Onderzoekers aan de Università Politecnica delle Marche, Queen Mary University of London en het Alan Turing Institute hebben onlangs samengewerkt aan een onderzoeksproject gericht op het identificeren van bijenkorfstaten met behulp van machine learning. hun studie, voorgepubliceerd op arXiv, onderzocht het gebruik van zowel ondersteunende vectormachines (SVM's) als convolutionele neurale netwerken (CNN's) voor herkenning van bijenkorftoestanden, met behulp van audiogegevens.

De gegevens die in dit onderzoek zijn gebruikt, zijn verzameld als onderdeel van het NU-Hive-project, een onderzoeksinspanning die leidde tot de ontwikkeling van een systeem om de toestand van bijenkorven te bewaken door gebruik te maken van de geluiden die ze uitstoten. De onderzoekers trainden machine learning-algoritmen om deze audiogegevens te analyseren en de toestanden van verschillende bijenkorven te identificeren.

"Ons onderzoek is ingegeven door de achteruitgang van honingbijkolonies in Europa en de rest van de wereld in de afgelopen jaren, "Stefania Cecchi, een onderzoeker die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Deze daling heeft geleid tot een toenemende belangstelling voor de bescherming van honingbijen, vanwege hun grote belang voor het in stand houden van het menselijk leven. In deze context, de hoofddoelstelling van ons onderzoek is de studie en ontwikkeling van een innovatief systeem om de toestand van bijenkorven te monitoren, met behulp van het geluid geproduceerd door bijen en machine learning-algoritmen."

Bijen zijn de belangrijkste bestuivers van voedselgewassen op aarde; Vandaar, hun voortbestaan ​​is van het grootste belang. In recente jaren, bijenkolonies zijn afgenomen, een probleem dat ernstige gevolgen kan hebben voor het levensonderhoud van mensen, evenals die van andere dieren in de voedselketen.

Een van de belangrijkste indicatoren dat een bijenkorf dringend menselijk ingrijpen vereist, is de afwezigheid van de bijenkoningin. Het handmatig zoeken naar de koningin is een uitdagende en tijdrovende taak voor imkers, die in veel gevallen de normale levenscyclus van de bijenkorf verstoort, veroorzaakt aanzienlijke stress voor de bijen die erin wonen.

De geluiden die door bijenkorven worden geproduceerd, bieden belangrijke aanwijzingen over hun toestand, inclusief de afwezigheid van de bijenkoningin. Cecchi en haar collega's besloten de mogelijkheid te onderzoeken om machine learning te gebruiken om bijenkorfgeluiden te analyseren. omdat dit zou kunnen helpen bij het identificeren van risicovolle bijenkorven zonder onnodige stress voor bijen, terwijl ook de menselijke inspanningen die gepaard gaan met handmatige interventies worden verminderd.

"We bevinden ons in een vroeg ontwikkelingsstadium en op dit moment zijn we in staat om de aan- of afwezigheid van de bijenkoningin vast te stellen, wat een belangrijke kwestie is voor het overleven van bijenkorven, " legt Cecchi uit. "Ons systeem is gebaseerd op machinale leermethoden die automatisch verschillende bijenkorfstatussen herkennen met behulp van audio als invoer. Het systeem wordt getraind op een database die is gemaakt door onze acquisitiesystemen en het model wordt vervolgens toegepast om de aan- of afwezigheid van de bijenkoningin te identificeren."

Cecchi en haar collega's voerden verschillende experimenten uit in echte omgevingen die het potentieel van het exploiteren van Mel-spectra en Mel-frequentie cepstral-coëfficiënten (MFCC's) benadrukten, en Hilbert Huang Transform (HHT) als kenmerken om de aanwezigheid van een bijenkoningin in een bijenkorf te bepalen. MFCC's en HHT's zijn geluidsrepresentaties of specifieke manieren om audiosignalen te ontleden.

De onderzoekers testten de prestaties van zowel SVM's als CNN's bij het analyseren van deze specifieke geluidskenmerken om de afwezigheid of aanwezigheid van de bijenkoningin te bepalen. SVM's bleken beter te generaliseren op onzichtbare netelroos dan CNN's, toch behaalde de laatste goede resultaten in bijenkorfafhankelijke scenario's. Algemeen, de studie leverde veelbelovende resultaten op, vooral bij het combineren van HHT- en MFCC-functies.

"Het systeem is in staat om de afwezigheid van de bijenkoningin in een bijenkorf te herkennen, " zei Cecchi. "Het zoeken naar de koningin is een zware terugkerende taak voor imkers die de normale levenscyclus van de bijenkorf verstoort. Ons systeem kan het aantal zoekopdrachten en benodigde interventies aanzienlijk verminderen. Verder, onze aanpak zorgt ervoor dat de imker zo snel mogelijk kan ingrijpen, waardoor de verspreiding van de bij en de achteruitgang van de bijenkorf als gevolg van de afwezigheid van de bijenkoningin worden vermeden."

De bevindingen verzameld door Cecchi en haar collega's benadrukken het enorme potentieel van machine learning om audiogegevens van bijenkorven te analyseren en effectief te detecteren of ze in gevaar zijn. In de toekomst, hun methode zou de bescherming van bijen kunnen helpen en bijgevolg die van alle soorten die zich voeden met bestoven gewassen. De onderzoekers willen nu dezelfde methode toepassen op andere risicogerelateerde bijenkorfstaten.

"We willen deze aanpak uitbreiden naar de automatische identificatie van andere belangrijke bijenkorftoestanden, zoals zwermvoorspelling, detectie van afwijkende situaties, en de aanwezigheid van varroamijten, "Zei Cecchi. "Dit zal ons in staat stellen een compleet systeem te bouwen voor het classificeren van bijenkorfstaten, imkers voorzien van een continue en autonome analyse van hun bijenkorven."

© 2018 Wetenschap X Netwerk