基于蜂群声音子带功率比的分蜂预测

吕竹青

(1. 中国科学院合肥物质科学研究院 技术生物与农业工程研究所， 合肥 230031； 2. 中国科学技术大学 研究生院科学岛分院， 合肥 230026)

随着人工智能和先进传感器技术的发展，基于无线网络(Wireless Sensor Network)的监测技术广泛应用于各个行业和领域，包括对蜂群的监测和监控[1]，可用于对蜂群状况的实时在线监测，为开展蜜蜂行为、生态等研究提供了重要的平台，同时相关系统也被推广应用到养蜂实践中，不仅可以节省养蜂劳力，也开辟了精准养蜂(Precision Apiculture)新业态。

分蜂是一种蜂群增殖的方式[2]。在分蜂过程中，蜂群中的老蜂王会带领几乎一半的工蜂离开旧巢，并在离旧巢数公里外的地方建立新巢[3]。这样，原来蜂群从事采蜜的工蜂减少了，给蜂农带来较大损失。因此，科研人员和蜂农希望找到一个方法，在不开箱检查的情况下，就可以预判蜂群是否准备分蜂。研究发现分蜂与幼蜂、工蜂数量、蜂王信息素含量，以及蜂巢环境等因素有关[2]，这些因素的变化会改变蜂巢内相关信息参数，如温度、湿度和声音等。研究人员根据这些信息参数开发出各种预测分蜂的监控系统。例如，Meitalovs等设计了基于蜂箱内温度和湿度的自动监控系统[4]，Zacepins等针对蜂群分蜂设计了远程温度监控系统[5]。

Ferrari等对分蜂过程中蜂箱内温度、相对湿度以及声音变化进行了分析[2]，Bencsik等对分蜂过程中巢脾的振动进行了分析[6]，这些研究认为蜂群声音可能是预测分蜂的关键参数。Mezquida等设计了基于蜂群声音的监控系统[7]。Ferrari对分蜂过程中的蜂群声音信号的幅值和频率进行了分析，Pérez获取了分蜂现象的频谱特征[8]，但未发现特定的规律。考虑到实际蜂场中环境噪声的影响，需要对蜂群声音信号特征进行进一步的研究，提取蜂群声音信号关键特征用于分蜂预测。

本文以中华蜜蜂为对象，通过人工制造分蜂过程，采集分蜂前后蜂群的声音片段，根据不同类型声音片段功率谱密度的差异，采用LabVIEW编写程序提取蜂群声音功率比特征参数，并利用机器学习算法对蜂群分蜂声音特征进行分析，以期得到一种能够快速识别正常蜂群和分蜂蜂群声音的识别器。

1 材料与方法

1.1 研究地点与实验蜂群

实验在合肥市蜀山区蜀山湖路350号(117.17°E, 31.91°N)进行。实验蜂群为两群中华蜜蜂(ApisceranaceranaFabricius)，用小型蜂箱(17 cm×27 cm×27 cm)饲养，未发现螨虫、蜡螟等病害，每个巢内有一个蜂王和约8000只工蜂。实验前蜂群主要依靠自己采集花蜜和花粉，同时适当补喂一些糖浆。

1.2 实验蜂群处理方法

通过限制蜂王飞行实现“人工分蜂”是一种目前广泛应用的研究蜂群分蜂现象的实验方法，基本实验步骤由Morse提出[9]，被Seeley标准化[10]。此方法在研究分蜂“piping”声音[11-12]、分蜂时群体决策行为[13]、分蜂“buzz-run”[14]、蜂群搜寻行为[15]、分蜂时蜂王信息素变化[16]等方面一直被众多研究者使用。

实验集中在2017年的5—6月。参考Morse论文中介绍的方法[9]，人为创造分蜂过程，具体做法是：将蜂王关在王笼中(3.7 cm×1.7 cm×5.4 cm)，悬挂于两侧为细孔网密封的木箱中(15 cm×25 cm×35 cm)，并将蜂群倒入该木箱。使用蔗糖溶液(蔗糖与水体积比为1∶1)喂养蜂群3～4 d，待蜂群出现准备分蜂的典型特征——产生大量蜡鳞[17]后，去掉小型蜂箱内的巢脾，将王笼(含蜂王)放置到小型蜂箱中的隔板中心，并放置在蜂箱中部，木箱中的蜂群倒入蜂箱，30～60 min内工蜂将聚集在蜂王周围，与自然分蜂一样，此时蜂群开始寻找新巢[10,18-20]，并在几小时或几天后开始分蜂。由于蜂王仍囚禁在王笼中，飞离的蜂群会重新返回蜂箱，几小时后或第2天蜂群会再次产生分蜂现象，这种方法可以观察到多次分蜂现象。

1.3 蜂群声音采集

采用全指向性麦克风ECM-3005(德国Monacor公司，响应频率为50～16 000 Hz)采集蜂群声音，该麦克风放置在蜂群中部，此处是蜂王产卵较为集中的位置，蜂群为产卵提供较为稳定的温度，哺育行为较为集中，是蜂群较为活跃的场所[21]，为了避免蜂群在麦克风涂抹蜡层影响采集效果，同时也避免蜜蜂在麦克风上爬行的声音干扰，在放置麦克风前，在麦克风上放置海绵套。麦克风经屏蔽线连接到电脑。录音软件采用 Adobe Audition CS6，采样频率为16 kHz，采样精度为32bit，数据存储为*.wav格式。

美国的科研设备通常位于联邦资助研发中心(FFRDC)，由政府资助或部分资助。作为当今世界上最发达的国家，美国拥有值得学习和借鉴的先进经验。

实验共记录到5组分蜂现象，利用Adobe Audition CS6将5组声音信号剪切成长度为1 s的声音片段，从每组声音信号中随机选取50个声音片段，共获取250个声音片段；选取5次与分蜂时间对应的正常蜂群声音和2次与分蜂不对应的正常蜂群声音，用同样方法随机选取350个声音片段。

1.4 蜂群声音处理

蜂群声音信号属于随机信号，可以用平均功率谱密度来区分，具体分析方法可详见其他文献[22-23]。本研究利用LabVIEW编写的程序对蜂群的声音进行特征提取与分类识别。

1.4.1 预处理

蜂群声音主要集中在2000 Hz以下[2]，使用截止频率为2000 Hz的巴特沃斯(Butterworth)低通滤波器滤波处理数据。为减少边缘效应和频谱泄漏，采用汉明窗进行加窗分帧处理[24-25]，汉明窗函数ω(n)表达式为：

(1)

式中：n为第n个采样点，N为单位帧的采样数。

1.4.2 信号特征提取

功率谱密度(PSD)可以反映信号的频率特征，利用离散傅里叶变换(DFT)来计算。第m帧声音信号Sm(k)的离散傅里叶变换为：

(2)

(3)

频率范围为n～m内的功率W为

(4)

式中：fr为频率分辨率。

将研究的频率范围划分为若干区间，每个区间称为一个子带，子带k的功率比Dk为

(5)

1.4.3 分类预测

利用分类回归决策树(classification and regression tree, CART)算法对蜂群声音子带功率比数据进行分类，已有数据中随机选取70%的数据为训练集，30%的数据为测试集。根据训练集数据建立决策树模型用于预测分蜂，并利用测试集对分蜂预测模式的准确性进行验证[26]。分析都是利用R软件完成。

2 结果与分析

2.1 分蜂蜂群声音特征

预分蜂状态下的蜂群声音明显强于正常状态的蜂群声音(图1、2)，这与分蜂前蜂群兴奋状态有关。因此，根据蜂群声音信号幅度来预测分蜂状态是可行的。但是，由于蜂群、采集设备、传感器安装位置的不同以及环境对蜂群声音采集造成的潜在影响，不适合采用阈值法分析蜂群声音特征，故本文采用功率密度对蜂群声音进行处理分析。从图1和图2可以看到，正常状态与预分蜂状态明显发生了频移，正常状态和预分蜂状态的主要频率分别集中于100～200 Hz和450～550 Hz，这个结果与Ferrari的研究结果[2]基本一致。

将频率0～2000 Hz划分为5个子带，分别为D1(0～200 Hz)、D2(200～400 Hz)、D3(400～600 Hz)、D4(600～1000 Hz)、D5(1000～2000 Hz)，计算预分蜂状态和正常状态下各个子带的功率比，如表1 所示。

预分蜂状态下200～400 Hz的功率比为(57.99±0.74)%，远大于此区间正常状态下的功率比；正常状态下0～200 Hz与600～800 Hz的功率比大于预分蜂状态在此区间的功率比。子带功率比可以很好的区分预分蜂状态与正常状态，预测分蜂。

图 1 预分蜂状态下蜂群声音信号时域图(A)与功率谱密度(B)

图 2 正常状态下蜂群声音信号时域图(A)与功率谱密度(B)

表1 分蜂与正常状态下蜂群声音子带功率比(平均值±标准误)

2.2 基于决策树算法的分蜂状态预测

根据子带功率比数据，利用CART决策树算法建立分蜂预测模型(见图3)。以最左侧分支(分蜂/0.01/40%)为例简单介绍此决策树，自上而下从根节点开始，一个信号进入决策树后，首先对其属性特征D2与决策树自动生成的阈值T=29进行比较，若大于等于29，则进入内部节点继续取其属性特征D4与阈值2.9比较，若小于2.9，则进入叶节点(分蜂/0.01/40%)。其中“分蜂”表示进入此叶节点的信号为分蜂声音信号；“0.01”表示此叶节点中含有1%的“正常蜂群”信号；“40%”表示训练集中有40%的数据通过决策树达到此叶节点。

根据测试集，构建的决策树的测试结果如表2所示。此决策树判断某一数据为分蜂数据的先验概率为99.04%。

在决策树模型中，未使用子带D3和D5数据。由表3可知，子带D3的基尼指数最大，区分能力最弱。子带D5的基尼指数仅大于子带D2，但决策树中未存在D5，说明200～400 Hz与1000～2000 Hz的功率比变化趋势类似。

表2 决策树模型的混淆矩阵

图 3 CART 算法所构建决策树

表3 决策树根节点基尼指数

3 结论与展望

本文主要探讨了蜂群分蜂时的声音特征参数以及基于声音特征的分蜂模式识别的机器学习算法。结果表明，利用蜂群声音的子带功率比可以有效区分蜂群是否处于预分蜂状态，利用子带功率比构建的决策树模型预测分蜂的先验概率可达99.04%。本研究认为蜂群声音的子带功率比是一种重要的特征参数，可用于分蜂判别。

近年来，有关声音特征提取和模式识别技术发展较快。由于声信号精确和稳定等特点, 运用信号处理的方法，借助计算机技术对生物体发出的声音进行分析，提取其特征量，可帮助精准预测生物现状。因此，声音模式识别在无人值守、故障检测、灾害预防等方面具有很广阔的应用前景。

本研究在子带划分方面比较粗略，而且子带选取的时段主要依靠经验来确定的。因此，计算得到的子带功率比可能存在人为造成的误差。另外，各子带中可能隐含许多未挖掘的信息，需要今后进行相关实验，通过分析子带所包含的信息，以提高识别准确性。

本研究只针对预分蜂状态识别进行了蜂群声音的子带功率比和基于子带功率比的机器学习算法的研究。实际上，蜂群中存在多种异常状态，如病虫害、外来蜂入侵等，有关这些异常状态的蜂群声音子带功率比需要进一步深入研究。比较不同蜂群异常状态下蜂群声音子带功率比，确定一个通用的蜂群声音子带划分和基于蜂群声音子带功率比的机器学习算法，如支持向量机、随机森林等，这将为研发蜂群监测系统提供强有力的技术支持。

致谢:本研究得到中科院合肥研究院刘方邻研究员的指导与论文撰写的帮助，以及方黎研究员、储焰南研究员、丁蕾副研究员等给予的支持和帮助。另外，课题组蒋雪利、尹小红为本研究提供了帮助。在此，对各位老师和同学的支持和帮助表示感谢。