蜜蜂在生态平衡中扮演着关键角色，是农业作物和自然生态系统中的重要传粉者。它们不仅生产蜂蜜和蜂蜡，还对许多水果和种子作物产生影响，包括杏仁、柑橘类水果和蓝莓等。蜜蜂群体的健康状况和数量的下降可能对农业产业产生重大影响。全球范围内已经观察到显著的蜜蜂群体损失，这些损失归因于多种压力因素，这些因素可能独立或共同作用，包括杀虫剂、病原体、寄生虫、气候变化以及其他因素。
蜜蜂群体的健康状况直接影响其授粉能力和生产效率。因此，监测蜜蜂的健康状况对于保护这一关键物种至关重要。++++传统的蜜蜂监测方法依赖于人工和视觉检查，这不仅劳动密集，而且可能会干扰蜂群，导致监测不够频繁。++++ 由于蜜蜂种群健康和数量的下降可能对农业产业产生深远影响，因此需要更科学的方法来持续监测蜜蜂群体的状态。
随着物联网技术的发展，精准养蜂领域出现了自动化蜂箱监测工具。这些工具利用传感器技术在蜂箱内部进行实时监测，可以更有效地评估蜜蜂群体的状态。这些自动化监测系统通常在蜂箱内部部署多种传感器，用于收集关于温度、湿度、蜂箱重量和声音等数据。这些数据可以提供有关蜜蜂群体活动和健康状况的实时信息。温度稳定性对蜜蜂健康和幼虫发育至关重要，直接影响蜂箱的生产力。相对湿度则影响幼虫生长、群体发展和蜜蜂行为，其变化还会影响水分运输和喂养。
++++蜜蜂通过振动和声音信号进行内部交流，这些信号由身体运动、翅膀拍打和肌肉收缩产生。这些声音信号与不同的事件相关，如螨虫攻击、蜂后失败和蜂群分蜂，使声音成为蜂箱监测的理想方式。++++
1 UrBAN 数据集
UrBAN数据集是从加拿大蒙特利尔的一个城市屋顶蜂场收集的，涵盖了2021年至2022年的时间段。数据集包括10个蜂箱，配备了麦克风记录超过2000小时的原始音频。同时，还有传感器持续监测温度和湿度。
- 多模态数据：数据集包含了多种类型的数据，包括原始音频记录、温度和湿度的传感器读数，以及其他与蜂箱检查相关的指标。
- 时间跨度：数据集覆盖了2021年至2022年的时间段，提供了两年内收集的连续数据。
- 蜂箱数量：数据集涉及10个蜂箱，每个蜂箱都有其独特的标识符，以区分数据。
- ++++音频数据：每个蜂箱都通过麦克风记录了超过2000小时的高质量原始音频。音频数据以 WAV 文件格式存储，并进行了压缩以便于下载。++++
- 传感器数据：
温度和湿度：使用 Beecon 传感器（Nectar Technologies Inc, Canada）在蜂箱内部连续监测温度和湿度，每15分钟记录一次。
外部环境数据：包括外部温度、湿度和降雨量，这些数据从加拿大环境和气候变化部的网站获取。
- 检查数据：定期对蜂箱进行检查，记录包括蜜蜂群体数量、蜂后状况、瓦螨侵染率和冬季死亡率等指标。
- 数据文件：
检查文件（inspections_2021.csv 和 inspections_2022.csv）：包含每次检查的详细信息，如蜜蜂群体的框数、瓦螨侵染的存在、蜂后状态和死亡率。
传感器数据文件（sensor_2021.csv 和 audio_2021、audio_2022 文件夹）：包含内部温度、湿度和音频文件的名称。
天气信息文件（weather_2021_2022.csv）：记录了外部环境的温度、湿度、风速和降水量。
- 数据的组织方式：数据被组织成表格和文件，以便于使用数据科学工具进行分析。例如，Pandas 库可以用来读取 CSV 文件，而 Librosa 库可以用来处理音频文件。
- 数据的可访问性：UrBAN 数据集完全公开可用，研究者可以通过 Federated Research Data Repository 访问和下载数据。
- 数据的预处理：数据集提供了预处理的选项，例如音频信号的增强，以减少环境噪声并提高监测系统的有效性。
- 数据的机器学习应用：数据集的结构设计考虑了机器学习应用，提供了特征提取和模型训练所需的数据格式。
- 数据的多样性：数据集不仅包括了定量的传感器读数，还包括了定性的检查结果。
- UrBAN数据集下载地址
UrBAN: Urban Beehive Acoustics and PheNotyping Dataset | FRDR-DFDR
2 实验
2.1 音频增强
- 环境噪声去除：为了提高监测系统的有效性，采用了谱幅度减法技术来去除蜜蜂音频中的环境噪声。这一步骤对于准确检测和分析蜂箱内的重要行为和事件至关重要。
- 算法实现：使用指数移动平均（EMA）滤波器和自适应算法来估计噪声，并通过谱减法算法从音频信号中减去噪声谱，从而得到更清晰的音频记录。
2.2 特征提取
- 特征集定义：在音频信号预处理和噪声去除之后，提取了四组特征集，包括梅尔频率倒谱系数（MFCCs）、线性频率倒谱系数（LFCCs）、频谱形状描述符和一些手工制作的参数（如蜂箱功率、音频带宽密度比等），用于预测蜜蜂音频帧的状态。
- 特征计算：++++MFCCs和LFCCs是通过将音频信号映射到梅尔尺度上进行计算的，而频谱形状描述符包括中心频率、带宽、偏度、峰度等九个特征。++++
2.3 机器学习框架
构建了一个基于音频分析的机器学习框架，用于预测蜂箱强度。这个框架包括信号测量、预处理、特征提取和回归等步骤。探索了多种特征选择技术，如随机森林特征重要性、主成分分析（PCA）、最小冗余最大相关性（mRMR）和SHAP值解释。
2.4 模型验证
- 预测任务：使用蜜蜂框数预测作为任务来验证数据集。通过两种不同的实验配置（随机分割和蜂箱独立）来进行模型的训练和测试。
随机分割（Random-Split）：将数据集随机分为训练集（50%）、验证集（25%）和测试集（25%）。
蜂箱独立（Hive-Independent）：使用10个蜂箱进行训练，4个进行验证，另外4个进行测试。
- 性能评估：模型评估采用了三个关键指标：
平均绝对误差（MAE）：预测值与实际值之间差的绝对值的平均。
均方根误差（RMSE）：预测误差平方的平均数的平方根，衡量预测误差的大小。
皮尔逊相关系数：衡量预测值与实际值之间的线性相关性。
3 结论
- UrBAN数据集能够有效地用于蜜蜂群体的监测和研究。特征提取和机器学习模型能够基于音频数据预测蜜蜂群体的数量。
- 音频增强技术，特别是频谱幅度减法，对于提高音频数据的监测效果至关重要。它有助于去除背景噪声，从而提高特征提取的准确性和模型的预测性能。
- 梅尔频率倒谱系数MFCCs在大多数情况下优于其他特征集，且在进行了谱幅度减法后的性能有所提升。
- 使用随机森林回归器，结合所提取的特征，模型在预测蜜蜂帧数的任务上表现出了良好的性能，这通过MAE、RMSE和皮尔逊相关系数等指标得到了验证