设计一个实时蜂箱监测系统

养蜂业面临着威胁蜂群生存的几个主要挑战。蜂群衰竭失调症(CCD)导致异常高的死亡率，破坏蜂群平衡。生物威胁，如瓦螨和亚洲大黄蜂，对蜜蜂施加了持续的压力。此外，污染和农药特别是新烟碱类的大量使用削弱了它们的健康和觅食能力。气候变化改变了植物资源的可用性，扰乱了它们的饮食。最后，蜂箱盗窃迫使养蜂人加强对其设施的监视和安全。

特性

我们的原型测量了以下蜂巢特征：

•蜂巢内的温度和湿度用三个不同的传感器。

•蜂巢室外环境的温度、湿度和亮度。

•系统的电池电量，由太阳能电池板和蜂箱重量充电。

•使用ai声音分析的女王存在(未完成但计划中)。

I -传感器

A -温湿度传感器

我们的系统使用温度和湿度传感器的组合，以确保准确可靠地监测蜂巢的环境。在蜂巢内部，我们有两个DS18B20传感器专门用于测量温度，一个DHT22传感器提供温度和湿度数据。为了保护DHT22免受损坏，它将被封装在一个定制的3d打印外壳中，确保耐用性，同时保持准确的读数。这种冗余提高了可靠性，即使一个传感器出现故障，系统也能保持正常工作。对于外部条件，我们使用SHT31传感器，测量蜂箱外的温度和湿度，为影响蜂群的环境因素提供有价值的见解。

B -亮度传感器

BH1750光传感器位于蜂箱上方，与太阳能电池板并排，在一个透明的外壳内，允许光线通过。这个传感器使我们能够远程监测日照时数，为蜂巢暴露在自然光下提供有价值的见解。这些数据可以帮助将环境条件与蜜蜂活动和太阳能电池板产生的能量联系起来。

C -电池和太阳能板

该系统由一块3.7V 2000mAh的锂电池供电，使用太阳能电池板充电。充电过程由LiPo Rider Pro板管理，该板调节能量输入，并提供稳定的5V直流输出，为组件供电。这种设置确保了系统即使在远程位置也能保持自主和运行，从而减少了人工干预的需要。

D -重量传感器

称重传感器(相当于博世H40A)放置在蜂箱下方，连续监测其重量。它连接到HX711称重传感器放大器，确保精确的重量测量。这些数据为蜂蜜生产、蜜蜂活动和蜂群健康提供了有价值的见解。此外，体重的突然变化可以帮助发现潜在的蜂巢盗窃，在必要时可以快速干预。

II -全系统

A- PCB设计

整个系统的设计使用KiCad对电路进行建模，并首先在Labdec原型板上进行了测试。考虑到所涉及的传感器数量，此测试阶段对于确保适当的功能和兼容性至关重要。一旦验证，我们最终确定PCB原理图，然后打印和焊接。这种结构化的方法使我们能够完善设计，优化连接，并确保可靠和高效的最终装配。

B -盒子的生产

为了确保系统的耐用性和防水性，我们将所有组件封装在PVC防水外壳内。这种坚固的外壳可以保护电子设备免受环境因素的影响，同时保持系统的可靠性。传感器布线整齐地通过外壳中的七个专用切口组织，允许安全和结构化的电缆管理：

开/关按钮

•箱下：重量传感器(原电缆)

•蜂箱顶部：太阳能电池板+光传感器(6根电线，1.5m-2m电缆)

•蜂箱内部：DHT22 + 2x DS18B20(5根电线，1m电缆)

•蜂箱外：SHT31(3根电线，20-30cm电缆)

•AI处理内部：Nano 33 BLE Sense(4线，50cm电缆)

•LoRa SNOC天线

基于人工智能的女王检测

A -数据收集和标签

我们的人工智能模块专门用于检测蜂王的存在，或者确认蜂巢中完全没有蜜蜂。我们主要利用了Kaggle的“智能蜂群监视器：蜂巢声音剪辑”数据集。为了简化Edge Impulse中的标记过程，我们开发了一个Python脚本来系统地重命名音频文件。与此同时，我们还在教授提供的数据集上训练了一个模型，该数据集旨在对“无蜜蜂”、“无蜂后”和“在场蜂后”进行分类。虽然这个二次模型具有很强的理论性能，但它在Nano 33 BLE Sense上的实际实现并不一致，因此我们最终没有部署它。

B -模型训练和特征提取

在Edge Impulse上进行模型训练。我们最初使用Mel Filterbank Energy (MFE)进行实验，在训练期间达到了接近100%的准确率。然而，尽管取得了这些令人印象深刻的结果，但MFE方法并不能很好地转化为现场条件。因此，我们选择使用Mel-Frequency倒谱系数(MFCC)进行特征提取。尽管基于mfc的模型提供的训练精度略低(约85-90%)，但在实际应用中提供了明显更可靠的性能。

系统集成和部署

AI模块通过Nano 33 BLE Sense集成到我们的原型中。我们将Nano的TX引脚连接到MKR WAN 1310的RX引脚，并适当匹配地(GND到GND)和电压水平(3.3 V到3.3 V)，以确保有效地将推断结果传输到TTN。遇到的一个挑战是由于人工智能过程而增加的功耗-当前功耗上升到大约35 mA，而没有人工智能时则低于10 mA。尽管如此，基于mfcc的模型提供了强大而可靠的蜂王检测，确保系统准确区分有蜂王、没有蜂王和空蜂王。

未来的工作将集中在进一步优化能耗和使用额外的真实数据改进模型性能，可能会重新考虑替代特征提取方法或集成混合方法以获得更高的效率。

本文编译自hackster.io