机器学习的应用：进行蜂窝状态的基于音频的识别

近期伦敦玛丽女王大学和阿兰图灵研究所的研究人员合作开展了一项旨在利用机器学习识别蜂窝状态的研究项目。他们的研究预先发布在arXiv上，研究了使用支持向量机和卷积神经网络进行蜂窝状态识别，使用音频数据。本研究中使用的数据是作为NU-Hive项目的一部分收集的，这项研究旨在开发一种系统，通过利用它们发出的声音来监测蜂箱的状况。研究人员训练机器学习算法来分析这些音频数据并识别不同蜂箱的状态。

研究人员研究的动机是近年来欧洲和世界其他地区的蜜蜂群落减少，由于蜜蜂对维持人类生命的重要性，这种下降已引起人们对蜜蜂保护的兴趣日益增加。在这种背景下，研究人员研究的主要目标是研究和开发一种监测蜂箱状况的创新系统，使用蜜蜂和机器学习算法产生的声音。蜜蜂是地球上重要的植物传粉者，所以对于大自然以及欧洲地区极为重要，近些年，随着蜂群不断的减少，使得这个问题越来越凸显出来，如果任由这种现象发展下去，那么很可能对人类的食物以及食物链中的其他动物造成严重后果。

蜂箱需要紧急人为干预的关键指标之一是没有蜂王。对于养蜂人来说，手动模仿女王是一项具有挑战性且耗时的任务，在许多情况下会破坏蜂房的正常生命周期，从而对栖息在其中的蜜蜂造成巨大压力。蜂箱产生的声音提供了有关其状态的重要线索，包括没有蜂王。研究人员决定探索使用机器学习来分析蜂箱声音的可能性，因为这有助于识别处于危险中的蜂箱而不会给蜜蜂带来不必要的压力，同时还可以减少与人工干预相关的人力。

系统基于机器学习方法，使用音频作为输入自动识别不同的蜂窝状态。系统在研究人员的采集系统创建的数据库上进行训练，然后应用该模型来识别蜂王的存在与否。研究人员在现实环境中进行了几次实验，突出了利用Mel光谱和Mel频率倒谱系数的潜力，以及Hilbert Huang变换作为确定蜂王蜂存在的特征。

此外，研究人员还测试了SVM和CNN在分析这些特殊声音特征时的性能，以确定蜂王是否存在。最终该系统可以成功地识别出蜂箱中是否存在蜂王。对于养蜂人来说，寻找蜂王是一件非常困难的事情，还会破坏蜂巢的正常生命周期。而通过该系统可以显着减少所需的搜索和干预次数。此外，该方法可以尽早实现养蜂人的及时干预，这样就避免了蜂的分散和配置单元下降是由于不存在的女王蜂的情况。

研究人员的调查结果突出了机器学习分析蜂箱音频数据并有效检测它们是否濒临灭绝的巨大潜力。将来，他们的方法可以帮助保护蜜蜂，从而有助于保护所有以传粉作物为食的物种。研究人员现在正在寻求将相同的方法应用于其他与风险相关的蜂窝状态。