تحلیل صوتی کندوی زنبور عسل در زنبور داری دقیق مبتنی بر اینترنت اشیا (مطالعه موردی: بهبود سلامت وبهره وری کندو)

گرده افشانی برای تولید مثل جنسی بسیاری از محصولات، میوه ها و اکثر گیاهان وحشی مهم است. در میان گرده افشان های جانوری، گرده افشانی توسط زنبورهای منفرد و اجتماعی، نقش عمده ای را ایفا می‌کنند. علاوه بر نقش آنها در گرده افشانی گیاهان وحشی، زنبورهای عسل مدیریت شده از نظر اقتصادی با ارزش ترین  گروه گرده افشان در گیاهان تک محصولی و میوه در سراسر جهان هستند. در این پژوهش، روشی نوین برای تشخیص بیماری‌ها و مشکلات کندوی زنبور عسل با استفاده از تحلیل صوتی و یادگیری عمیق ارائه شده است. ابتدا، با طراحی یک کندوی هوشمند و قرار دادن میکروفن در مکان بهینه، صداهای تولید شده توسط کلونی زنبور عسل ضبط شد. سپس، با تبدیل سیگنال‌های صوتی به اسپکتروگرام و استفاده از شبکه‌های عصبی کانولوشنی، الگوهای صوتی مرتبط با بیماری‌ها و مشکلات مختلف مانند نبود ملکه، آلودگی به کنه واروآ و بیماری‌های فولبرد و نوزما شناسایی شد. نتایج نشان داد که این روش با دقت بیش از 98 درصد قادر به تشخیص این مشکلات است. به عنوان مثال، این مدل توانست با دقت 98.62 درصد نبود ملکه، 98.59 درصد احتمال حضور کنه واروآ، و 98.71 درصد احتمال بروز بیماری فولبرد را تشخیص دهد. در نهایت، با پیاده‌سازی اینترنت اشیا در سیستم مدیریت کندو، بهبود قابل توجهی در کمیت و کیفیت عسل تولید شده مشاهده شد. این پژوهش نشان می‌دهد که تحلیل صوتی و یادگیری عمیق می‌تواند به عنوان یک ابزار قدرتمند برای پایش سلامت کندوهای زنبور عسل و افزایش بهره‌وری در صنعت زنبورداری مورد استفاده قرار گیرد.

acoustic analysis of beehives for precision beekeeping based on the internet of things: a case study on improving hive health and productivity

pollination is essential for the sexual reproduction of many crops, fruits, and most wild plants. among animal pollinators, solitary and social bees play a major role. in addition to their role in pollinating wild plants, managed honeybee colonies are economically the most valuable group of pollinators for monoculture crops and fruits worldwide. this study presents a novel method for diagnosing honeybee colony diseases and problems using sound analysis and deep learning. first, the sounds produced by the honeybee colony were recorded by designing a smart beehive and placing a microphone in an optimal location. then, by converting the audio signals into spectrograms and using convolutional neural networks, sound patterns associated with various diseases and problems such as queen less ness, varroa mite infestation, and foulbrood and nosema diseases were identified. the results showed that this method is capable of diagnosing these problems with an accuracy of over 98%. for example, the model was able to detect queen less ness with 98.62% accuracy, the probability of varroa mite presence with 98.59% accuracy, and the probability of foulbrood disease with 98.71% accuracy. finally, by implementing the internet of things in the hive management system, a significant improvement in the quantity and quality of honey produced was observed. this research shows that sound analysis and deep learning can be used as a powerful tool for monitoring the health of honeybee colonies and increasing productivity in the beekeeping industry.