来源：期刊VIP网 时间：
作者：叶大鹏;陈林杰;张林通;张雯清;魏增辉;黄少康;瞿芳芳;
单位：福建农林大学机电工程学院;福建农林大学未来技术学院;福建农林大学农业人工智能研究中心;福建农林大学蜂学与生物医药学院;
摘要：【目的】通过基于信号序列优化机器听觉模型的研究，为蜂群健康与活动状态的监测提供依据。【方法】在蜂箱内设置音频传感器，以非侵入性和无干扰性的方式持续记录6类蜂群音频，针对传统的音频分类方法中未考虑时序信息和分类准确度不高等问题，提出一种基于双向长短期记忆(bidirectional long short-term memory, BiLSTM)网络优化的多分类模型。基于梅尔频率倒谱系数提取音频特征，并构建以BiLSTM为基准的蜂群状态分类模型；引入卷积神经网络(convolutional neural network, CNN)和自注意力机制(self-attention mechanism, SA)对BiLSTM的输入和输出进行优化；构建优化的CNN-BiLSTM-SA模型用于6类蜂群状态的精准识别。【结果】与CNN和BiLSTM模型相比，CNN-BiLSTM-SA模型的分类准确率最高，训练集和验证集准确率均大于0.990 0,测试集准确率为0.988 6,交叉验证平均准确率为0.981 5。【结论】CNN-BiLSTM-SA模型为蜂箱内蜂群状态精准识别提供了有效技术支持，有助于未来智能养蜂和音频传感监控的发展。
关键词：蜂群状态;;机器听觉;;双向长短期记忆;;卷积神经网络;;自注意力机制
基金资助：福建省农业信息感知技术重点实验室建设补助项目(KJG22052A)
