養(yǎng)蜂業(yè)面臨著威脅蜂群生存的幾個(gè)主要挑戰(zhàn)。蜂群衰竭失調(diào)癥(CCD)導(dǎo)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(qiáng)對其設(shè)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(gè)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(jì)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(zhǔn)確可靠地監(jiān)測蜂巢的環(huán)境。在蜂巢內(nèi)部，我們有兩個(gè)DS18B20傳感器專門用于測量溫度，一個(gè)DHT22傳感器提供溫度和濕度數(shù)據(jù)。為了保護(hù)DHT22免受損壞，它將被封裝在一個(gè)定制的3d打印外殼中，確保耐用性，同時(shí)保持準(zhǔn)確的讀數(shù)。這種冗余提高了可靠性，即使一個(gè)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(jià)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(gè)透明的外殼內(nèi)，允許光線通過。這個(gè)傳感器使我們能夠遠(yuǎn)程監(jiān)測日照時(shí)數(shù)，為蜂巢暴露在自然光下提供有價(jià)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(dòng)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(shè)置確保了系統(tǒng)即使在遠(yuǎn)程位置也能保持自主和運(yùn)行，從而減少了人工干預(yù)的需要。

D -重量傳感器

稱重傳感器(相當(dāng)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(dòng)和蜂群健康提供了有價(jià)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(shí)可以快速干預(yù)。

II -全系統(tǒng)

A- PCB設(shè)計(jì)

整個(gè)系統(tǒng)的設(shè)計(jì)使用KiCad對電路進(jìn)行建模，并首先在Labdec原型板上進(jìn)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(dāng)?shù)墓δ芎图嫒菪灾陵P(guān)重要。一旦驗(yàn)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(shè)計(jì)，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(jiān)固的外殼可以保護(hù)電子設(shè)備免受環(huán)境因素的影響，同時(shí)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(gè)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(biāo)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(rèn)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(biāo)記過程，我們開發(fā)了一個(gè)Python腳本來系統(tǒng)地重命名音頻文件。與此同時(shí)，我們還在教授提供的數(shù)據(jù)集上訓(xùn)練了一個(gè)模型，該數(shù)據(jù)集旨在對“無蜜蜂”、“無蜂后”和“在場蜂后”進(jìn)行分類。雖然這個(gè)二次模型具有很強(qiáng)的理論性能，但它在Nano 33 BLE Sense上的實(shí)際實(shí)現(xiàn)并不一致，因此我們最終沒有部署它。

B -模型訓(xùn)練和特征提取

在Edge Impulse上進(jìn)行模型訓(xùn)練。我們最初使用Mel Filterbank Energy (MFE)進(jìn)行實(shí)驗(yàn)，在訓(xùn)練期間達(dá)到了接近100%的準(zhǔn)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(jìn)行特征提取。盡管基于mfc的模型提供的訓(xùn)練精度略低(約85-90%)，但在實(shí)際應(yīng)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(dāng)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(gè)挑戰(zhàn)是由于人工智能過程而增加的功耗-當(dāng)前功耗上升到大約35?mA，而沒有人工智能時(shí)則低于10?mA。盡管如此，基于mfcc的模型提供了強(qiáng)大而可靠的蜂王檢測，確保系統(tǒng)準(zhǔn)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(jìn)一步優(yōu)化能耗和使用額外的真實(shí)數(shù)據(jù)改進(jìn)模型性能，可能會(huì)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