Nghe âm thanh tổ ong để nhận biết khi vắng ong chúa

Công nghệ cốt lõi

Một nhóm nghiên cứu của Đại học Công nghiệp Hà Nội đề xuất kết hợp biến đổi Hilbert–Huang, mạng CNN và bộ phân loại SVM để nhận diện trạng thái có hoặc không có ong chúa từ âm thanh tổ ong. Trong thực nghiệm được công bố, mô hình kết hợp đạt độ chính xác 98,61% trên tập kiểm tra.

Ong chúa duy trì đàn bằng cách đẻ trứng và tiết pheromone. Khi ong chúa vắng mặt, đàn mất nguồn bổ sung ong non; người nuôi cần phát hiện tình trạng ấy để kịp thời kiểm tra và xử lý. Cách nhận biết thường dựa vào việc mở tổ quan sát dấu hiệu bên trong. Thao tác này cần thời gian và làm xáo trộn đàn ong.

Hình ảnh Ong chúa

Nghiên cứu của Nguyễn Bá Nghiễn và cộng sự đặt ra một hướng tiếp cận khác: thu âm thanh phát ra từ tổ và để mô hình học máy phân loại trạng thái của đàn. Mục tiêu là hỗ trợ nhận biết sự vắng mặt của ong chúa mà không phải mở tổ chỉ để kiểm tra. Đây là một phương pháp phân tích âm thanh được đánh giá trong nghiên cứu; bài báo không mô tả một sản phẩm thương mại hay hệ thống đã triển khai ở các trại nuôi ong.

Thiết bị IoT_Fig6

Từ tiếng rù rì đến ảnh phổ

Âm thanh sinh học biến đổi theo thời gian và không nhất thiết ổn định hay tuyến tính. Thay vì đưa dạng sóng trực tiếp vào một bộ phân loại, nhóm nghiên cứu chia âm thanh thành các đoạn 10 giây rồi dùng phép biến đổi Hilbert–Huang (HHT) để tạo ảnh phổ. HHT gồm phân rã tín hiệu thành các thành phần dao động (EMD) và áp dụng biến đổi Hilbert để tính phổ Hilbert, biểu diễn cách năng lượng và tần số biến đổi theo thời gian.

Ảnh Phổ

Ảnh phổ sau đó đi qua một mạng nơ-ron tích chập (CNN) năm tầng tích chập. CNN đảm nhiệm việc rút trích đặc trưng; các véc-tơ đặc trưng được chuyển sang máy véc-tơ hỗ trợ (SVM) dùng kernel RBF để phân loại hai nhãn: tổ có ong chúa và tổ vắng ong chúa. Nói gọn, quy trình đi từ thu âm, chia đoạn, tạo phổ, học đặc trưng đến phân loại. Mỗi công nghệ giải quyết một khâu riêng trong chuỗi đó.

Kiến trúc CNN_SVM_Fig7

Kết quả trong phạm vi bộ dữ liệu nghiên cứu

Bài báo mô tả thiết bị IoT có micro dùng để thu âm tại tổ ong. Dữ liệu được ghi ngày 8/9/2022 trong hai khoảng 8–10 giờ và 11–14 giờ, ở tần số lấy mẫu 16.000 Hz. Hai tệp âm thanh dài lần lượt 2 giờ (có ong chúa) và 4 giờ (vắng ong chúa) được chia thành 715 và 1.450 đoạn 10 giây. Tổng bộ ảnh phổ gồm 2.165 mẫu, kích thước 128 × 128 × 3.

Trên tập kiểm tra, mô hình kết hợp CNN–SVM đạt độ chính xác 98,61%. Để đối chiếu, bài báo báo cáo CNN đề xuất đạt 84,67%, VGG16 đạt 83,36% và MobileNetV2 đạt 84,12%. Bảng kết quả cũng ghi nhận 100% độ chính xác trên tập huấn luyện của mô hình kết hợp. Con số tập huấn luyện không thay thế kết quả tập kiểm tra; chênh lệch giữa các mô hình là kết quả thực nghiệm trên bộ dữ liệu và cách đánh giá mà bài báo trình bày.

Bảng Kết quả

Các số liệu này cho thấy cách kết hợp HHT, CNN và SVM có tiềm năng phân loại tốt trong thử nghiệm được báo cáo. Chúng chưa tự chứng minh rằng mô hình sẽ giữ nguyên độ chính xác ở mùa vụ, địa điểm, loại tổ hay điều kiện thu âm khác. Bài báo cũng chưa trình bày kết quả vận hành dài hạn tại trang trại hoặc một quy trình ứng dụng thương mại.

Một hướng hỗ trợ giám sát đàn ong

Giá trị ứng dụng của nghiên cứu nằm ở khả năng đưa phân tích âm thanh vào một tác vụ vốn thường cần quan sát trực tiếp. Nếu được kiểm chứng thêm với dữ liệu đa dạng và điều kiện triển khai thực tế, phương pháp có thể hỗ trợ người nuôi sàng lọc những tổ cần kiểm tra. Khi đó, âm thanh đóng vai trò tín hiệu giám sát; quyết định chăm sóc đàn vẫn cần dựa trên quy trình chuyên môn phù hợp.

Công trình do Nguyễn Bá Nghiễn, Phạm Thị Kim Phương, Trần Thanh Huấn, Lê Anh Thắng, Đoàn Văn Trung và Phan Thị Thu Hồng thực hiện. Bài báo có tên Monitoring the Absence of Queen Bee in the Hive Using Deep Learning and Hilbert Huang Transform, đăng trên ASEAN Engineering Journal, tập 14, số 1, trang 113–120; DOI: 10.11113/aej.V14.20163. Hồ sơ bài báo ghi nhận đăng trực tuyến ngày 29/2/2024; phần đầu trang tạp chí lại có dòng năm 2023, vì vậy năm trích dẫn cần được cán bộ xác nhận.

Gợi ý góc truyền thông: Từ một tín hiệu âm thanh khó nhận biết bằng tai, nhóm nghiên cứu xây dựng chuỗi xử lý biến tín hiệu thành ảnh phổ rồi phân loại bằng AI. Trọng tâm kể chuyện là vai trò của HHT–CNN–SVM và kết quả 98,61% có giới hạn rõ ràng trong tập kiểm tra.

Nguồn nội dung: Bài báo PDF do người dùng cung cấp, tr. 113–120 (PDF tr. 1–8); đặc biệt phần phương pháp, Hình 4–7, Bảng 1–3 và kết luận.