研究人员评估了利用人工智能技术，通过短音频录音来检测蜂巢中蜂后是否缺失的方法。研究表明，该方法可用于无创、连续且低成本的监测。最佳策略是将梅尔尺度上的MFCC型声学属性与机器学习和深度学习模型相结合。
蜂后的缺失会危及蜂群的生存。蜂后的丧失会改变蜂群的繁殖模式，有利于那些有产卵工蜂的蜂群，并损害蜂巢的稳定性。传统的检查方法需要耗费时间、训练有素的人员，并且需要打开蜂巢。本研究提出了一种基于蜜蜂鸣叫声的替代方法。
该研究分析了有蜂王和无蜂王两种蜂巢的录音。科学家们使用了1秒、2秒和3秒的录音片段。该方法旨在识别足够的声学信号，以便在现场快速响应。其目标包括降低计算成本并使其能够应用于嵌入式系统。
三个来源
数据来源于三个渠道。Hiveeyes项目提供了来自柏林11个城市蜂箱（内有蜜蜂）的20份录音。 意大利蜜蜂 或者卡尼卡-巴克法斯特杂交品种。LongHive项目提供了35段名为“做蜜蜂还是不做蜜蜂”的录音。智利瓦尔帕莱索费德里科·圣玛丽亚技术大学的USM蜜蜂实验室提供了两个位于城市环境中的蜂巢的录音，这两个蜂巢距离一条繁忙的大道约100至200米。
智利的录音是在两个晴朗的日子里进行的，时间为下午3点至晚上8点。其中一个蜂群在整个评估期间都保持着蜂王。另一个蜂群在12月2日之前没有蜂王，之后出现了蜂王幼虫，并在12月9日之前获得了新的蜂王。这种安排使得我们能够在自然条件下评估蜂群状态的转变。
研究人员在蜂箱内安装了麦克风。这些设备放置在蜂群中心附近的蜂框之间。麦克风距离育雏室和蜜脾之间的区域大约15厘米。录音的采样率为每秒44100个样本。文件格式为mp3、wav和m4a。
处理过程将音频分割成互不重叠的窗口。然后，对每个片段进行声学属性提取。该研究比较了频谱图、梅尔频谱图和梅尔倒谱频率系数（MFCC）。MFCC 将声音信息压缩到一个与听觉感知相关的尺度上。
评估模型
评估的模型包括支持向量机（SVM）、XGBoost、卷积神经网络和多层感知器。比较指标包括准确率、精确率、召回率、F1 分数和 Cohen’s Kappa 系数。测试集存在样本不平衡问题，约有 500 个样本不包含皇后，而包含皇后的样本约有 250 个。因此，本研究重点关注随机一致性之外的一致性。
在梅尔尺度上，MFCC属性的表现最佳。在1秒片段中，卷积神经网络的平均准确率达到0,726。在2秒片段中，XGBoost的准确率为0,732。在3秒片段中，SVM的准确率为0,697。置信区间表明，与线性频谱图相比，MFCC梅尔属性具有更高的稳定性。
该研究也存在一些局限性。样本涉及的蜂箱数量有限，城市噪声源种类繁多，录音设备和压缩格式也各不相同。科学家们并未单独分析每种噪声源（例如风、交通或人类活动）的影响。此外，由于重复次数有限，他们也没有对不同模型进行正式的显著性检验。
尽管如此，研究结果支持使用短音频录音进行蜂巢筛查。这项技术可以减少侵入性检查，并在可能出现蜂王死亡时发出警报。在商业蜂场中，这类工具可以集成传感器网络，并在减少对蜂群直接干预的情况下辅助管理决策。
更多信息请访问 doi.org/10.3390/insects17060547
