in ongefilterde streams zichtbare insectenactiviteit consistent behouden bleef.
Real-Time Prestaties: De Dot-knooppunten behielden een werking van 30 FPS met een totale verwerkingstijd van 33,32 ms per frame, wat 12,8 ms aan computationele overhead overliet. Cameracapture maakte 76,8% van de verwerkingstijd uit.
Schaalbaarheid: Gebaseerd op de lichtwind filtering-rate ( $r \approx 0,72$ ) en de batch-verwerkingscapaciteiten van de Flik 2.0 node, projecteren de auteurs een duurzame concurrency van 5–6 gelijktijdige Dot-streams per Flik 2.0 node. Netwerkbandbreedte werd geïdentificeerd als niet-beperkend; de rekenkracht van het centrale knooppunt is de primaire schaalbaarheidsbeperking.
Energie-efficiëntie: Het stroomverbruik correleerde met de frame-transmissiepercentages. Het systeem behaalde energiebesparingen van tot wel 22,6% bij een frame drop rate van 100% (idle). Onder matige windomstandigheden (70% drop rate) demonstreerde het systeem een energievermindering van 15,6%, wat vertaalt naar ongeveer 9,2 extra uren aan werking op een 20.000 mAh powerbank.

Betekenis en Claims
Het artikel beweert dat Dot-Flik een praktisch fundament legt voor dichte, goedkope biodiversiteitsmonitoringsnetwerken in stedelijke omgevingen. Door de bewegingsgestuurde filtering te verplaatsen naar een goedkoop edge-stadium stroomopwaarts van de inferentie, adresseert de architectuur de schaalbaarheidsbeperkingen van gecentraliseerde modellen. De auteurs benadrukken dat het "edge-filter-then-infer" patroon een noodzakelijk ontwerpprincipe is voor netwerkbrede uitrol op commodity hardware, met name voor visuele IoT-workloads waarbij gebeurtenissen van belang relatief zeldzaam voorkomen ten opzichte van de totale data-acquisitie.

De auteurs houden hun claims binnen een bescheiden reikwijdte:

Zij beweren niet de detectiegraad voor alle insectensoorten te hebben opgelost; de evaluatie van de detectie-accuratesse leunt op de upstream Flik-pipeline (een apart project) en werd kwalitatief gevalideerd in deze studie.
De schaalbaarheidsprojecties (5–6 streams) zijn afgeleid van metingen met een enkele node; validatie met meerdere gelijktijdige fysieke knooppunten wordt vermeld als toekomstig werk.
De effectiviteit van het systeem wordt momenteel begrensd door windgevoeligheid; hoge windomstandigheden verminderen de filtering-efficiëntie door vegetatiebeweging, hoewel dit samenvalt met natuurlijk onderdrukte insectenactiviteit.
De studie richt zich op windvariaties; bredere omgevingsfactoren zoals neerslag, mist en seizoensgebonden veranderende lichtinval zijn niet systematisch beoordeeld.

Het werk positioneert zichzelf als een stap naar het oplossen van de "monitoringskloof" door een economisch en technisch haalbare stedelijke insectenmonitoring mogelijk te maken door middel van architecturale optimalisatie in plaats van enkel door algoritmische verbeteringen in classificatie.