پديد آورندگان :
عبداله زارغ، زهرا دانشگاه علوم كشاورزي و منابع طبيعي خوزستان - دانشكده مهندسي زراعي و عمران روستايي - گروه مكانيك بيوسيستم و مكانيزاسيون، اهواز , كاظمي، نواب دانشگاه علوم كشاورزي و منابع طبيعي خوزستان - دانشكده مهندسي زراعي و عمران روستايي - گروه مكانيك بيوسيستم و مكانيزاسيون، اهواز , آبدانان مهدي زاده، سامان دانشگاه علوم كشاورزي و منابع طبيعي خوزستان - دانشكده مهندسي زراعي و عمران روستايي - گروه مكانيك بيوسيستم و مكانيزاسيون، اهواز
كليدواژه :
كندوي هوشمند , پرنده زنبورخوار (سبزقبا) , الگوريتم ژنتيك , طبقه بند KNN
چكيده فارسي :
نظارت فعالانه كندو با استفاده از يك شبكه حسگر كه قادر به ثبت و ضبط تمامي شرايط كندو جهت شناخت شرايط زندگي زنبورهاي درون كندو باشد، كمك شاياني به اتخاذ تصميم توسط زنبوردار در شرايط حمله دشمنان خارجي و جلوگيري از فروپاشي جمعيت زنبورعسل مي نمايد. بدين منظور در پژوهش حاضر سامانه اي خبره جهت تشخيص حمله پرنده زنبورخوار شامل حسگرهاي دما، صوت، رطوبت و اتانول توسعه يافت. پس از جمع آوري داده ها تحت دو شرايط نرمال و حمله پرنده زنبورخوار (سبزقبا) و استخراج ويژگي در دو حوزه زمان و فركانس، انتخاب ويژگي با استفاده از الگوريتم ژنتيك و سپس طبقه بندي ويژگي ها با استفاده از K نزديكترين همسايه[1] صورت پذيرفت. بر اساس نتايج بدست آمده از بين 19 ويژگي انتخاب شده، پنج ويژگي شامل آنتروپي طيفي، انرژي صوت، شدت بيشينه صوت، كمينه الكل و فركانس غالب به ترتيب با 8967، 6018، 1321، 1287 و 809 وقوع به عنوان تأثيرگذارترين ويژگي ها وارد طبقه بند شدند. طبقه بند KNN براي معيارهاي صحت، دقت، حساسيت، نمره F، خصوصيت و ميانگين هندسي بيشينه (100%) و نرخ مثبت كاذب (FPR) كمينه (صفر) شد كه نشان دهنده ي عملكرد خوب سامانه خبره تشخيص حمله پرنده به كندو است.
چكيده لاتين :
Active monitoring of beehive using sensor network that can record all of the hive conditions for recognition of living status of beehives, could help beekeepers to make a proper decision while attacking foreign enemies, and prevent the collapse of the hive. To this end, in this study, an expert system for detection of Merops apiaster attack was developed which is including: temperature, sound, humidity and ethanol sensors. The data was collected for two conditions (i. e. normal and apiaster attack conditions) and different features in two time and frequency domains were extracted. After that, the most significant features were selected and classified using GA (Genetic Algorithm) and K-NN, respectively. According to results, among 19 selected features, 5 features namely spectral entropy, sound energy, sound maximum, alcohol minimum, and natural frequency were selected as the most effective features with 8967, 6018, 1321, 1287, and 809 occurrence, respectively. K-NN classification had 100% accuracy, precision, recall, Fscore, specificity, and Gmean and zero false positive rate which indicates proper performance of expert system fordetection of apiaster attack to the beehives.
