Aquisição e Classificação da Intensidade da Colmeia usando Características Cepstrais

  • Myllena C. de Oliveira UFPI
  • Fábia de M. Pereira Embrapa Meio-Norte
  • Vanessa G. de Moura IFPI
  • Marcos A. G. B. Brito UFPI
  • Breno R. dos Santos UFPI
  • Mayra C. de Oliveira UFPI
  • Deborah M. V. Magalhães UFPI

Resumo


O manejo de colmeias é fundamental para manutenção da cadeia apícola. Contudo, as revisões constantes, especialmente no período de colheita de mel, causam estresse e, no período de escassez de alimento, podem contribuir para a perda de enxame. Portanto, esse manejo precisa ser rápido, seguro e não invasivo. Este trabalho combina o processamento de áudio produzido pelas colônias associado a técnicas de aprendizado de máquina para identificar a intensidade da colmeia. Os resultados sugerem que os coeficientes se mostraram eficazes na descrição da intensidade da colmeia, tendo uma acurácia média acima de 97% para três classificadores distintos, podendo auxiliar o apicultor na tomada de decisão sobre quais colmeias utilizar na coleta de mel.

Referências

Abdollahi, M., Giovenazzo, P., and Falk, T. H. (2022). Automated beehive acoustics monitoring: a comprehensive review of the literature and recommendations for future work. Applied Sciences, 12(8):3920.

Breiman, L. (2001). Random forests. Machine learning, 45:5–32.

Bromenshenk, J. J., Henderson, C. B., Seccomb, R. A., Rice, S. D., and Etter, R. T. (2009). Honey bee acoustic recording and analysis system for monitoring hive health. US Patent 7,549,907.

Cejrowski, T., Szymański, J., and Logofătu, D. (2020). Buzz-based recognition of the honeybee colony circadian rhythm. Computers and Electronics in Agriculture, 175:105586.

Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine learning, 20:273–297.

Gorroi, G., Freitas, L. P. V. d., and Assis, D. C. S. d. (2020). Apicultura: o manejo das abelhas do gênero apis. Cad. técn. Vet. Zoot., pages 9–36.

Haykin, S. (2001). Redes neurais: princípios e prática. Bookman Editora.

Heise, D., Miller, Z., Wallace, M., and Galen, C. (2020). Bumble bee traffic monitoring using acoustics. In 2020 IEEE International Instrumentation and Measurement Technology Conference (I2MTC), pages 1–6. IEEE.

Kim, J., Oh, J., and Heo, T.-Y. (2021). Acoustic scene classification and visualization of beehive sounds using machine learning algorithms and grad-cam. Mathematical Problems in Engineering, 2021:1–13.

Kulyukin, V. (2021). Audio, image, video, and weather datasets for continuous electronic beehive monitoring. Applied Sciences, 11(10):4632.

Liakos, K. G., Busato, P., Moshou, D., Pearson, S., and Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8):2674.

McFee, B., Raffel, C., Liang, D., Ellis, D. P., McVicar, M., Battenberg, E., and Nieto, O. (2015). librosa: Audio and music signal analysis in python. In Proceedings of the 14th python in science conference, volume 8, pages 18–25.

Oliveira Costa, R., Bezerra, A. H. A., Ferreira, A. C., Pereira, B. B. M., Pimenta, T. A., and de Andrade, A. B. A. (2016). Análise hierárquica dos problemas existentes na produção de mel do estado da paraíba. Revista Verde de Agroecologia e Desenvolvimento Sustentável, 11(2):24–28.

Ruvinga, S., Hunter, G. J., Duran, O., and Nebel, J.-C. (2021). Use of lstm networks to identify “queenlessness” in honeybee hives from audio signals. In 2021 17th International Conference on Intelligent Environments (IE), pages 1–4. IEEE.

Shaghaghi, N., Liang, L., Yabe, Y., Lama, S., Mayer, J., and Ferguson, P. (2019). Identifying beehive frames ready for harvesting. In 2019 IEEE Global Humanitarian Technology Conference (GHTC), pages 1–4. IEEE.

Sharif, M. Z., Wario, F., Di, N., Xue, R., and Liu, F. (2020). Soundscape indices: new features for classifying beehive audio samples. Sociobiology, 67(4):566–571.

Shostak, S. and Prodeus, A. (2019). Classification of the bee colony condition using spectral features. In 2019 IEEE International Scientific-Practical Conference Problems of Infocommunications, Science and Technology (PIC S&T), pages 737–740. IEEE.

Soares, B. S., Luz, J. S., de Macêdo, V. F., e Silva, R. R. V., de Araújo, F. H. D., and Magalhães, D. M. V. (2022). Mfcc-based descriptor for bee queen presence detection. Expert Systems with Applications, 201:117104.

Vieira, F. R., Andrade, D. C., and Ribeiro, F. L. (2021). A polinização por abelhas sob a perspectiva da abordagem de serviços ecossistêmicos (ase). Revista Ibero-Americana de Ciências Ambientais, 12(4):544–560.

Virtanen, T., Plumbley, M. D., and Ellis, D. (2018). Computational analysis of sound scenes and events. Springer.

Wardhani, N. W. S., Rochayani, M. Y., Iriany, A., Sulistyono, A. D., and Lestantyo, P. (2019). Cross-validation metrics for evaluating classification performance on imbalanced data. In International conference on computer, control, informatics and its applications, pages 14–18. IEEE.

Zgank, A. (2021). Iot-based bee swarm activity acoustic classification using deep neural networks. Sensors, 21(3):676.
Publicado
06/08/2023
OLIVEIRA, Myllena C. de; PEREIRA, Fábia de M.; MOURA, Vanessa G. de; BRITO, Marcos A. G. B.; SANTOS, Breno R. dos; OLIVEIRA, Mayra C. de; MAGALHÃES, Deborah M. V.. Aquisição e Classificação da Intensidade da Colmeia usando Características Cepstrais. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO UBÍQUA E PERVASIVA (SBCUP), 15. , 2023, João Pessoa/PB. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 31-40. ISSN 2595-6183. DOI: https://doi.org/10.5753/sbcup.2023.230536.