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 می کنند. 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 بیماری ها 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 سیگنال های صوتی به اسپکتروگرام و استفاده از شبکه های عصبی کانولوشنی، الگوهای صوتی مرتبط با بیماری ها و مشکلات مختلف مانند نبود ملکه، آلودگی به کنه واروآ و بیماری های فولبرد و نوزما شناسایی شد. نتایج نشان داد که این روش با دقت بیش از ۹۸ درصد قادر به تشخیص این مشکلات است. به عنوان مثال، این مدل توانست با دقت ۶۲/۹۸ درصد نبود ملکه، ۵۹/۹۸ درصد احتمال حضور کنه واروآ، و ۷۱/۹۸ درصد احتمال بروز بیماری فولبرد را تشخیص دهد. در نهایت، با پیاده سازی اینترنت اشیا در سیستم مدیریت کندو، بهبود قابل توجهی در کمیت و کیفیت عسل تولید شده مشاهده شد. این پژوهش نشان می دهد که تحلیل صوتی و یادگیری عمیق می تواند به عنوان یک ابزار قدرتمند برای پایش سلامت کندوهای زنبور عسل و افزایش بهره وری در صنعت زنبورداری مورد استفاده قرار گیرد.

کلیدواژه ها:

اینترنت اشیا ، زنبور داری دقیق ، بیماری های رایج کندو ، بهره وری کندو ، آنالیز صوتی