Présentation
Les abeilles (Apis mellifera) jouent un rôle crucial dans l'agriculture et la stabilité des écosystèmes en tant que pollinisatrices clés des cultures et des plantes sauvages. La surveillance de la force des colonies d'abeilles à distance avec des capteurs IoT est devenue une tâche essentielle. Les méthodes précédentes utilisaient des caractéristiques extraites à la main à partir du spectre de modulation des appareils audio IoT pour améliorer la surveillance acoustique de la force des colonies.
Architecture et fonctionnement
Dans cet article, nous explorons l'utilisation d'un nouveau type de représentation appelé tensorgram de modulation, qui conserve la dimension temporelle. Cette nouvelle représentation est utilisée comme entrée pour un réseau de neurones convolutif (CNN) et un réseau de neurones convolutif récurrent (CRDNN). Les résultats montrent que la méthode proposée améliore à la fois la précision et la généralisabilité entre les ruches par rapport aux méthodes de référence précédentes.
Implications et limites
Les résultats obtenus à l'aide du jeu de données public UrBAN, qui contient plus de 3 000 heures d'enregistrements audio de ruches, suggèrent une meilleure robustesse aux conditions de prise de son bruyantes en milieu réel. Nous utilisons des cartes de salience et des cartes d'activation de classe pondérées par gradient pour l'explicabilité et montrer l'importance de la dynamique temporelle du spectre de modulation pour la tâche en question.
Conclusion et perspectives
Les résultats obtenus suggèrent que la surveillance acoustique précise, généralisable et robuste de la force des colonies d'abeilles est possible. L'utilisation de tensorgrams de modulation et de réseaux de neurones convolutifs récurrents offre une approche prometteuse pour améliorer la surveillance des colonies d'abeilles et contribuer ainsi à la stabilité des écosystèmes et à la production agricole.
