Colonias de abejas en el Campus de la Università Politecnica delle Marche. Crédito:Cecchi et al.
Investigadores de la Università Politecnica delle Marche, La Universidad Queen Mary de Londres y el Instituto Alan Turing han colaborado recientemente en un proyecto de investigación destinado a identificar los estados de las colmenas mediante el aprendizaje automático. Su estudio, prepublicado en arXiv, investigó el uso de máquinas de vectores de soporte (SVM) y redes neuronales convolucionales (CNN) para el reconocimiento del estado de la colmena, utilizando datos de audio.
Los datos utilizados en este estudio se recopilaron como parte del proyecto NU-Hive, un esfuerzo de investigación que llevó al desarrollo de un sistema para monitorear el estado de las colmenas mediante la explotación de los sonidos que emiten. Los investigadores entrenaron algoritmos de aprendizaje automático para analizar estos datos de audio e identificar los estados de diferentes colmenas.
"Nuestra investigación está motivada por la disminución de las colonias de abejas en los últimos años en Europa y el resto del mundo, "Stefania Cecchi, un investigador que realizó el estudio, dijo a TechXplore. "Esta disminución ha generado un interés creciente en la protección de las abejas melíferas, debido a su gran importancia para el sustento de la vida humana. En este contexto, el principal objetivo de nuestra investigación es el estudio y desarrollo de un sistema innovador para monitorear el estado de las colmenas, utilizando el sonido producido por las abejas y los algoritmos de aprendizaje automático ".
Las abejas son los polinizadores de cultivos alimentarios más importantes del planeta; por eso, su supervivencia es de suma importancia. En años recientes, las colonias de abejas han ido disminuyendo, un problema que podría tener graves consecuencias para el sustento de los seres humanos, así como la de otros animales de la cadena alimentaria.
Instalación del sistema de adquisición. Crédito:Cecchi et al.
Uno de los indicadores clave de que una colmena requiere una intervención humana urgente es la ausencia de la abeja reina. La búsqueda manual de la reina es una tarea desafiante y que requiere mucho tiempo para los apicultores, que en muchos casos interrumpe el ciclo de vida normal de la colmena, causando un estrés significativo a las abejas que lo habitan.
Los sonidos producidos por las colmenas ofrecen pistas importantes sobre su estado, incluida la ausencia de la abeja reina. Cecchi y sus colegas decidieron explorar la posibilidad de utilizar el aprendizaje automático para analizar los sonidos de las colmenas, ya que esto podría ayudar a identificar colmenas en riesgo sin estrés innecesario para las abejas, al mismo tiempo que reduce los esfuerzos humanos asociados con las intervenciones manuales.
"Estamos en la etapa inicial de desarrollo y en este momento podemos identificar la presencia o ausencia de la abeja reina, que es un tema importante para la supervivencia de las colmenas, "Cecchi explicó." Nuestro sistema se basa en métodos de aprendizaje automático que reconocen automáticamente diferentes estados de colmena utilizando audio como entrada. El sistema se entrena en una base de datos creada por nuestros sistemas de adquisición y luego se aplica el modelo para identificar la presencia o ausencia de la abeja reina ".
Cecchi y sus colegas llevaron a cabo varios experimentos en entornos del mundo real que destacaron el potencial de explotar los espectros Mel y los coeficientes cepstrales de frecuencia Mel (MFCC), y Transformada de Hilbert Huang (HHT) como características para determinar la presencia de una abeja reina en una colmena. Los MFCC y HHT son representaciones de sonido o formas específicas de descomponer señales de audio.
Interfaz de software para monitoreo en tiempo real. Crédito:Cecchi et al.
Los investigadores probaron el rendimiento de SVM y CNN al analizar estas características de sonido particulares para determinar la ausencia o presencia de la abeja reina. Se encontró que las SVM se generalizaban mejor en colmenas invisibles que las CNN, sin embargo, este último logró buenos resultados en escenarios dependientes de la colmena. En general, el estudio obtuvo resultados muy prometedores, particularmente cuando se combinan características HHT y MFCC.
"El sistema es capaz de reconocer la ausencia de la abeja reina en una colmena, "Dijo Cecchi." La búsqueda de la reina es una ardua tarea recurrente para los apicultores que interrumpe el ciclo de vida normal de la colmena. Nuestro sistema puede reducir significativamente la cantidad de búsquedas e intervenciones necesarias. Es más, Nuestro enfoque permite intervenciones rápidas de los apicultores lo antes posible, evitando así la dispersión de la abeja y el declive de la colmena debido a la ausencia de la abeja reina ".
Los hallazgos recopilados por Cecchi y sus colegas destacan el vasto potencial del aprendizaje automático para analizar datos de audio de colmenas y detectar de manera efectiva si están en peligro de extinción. En el futuro, su método podría ayudar a proteger a las abejas y, en consecuencia, a todas las especies que se alimentan de cultivos polinizados. Los investigadores ahora buscan aplicar el mismo método a otros estados de colmena asociados con el riesgo.
"Queremos extender este enfoque a la identificación automática de otros estados importantes de la colmena, como la predicción de enjambres, detección de situaciones anómalas, y la presencia de ácaros varroa, ", Dijo Cecchi." Esto nos permitirá construir un sistema completo para clasificar los estados de las colmenas, proporcionando a los apicultores un análisis continuo y autónomo de sus colmenas ".
© 2018 Science X Network