Brug af maskinlæring til lydbaseret identifikation af bikubetilstande

Forskere ved Università Politecnica delle Marche, Queen Mary University of London og Alan Turing Institute har for nylig samarbejdet om et forskningsprojekt, der har til formål at identificere bikubestater ved hjælp af maskinlæring. Deres studie, forudgivet på arXiv, undersøgte brugen af ​​både støttevektormaskiner (SVM'er) og konvolutionelle neurale netværk (CNN'er) til bikubetilstandsgenkendelse, ved hjælp af lyddata.

Dataene brugt i denne undersøgelse blev indsamlet som en del af NU-Hive-projektet, en forskningsindsats, der førte til udviklingen af ​​et system til at overvåge bistadernes tilstand ved at udnytte de lyde, de udsender. Forskerne trænede maskinlæringsalgoritmer til at analysere disse lyddata og identificere tilstanden af ​​forskellige bistader.

"Vores forskning er motiveret af tilbagegangen i honningbikolonier i de senere år i Europa og resten af ​​verden, "Stefania Cecchi, en forsker, der har udført undersøgelsen, fortalte TechXplore. "Dette fald har skabt en stigende interesse for beskyttelsen af ​​honningbier, på grund af deres store betydning for opretholdelse af menneskeliv. I denne sammenhæng, hovedformålet med vores forskning er undersøgelse og udvikling af et innovativt system til at overvåge tilstanden af ​​bistader, ved hjælp af lyden produceret af bier og maskinlæringsalgoritmer."

Bier er de vigtigste bestøvere af fødevareafgrøder på planeten; derfor, deres overlevelse er af største vigtighed. I de seneste år, bikolonierne er faldet, et problem, der kan få alvorlige konsekvenser for menneskers næring, såvel som hos andre dyr i fødekæden.

En af de vigtigste indikatorer på, at en bikube kræver akut menneskelig indgriben, er fraværet af dronningen. At søge efter dronningen manuelt er en udfordrende og tidskrævende opgave for biavlere, som i mange tilfælde forstyrrer bikubens normale livscyklus, forårsager betydelig stress for de bier, der bor i det.

Lydene produceret af bistader giver vigtige fingerpeg om deres tilstand, herunder fraværet af bidronningen. Cecchi og hendes kolleger besluttede at undersøge muligheden for at bruge maskinlæring til at analysere bikubelyde, da dette kunne hjælpe med at identificere bistader i fare uden unødig stress for bier, samtidig med at den menneskelige indsats i forbindelse med manuelle indgreb reduceres.

"Vi er på det tidlige udviklingsstadium, og på nuværende tidspunkt er vi i stand til at identificere tilstedeværelsen eller fraværet af dronningen, hvilket er et vigtigt spørgsmål for bikubens overlevelse, " Cecchi forklarede. "Vores system er baseret på maskinlæringsmetoder, der automatisk genkender forskellige bikubetilstande ved hjælp af lyd som input. Systemet trænes på en database oprettet af vores opsamlingssystemer, og modellen anvendes derefter til at identificere tilstedeværelsen eller fraværet af bidronningen."

Cecchi og hendes kolleger udførte adskillige eksperimenter i den virkelige verden, der fremhævede potentialet ved at udnytte Mel-spektre og Mel-frekvens-cepstralkoefficienter (MFCC'er), og Hilbert Huang Transform (HHT) som funktioner til at bestemme tilstedeværelsen af ​​en bidronning i en bikube. MFCC'er og HHT'er er lydrepræsentationer eller specifikke måder at dekomponere lydsignaler på.

Forskerne testede ydeevnen af ​​både SVM'er og CNN'er ved at analysere disse særlige lydegenskaber for at bestemme fraværet eller tilstedeværelsen af ​​dronningen. SVM'er viste sig at generalisere bedre på usynlige bistader end CNN'er, alligevel opnåede sidstnævnte gode resultater i bikubeafhængige scenarier. Samlet set, undersøgelsen gav meget lovende resultater, især når man kombinerer HHT- og MFCC-funktioner.

"Systemet er i stand til at genkende fraværet af dronningbien i en bikube, " sagde Cecchi. "At lede efter dronningen er en besværlig tilbagevendende opgave for biavlere, der forstyrrer bikubens normale livscyklus. Vores system kan reducere antallet af nødvendige søgninger og indgreb markant. Desuden, vores tilgang giver mulighed for hurtige biavlerinterventioner på det tidligst mulige tidspunkt, på den måde undgår man biens spredning og bikubens tilbagegang på grund af fraværet af bidronningen."

Resultaterne indsamlet af Cecchi og hendes kolleger fremhæver maskinlæringens enorme potentiale til at analysere lyddata fra bistader og effektivt opdage, om de er truet. I fremtiden, deres metode kunne hjælpe med at beskytte bier og dermed den af ​​alle arter, der lever af bestøvede afgrøder. Forskerne søger nu at anvende den samme metode til andre risikorelaterede bikubestater.

"Vi ønsker at udvide denne tilgang til den automatiske identifikation af andre vigtige bikubestater, såsom sværmeri, forudsigelse, opdagelse af unormale situationer, og tilstedeværelsen af ​​varroamider, " sagde Cecchi. "Dette vil give os mulighed for at bygge et komplet system til klassificering af bikubestater, at give biavlere en kontinuerlig og selvstændig analyse af deres bistader."

© 2018 Science X Network