ساخت و ارزیابی سامانه خبره تشخیص حمله زنبورخوار به کندو به منظور کاهش تلفات

نظارت فعالانه کندو با استفاده از یک شبکه حسگر که قادر به ثبت و ضبط تمامی شرایط کندو جهت شناخت شرایط زندگی زنبورهای درون کندو باشد، کمک شایانی به اتخاذ تصمیم توسط زنبوردار در شرایط حمله دشمنان خارجی و جلوگیری از فروپاشی جمعیت زنبورعسل می نماید. بدین منظور در پژوهش حاضر سامانه ای خبره جهت تشخیص حمله پرنده زنبورخوار شامل حسگرهای دما، صوت، رطوبت و اتانول توسعه یافت. پس از جمع آوری داده ها تحت دو شرایط نرمال و حمله پرنده زنبورخوار (سبزقبا) و استخراج ویژگی در دو حوزه زمان و فرکانس، انتخاب ویژگی با استفاده از الگوریتم ژنتیک و سپس طبقه بندی ویژگی ها با استفاده از k نزدیکترین همسایه صورت پذیرفت. بر اساس نتایج بدست آمده از بین 19 ویژگی انتخاب شده، پنج ویژگی شامل آنتروپی طیفی، انرژی صوت، شدت بیشینه صوت، کمینه الکل و فرکانس غالب به ترتیب با 8967، 6018، 1321، 1287 و 809 وقوع به عنوان تاثیرگذارترین ویژگی ها وارد طبقه بند شدند. طبقه بند knn برای معیارهای صحت، دقت، حساسیت، نمره f، خصوصیت و میانگین هندسی بیشینه (100%) و نرخ مثبت کاذب (fpr) کمینه (صفر) شد که نشان دهنده ی عملکرد خوب سامانه خبره تشخیص حمله پرنده به کندو است.

Development and Evaluation of an Expert System for Detecting Merops apiaster Attack to the Beehive in Order to Reduce Mortality

Active monitoring of beehive using sensor network that can record all of the hive conditions for  recognition of living status of beehives, could help beekeepers to make a proper decision while attacking foreign enemies, and prevent the collapse of the hive. To this end, in this study, an expert system for detection of Merops apiaster attack was developed which is including: temperature, sound, humidity and ethanol sensors. The data was collected for two conditions (i. e. normal and apiaster attack conditions) and different features in two time and frequency domains were extracted. After that, the most significant features were selected and classified using GA (Genetic Algorithm) and KNN, respectively. According to results, among 19 selected features, 5 features namely spectral entropy, sound energy, sound maximum, alcohol minimum, and natural frequency were selected as the most effective features with 8967, 6018, 1321, 1287, and 809 occurrence, respectively. KNN classification had 100% accuracy, precision, recall, Fscore, specificity, and Gmean and zero false positive rate which indicates proper performance of expert system fordetection of apiaster attack to the beehives.