Forskare vid Università Politecnica delle Marche, Queen Mary University of London och Alan Turing Institute har nyligen samarbetat kring ett forskningsprojekt som syftar till att identifiera bikupor med hjälp av maskininlärning. Deras studie, förpublicerad på arXiv, undersökte användningen av både stödvektormaskiner (SVM) och konvolutionella neurala nätverk (CNN) för igenkänning av bikupor, använder ljuddata.

Data som används i denna studie samlades in som en del av NU-Hive-projektet, en forskningsinsats som ledde till utvecklingen av ett system för att övervaka bikupornas tillstånd genom att utnyttja de ljud de avger. Forskarna utbildade maskininlärningsalgoritmer för att analysera dessa ljuddata och identifiera tillstånden för olika bikupor.

"Vår forskning motiveras av nedgången i honungsbikolonierna under de senaste åren i Europa och resten av världen, "Stefania Cecchi, en forskare som genomfört studien, berättade TechXplore. "Denna nedgång har genererat ett ökande intresse för skydd av honungsbin, på grund av deras stora betydelse för att upprätthålla människors liv. I detta sammanhang, huvudsyftet med vår forskning är att studera och utveckla ett innovativt system för övervakning av bikupor, använder ljudet som produceras av bin och algoritmer för maskininlärning. "

Bin är de viktigaste pollinerarna av livsmedelsgrödor på planeten; därav, deras överlevnad är av yttersta vikt. Under de senaste åren har bin kolonier har minskat, en fråga som kan få allvarliga konsekvenser för människors försörjning, liksom andra djur i näringskedjan.

En av de viktigaste indikatorerna på att en bikupa kräver brådskande mänskligt ingripande är frånvaron av drottningbiet. Att söka efter drottningen manuellt är en utmanande och tidskrävande uppgift för biodlare, som i många fall stör bikupans normala livscykel, orsakar betydande påfrestningar för bin som bor där.

Ljuden från bikupor ger viktiga ledtrådar om deras tillstånd, inklusive frånvaron av drottningbiet. Cecchi och hennes kollegor bestämde sig för att undersöka möjligheten att använda maskininlärning för att analysera bikupa ljud, eftersom detta kan hjälpa till att identifiera bikupor i riskzonen utan onödig stress för bin, samtidigt som det minskar mänskliga ansträngningar i samband med manuella ingrepp.

"Vi är i ett tidigt utvecklingsstadium och vid denna tidpunkt kan vi identifiera närvaron eller frånvaron av drottningbiet, vilket är en viktig fråga för bikupans överlevnad, "Cecchi förklarade." Vårt system är baserat på metoder för maskininlärning som automatiskt känner igen olika bikupa -tillstånd med ljud som input. Systemet tränas i en databas som skapats av våra förvärvssystem och modellen tillämpas sedan för att identifiera närvaron eller frånvaron av drottningbiet. "

Cecchi och hennes kollegor utförde flera experiment i verkliga miljöer som belyste potentialen att utnyttja Mel-spektra och Mel-frekvens cepstralkoefficienter (MFCC), och Hilbert Huang Transform (HHT) som funktioner för att bestämma närvaron av ett drottningbi i en bikupa. MFCC och HHT är ljudrepresentationer eller specifika sätt att sönderdela ljudsignaler.

Forskarna testade både SVM:s och CNN:s prestanda vid analys av just dessa ljudfunktioner för att bestämma frånvaron eller närvaro av drottningbiet. SVM befanns generalisera bättre på osynliga nässelfeber än CNN, men den senare uppnådde goda resultat i bikupeberoende scenarier. Övergripande, studien fick mycket lovande resultat, särskilt när man kombinerar HHT- och MFCC -funktioner.

"Systemet kan känna igen frånvaron av drottningbiet i en bikupa, "Cecchi sa." Att söka efter drottningen är en svår återkommande uppgift för biodlare som stör kupans normala livscykel. Vårt system kan avsevärt minska antalet sökningar och åtgärder som behövs. Vidare, vårt tillvägagångssätt möjliggör snabba biodlingsinsatser så tidigt som möjligt, på så sätt undviker man binets spridning och nedgång i bikupan på grund av frånvaron av drottningbiet. "

Resultaten som samlats in av Cecchi och hennes kollegor belyser den stora potentialen för maskininlärning för att analysera ljuddata från bikupor och effektivt upptäcka om de är hotade. I framtiden, deras metod kan underlätta skyddet av bin och följaktligen den för alla arter som livnär sig på pollinerade grödor. Forskarna letar nu efter att tillämpa samma metod för andra riskrelaterade bikupa-tillstånd.

"Vi vill utvidga detta tillvägagångssätt till att automatiskt identifiera andra viktiga bikupestater, såsom svärmande förutsägelser, upptäckt av avvikande situationer, och förekomsten av varroamider, "Cecchi sa." Detta gör att vi kan bygga ett komplett system för klassificering av bikupor, att ge biodlare en kontinuerlig och autonom analys av sina bikupor. "

© 2018 Science X Network