Design and development of an edge-based computer vision smart trap for distributed monitoring of Vespa velutina

The yellow-legged hornet (Vespa velutina) poses a growing threat to biodiversity and beekeeping, making early detection essential. This thesis presents the design, implementation and field validation of a distributed smart-trap system for automated hornet monitoring. Each trap integrates a Raspberry Pi 5, a global-shutter camera and a low-cost mechanical structure suitable for 3D printing. An event-driven computer vision pipeline performs motion detection, insect localization and hornet classification directly on the edge node. The identification process adopts a two-stage architecture based on YOLO26 models: the first model localizes insects within the image, while a binary classifier analyzes the extracted regions. This approach reduces the influence of the background and the domain gap between trap-acquired images and publicly sourced data. Several model combinations were compared in terms of accuracy, processing speed, memory usage and model size. The selected YOLO26-s/YOLO26-s configuration achieved 97% accuracy while processing 2.81 images per second on the Raspberry Pi 5. The traps communicate over a private network with an NVIDIA Jetson AGX Orin central node, which manages data synchronization and storage, remote maintenance, operator validation, geolocation of detections and supervision through a web interface. Field experiments, conducted mainly using Vespa crabro as a proxy because of the limited local availability of Vespa velutina, demonstrated the feasibility of the system. The classifier achieved a field precision of 82.6%, with no false negatives observed among the manually reviewed crops. The developed system represents a modular, low-cost proof of concept for autonomous and distributed hornet monitoring and can be adapted to other insect species by retraining the classifier.

Il calabrone asiatico (Vespa velutina) rappresenta una minaccia crescente per la biodiversità e l’apicoltura, rendendo essenziale la sua individuazione precoce. Questa tesi presenta la progettazione, l’implementazione e la validazione in campo di un sistema distribuito di trappole intelligenti per il monitoraggio automatico dei calabroni. Ogni trappola integra un Raspberry Pi 5, una global shutter camera e una struttura meccanica a basso costo realizzabile mediante stampa 3D. Una pipeline di visione artificiale basata su eventi esegue direttamente sul nodo edge il rilevamento del movimento, la localizzazione degli insetti e la classificazione dei calabroni. Il processo di identificazione adotta un’architettura a due stadi basata su modelli YOLO26: il primo modello localizza gli insetti nell’immagine, mentre un classificatore binario analizza le regioni estratte. Questo approccio riduce l’influenza dello sfondo e il divario tra le immagini acquisite dalla trappola e i dati provenienti da dataset pubblici. Diverse combinazioni di modelli sono state confrontate in termini di accuratezza, velocità di elaborazione, utilizzo della memoria e dimensione complessiva. La configurazione YOLO26-s/YOLO26-s selezionata ha raggiunto un’accuratezza del 97%, elaborando 2,81 immagini al secondo sul Raspberry Pi 5. Le trappole comunicano attraverso una rete privata con un nodo centrale NVIDIA Jetson AGX Orin, che gestisce la sincronizzazione e l’archiviazione dei dati, la manutenzione remota, la validazione da parte dell’operatore, la geolocalizzazione dei rilevamenti e la supervisione mediante un’interfaccia web. Gli esperimenti in campo, condotti principalmente utilizzando Vespa crabro come specie sostitutiva a causa della limitata disponibilità locale di Vespa velutina, hanno dimostrato la fattibilità del sistema. Il classificatore ha raggiunto una precisione in campo dell’82,6%, senza falsi negativi tra i ritagli sottoposti a revisione manuale. Il sistema sviluppato costituisce una prova di sistema modulare e a basso costo per il monitoraggio autonomo e distribuito dei calabroni e può essere adattato ad altre specie di insetti mediante il riaddestramento del classificatore.