養(yǎng)蜂業(yè)面臨著威脅蜂群生存的幾個主要挑戰(zhàn)。蜂群衰竭失調(diào)癥(CCD)導致異常高的死亡率，破壞蜂群平衡。生物威脅，如瓦螨和亞洲大黃蜂，對蜜蜂施加了持續(xù)的壓力。此外，污染和農(nóng)藥特別是新煙堿類的大量使用削弱了它們的健康和覓食能力。氣候變化改變了植物資源的可用性，擾亂了它們的飲食。最后，蜂箱盜竊迫使養(yǎng)蜂人加強對其設施的監(jiān)視和安全。

特性

我們的原型測量了以下蜂巢特征：

?蜂巢內(nèi)的溫度和濕度用三個不同的傳感器。

?蜂巢室外環(huán)境的溫度、濕度和亮度。

?系統(tǒng)的電池電量，由太陽能電池板和蜂箱重量充電。

?使用ai聲音分析的女王存在(未完成但計劃中)。

I -傳感器

A -溫濕度傳感器

我們的系統(tǒng)使用溫度和濕度傳感器的組合，以確保準確可靠地監(jiān)測蜂巢的環(huán)境。在蜂巢內(nèi)部，我們有兩個DS18B20傳感器專門用于測量溫度，一個DHT22傳感器提供溫度和濕度數(shù)據(jù)。為了保護DHT22免受損壞，它將被封裝在一個定制的3d打印外殼中，確保耐用性，同時保持準確的讀數(shù)。這種冗余提高了可靠性，即使一個傳感器出現(xiàn)故障，系統(tǒng)也能保持正常工作。對于外部條件，我們使用SHT31傳感器，測量蜂箱外的溫度和濕度，為影響蜂群的環(huán)境因素提供有價值的見解。

B -亮度傳感器

BH1750光傳感器位于蜂箱上方，與太陽能電池板并排，在一個透明的外殼內(nèi)，允許光線通過。這個傳感器使我們能夠遠程監(jiān)測日照時數(shù)，為蜂巢暴露在自然光下提供有價值的見解。這些數(shù)據(jù)可以幫助將環(huán)境條件與蜜蜂活動和太陽能電池板產(chǎn)生的能量聯(lián)系起來。

C -電池和太陽能板

該系統(tǒng)由一塊3.7V 2000mAh的鋰電池供電，使用太陽能電池板充電。充電過程由LiPo Rider Pro板管理，該板調(diào)節(jié)能量輸入，并提供穩(wěn)定的5V直流輸出，為組件供電。這種設置確保了系統(tǒng)即使在遠程位置也能保持自主和運行，從而減少了人工干預的需要。

D -重量傳感器

稱重傳感器(相當于博世H40A)放置在蜂箱下方，連續(xù)監(jiān)測其重量。它連接到HX711稱重傳感器放大器，確保精確的重量測量。這些數(shù)據(jù)為蜂蜜生產(chǎn)、蜜蜂活動和蜂群健康提供了有價值的見解。此外，體重的突然變化可以幫助發(fā)現(xiàn)潛在的蜂巢盜竊，在必要時可以快速干預。

II -全系統(tǒng)

A- PCB設計

整個系統(tǒng)的設計使用KiCad對電路進行建模，并首先在Labdec原型板上進行了測試?？紤]到所涉及的傳感器數(shù)量，此測試階段對于確保適當?shù)墓δ芎图嫒菪灾陵P(guān)重要。一旦驗證，我們最終確定PCB原理圖，然后打印和焊接。這種結(jié)構(gòu)化的方法使我們能夠完善設計，優(yōu)化連接，并確保可靠和高效的最終裝配。

B -盒子的生產(chǎn)

為了確保系統(tǒng)的耐用性和防水性，我們將所有組件封裝在PVC防水外殼內(nèi)。這種堅固的外殼可以保護電子設備免受環(huán)境因素的影響，同時保持系統(tǒng)的可靠性。傳感器布線整齊地通過外殼中的七個專用切口組織，允許安全和結(jié)構(gòu)化的電纜管理：

開/關(guān)按鈕

?箱下：重量傳感器(原電纜)

?蜂箱頂部：太陽能電池板+光傳感器(6根電線，1.5m-2m電纜)

?蜂箱內(nèi)部：DHT22 + 2x DS18B20(5根電線，1m電纜)

?蜂箱外：SHT31(3根電線，20-30cm電纜)

?AI處理內(nèi)部：Nano 33 BLE Sense(4線，50cm電纜)

?LoRa SNOC天線

基于人工智能的女王檢測

A -數(shù)據(jù)收集和標簽

我們的人工智能模塊專門用于檢測蜂王的存在，或者確認蜂巢中完全沒有蜜蜂。我們主要利用了Kaggle的“智能蜂群監(jiān)視器：蜂巢聲音剪輯”數(shù)據(jù)集。為了簡化Edge Impulse中的標記過程，我們開發(fā)了一個Python腳本來系統(tǒng)地重命名音頻文件。與此同時，我們還在教授提供的數(shù)據(jù)集上訓練了一個模型，該數(shù)據(jù)集旨在對“無蜜蜂”、“無蜂后”和“在場蜂后”進行分類。雖然這個二次模型具有很強的理論性能，但它在Nano 33 BLE Sense上的實際實現(xiàn)并不一致，因此我們最終沒有部署它。

B -模型訓練和特征提取

在Edge Impulse上進行模型訓練。我們最初使用Mel Filterbank Energy (MFE)進行實驗，在訓練期間達到了接近100%的準確率。然而，盡管取得了這些令人印象深刻的結(jié)果，但MFE方法并不能很好地轉(zhuǎn)化為現(xiàn)場條件。因此，我們選擇使用Mel-Frequency倒譜系數(shù)(MFCC)進行特征提取。盡管基于mfc的模型提供的訓練精度略低(約85-90%)，但在實際應用中提供了明顯更可靠的性能。

系統(tǒng)集成和部署

AI模塊通過Nano 33 BLE Sense集成到我們的原型中。我們將Nano的TX引腳連接到MKR WAN 1310的RX引腳，并適當匹配地(GND到GND)和電壓水平(3.3?V到3.3?V)，以確保有效地將推斷結(jié)果傳輸?shù)絋TN。遇到的一個挑戰(zhàn)是由于人工智能過程而增加的功耗-當前功耗上升到大約35?mA，而沒有人工智能時則低于10?mA。盡管如此，基于mfcc的模型提供了強大而可靠的蜂王檢測，確保系統(tǒng)準確區(qū)分有蜂王、沒有蜂王和空蜂王。

未來的工作將集中在進一步優(yōu)化能耗和使用額外的真實數(shù)據(jù)改進模型性能，可能會重新考慮替代特征提取方法或集成混合方法以獲得更高的效率。

本文編譯自hackster.io