CN112544503B - 一种智能蜂箱的监测预警系统及方法 - Google Patents
一种智能蜂箱的监测预警系统及方法 Download PDFInfo
- Publication number
- CN112544503B CN112544503B CN202011355950.8A CN202011355950A CN112544503B CN 112544503 B CN112544503 B CN 112544503B CN 202011355950 A CN202011355950 A CN 202011355950A CN 112544503 B CN112544503 B CN 112544503B
- Authority
- CN
- China
- Prior art keywords
- beehive
- bee
- monitoring
- data
- humidity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 15
- 241000257303 Hymenoptera Species 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 235000012907 honey Nutrition 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000000926 separation method Methods 0.000 claims abstract description 3
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000009395 breeding Methods 0.000 abstract description 8
- 230000001488 breeding effect Effects 0.000 abstract description 8
- 238000009341 apiculture Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K47/00—Beehives
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明涉及一种智能蜂箱的监测预警系统及方法，属于蜜蜂养殖领域。该方法包括：S1：数据监测：通过传感器获取蜂箱内部的温度、湿度以及巢脾重量，对收集的数据进行处理并传送至监控平台；S2：多级预警：根据蜂箱环境参数的变化，采用DBSCAN聚类算法，基于一组邻域来描述样本集的紧密程度，将蜂农对蜜蜂的关注等级划分为正常、数据波动大和超安全范围三个级别，实现实时报警；S3：分蜂预测：根据分析蜂箱内部温湿度的变化以及蜜蜂产蜜速度，采用BP神经网络算法进行分蜂状态等级预测，预测最佳人工分蜂时间。本发明能防止发生分蜂热，为蜜蜂提供优良环境，有效降低蜂农的劳动成本。
Description
技术领域
本发明属于蜜蜂养殖领域领域，涉及一种智能蜂箱的监测预警系统及方法。
背景技术
蜂箱是目前人工养蜂最主要的养殖装置，是蜜蜂繁衍生息的住所。而目前广泛使用的传统蜂箱蜂桶，主要依靠蜂农的主观判断进行控温、控湿、取蜜、分蜂等，无法科学准确为蜂群提供最舒适、最安全的繁殖及储蜜空间。同时为了检查蜂箱内部状况频繁的开箱劳动成本高，并且干扰蜜蜂正常的繁殖和产蜜活动甚至造成蜂蜜消耗快，蜜蜂寿命缩短等情况。
因此，亟需一种能够对蜂箱进行实施监测预警的智能系统。
发明内容
有鉴于此，本发明的目的在于提供一种智能蜂箱的监测预警系统及方法，通过对蜂箱内部温度、湿度、巢脾重量的监测和分析，保障蜜蜂在更加舒适、安全的环境下繁殖生活，降低蜂农劳动成本，实现数字化智能养蜂。
为达到上述目的，本发明提供如下技术方案：
1、一种智能蜂箱的监测预警方法，包括以下步骤：
S1：数据监测：通过传感器获取蜂箱内部的温度、湿度以及巢脾重量等数据，对收集的数据进行处理并传送至监控平台；
S2：多级预警：根据蜂箱环境参数的变化，采用DBSCAN聚类算法，基于一组邻域来描述样本集的紧密程度，将蜂农对蜜蜂的关注等级划分为正常、数据波动大和超安全范围三个级别，供蜂农参考，并在出现分蜂趋势时进行报警；实时语音播报，减少蜂农的精力投入；
S3：分蜂预测：根据分析蜂箱内部温湿度的变化以及蜜蜂产蜜速度，采用BP神经网络算法进行分蜂状态等级预测，防止发生分蜂热，预测最佳人工分蜂时间，为蜜蜂提供优良环境，有效降低蜂农的劳动成本。
进一步，步骤S2中，所述蜂箱环境参数包括蜂箱内部温度、湿度、巢脾重量以及蜂箱外部环境温度、湿度的变化速度。
进一步，步骤S2中，将获取的蜂箱环境参数进行解码，生成实时曲线图，便于直观发现异常数据。
进一步，步骤S2中，所述DBSCAN聚类算法具体包括：分别获取包含一天蜂箱内部温度、湿度和巢脾重量变化数据{D}的数据集，参数(δ,MinPts)用来描述邻域的样本分布紧密程度，其中，δ描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为δ的邻域中样本个数的阈值，进行数据分析；
具体数据分析情况为：给定对象半径为Ε内的区域称为该对象的Ε邻域；设置半径参数、邻域以及不同簇的个数C代表的情况，包括：如果给定对象Ε邻域内的样本点数大于等于MinPts，则称该对象为核心对象；
对于样本集合D，如果样本点q在p的Ε邻域内，并且p为核心对象，那么对象q从对象p直接密度可达；
对于样本集合D，给定一串样本点p1,p2,....,pn,p＝p1,q＝pn,假如对象pi从pi-1直接密度可达，那么对象q从对象p密度可达；
存在样本集合D中的一点o，如果对象o到对象p和对象q都是密度可达的，那么p和q密度相联；
最后，找到密度相连对象的最大集合。
进一步，步骤S2中，环境参数经过DBSCAN聚类算法处理后，簇的个数发生变化：当簇的个数C＝1时，蜂箱内部情况正常；当簇的个数C＝2时，蜂箱内部情况有波动；当簇的个数C＝3时，蜂箱内部情况异常，需及时处理。
进一步，步骤S3中，将分蜂状态分为5个等级；输入层含有三个神经元，输入为X＝(x1,x2,x3)，输出层含有五个神经元，输出为Y＝(y1,y2,y3,y4,y5)；其中x1,x2,x3分别为蜂箱内部的温度、湿度以及巢脾重量；y代表分蜂状态的等级，等级越高，分蜂行为越激烈；
所述采用BP神经网络算法进行分蜂状态等级预测的具体步骤为：
S31：初始化，设置输入层的节点个数n，隐含层的节点个数为l，输出层的节点个数m；输入层到隐含层的权重wij，隐含层到输出层的权重wjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk，学习效率为η，激励函数采用Sigmoid函数；公式如下：
S32：计算隐含层、输出层的输出Hj、Ok，公式如下：
S33：计算误差，公式如下：
其中，Yk为期望输出，记Yk-Ok＝ek；
S34：反向传播，迭代更新参数，ek达到阈值则结束迭代。
2、一种智能蜂箱的监测预警系统，包括：传感节点、中央数据采集器以及监控中心；
所述传感节点包括温度传感器、湿度传感器、重量传感器，安装在蜂箱上，分别通过传感器接口与主控单元连接，主控单元还与通信单元和电源供电单元连接。
进一步，传感器采集的数据通过蜂箱的中央数据采集器传输至监控中心(即手机或者电脑设备)进行分蜂预警分级，在出现分蜂趋势时进行报警。
本发明的有益效果在于：本发明的智能蜂箱，通过物联网技术，解决蜜蜂养殖产业中出现的设备传统、蜂农劳动成本大、管理困难、蜜蜂繁育环境不稳定、易怠工死亡等问题。通过对蜂箱内部温度、湿度以及巢脾重量等的监测，将不确定因素转化为数字信息，图像曲线等，实时呈现给蜂农。保证蜜蜂有良好的生活繁育环境。并通过多级预警的方式保证蜜蜂健康的同时降低蜂农的精力投入。对分蜂等级进行实时转化，预防发生分蜂热，为蜂农进行分蜂热的接触或者人工分蜂饲养蜂群提供重要数据。用本发明的智能蜂箱技术实现养蜂的数字化，信息化，促进大规模蜂场的建设。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1是本发明智能蜂箱的监测预警方法的流程图；
图2是本发明智能蜂箱的整体结构图；
图3是本发明智能蜂箱的监测系统网络图；
图4是本发明智能蜂箱监测到的蜂箱内部温度变化图；
图5是本发明明智能蜂箱监测到的蜂箱内部湿度变化图；
图6是本发明智能蜂箱监测到的蜂箱内部重量变化图；
图7是本发明智能蜂箱温度过高经过多级预警分析报警弹窗展示图；
图8是本发明智能蜂箱温监测分析得到的分蜂强度等级展示图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1～图8，图1为一种智能蜂箱的监测预警方法，该方法包括以下步骤：
S1：数据监测：通过传感器获取蜂箱内部的温度、湿度以及巢脾重量等数据，对收集的数据进行处理并传送至监控平台，实现蜂箱内部数据可视化。
优选的，选择使用DHT11温湿度传感器以及FSR402称重感应器模块，监测蜂箱内部温湿度以及巢脾重量，实时精准监测。
S2：多级预警：根据蜂箱环境参数的变化，采用DBSCAN聚类算法，基于一组邻域来描述样本集的紧密程度，将蜂农对蜜蜂的关注等级划分为正常、数据波动大和超安全范围三个级别，实时语音播报，减少蜂农的精力投入。其中，环境参数数据有蜂箱内部温度，湿度，巢脾重量以及蜂箱外部环境温度，湿度的变化速度。
具体的，分别获取包含一天蜂箱内部温度，湿度，重量变化数据{D}的数据集，参数(δ,MinPts)用来描述邻域的样本分布紧密程度。其中，δ描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为δ的邻域中样本个数的阈值，进行数据分析。
给定对象半径为Ε内的区域称为该对象的Ε邻域；设置半径参数δ＝0.01，领域密度阈值MinPts＝50以及簇的个数C代表的情况。
如果给定对象Ε邻域内的样本点数大于等于MinPts，则称该对象为核心对象；对于样本集合D；
如果样本点q在p的Ε邻域内，并且p为核心对象，那么对象q从对象p直接密度可达；
对于样本集合D，给定一串样本点p1,p2,....,pn,p＝p1,q＝pn,假如对象pi从pi-1直接密度可达，那么对象q从对象p密度可达；
存在样本集合D中的一点o，如果对象o到对象p和对象q都是密度可达的，那么p和q密度相联；
目的是找到密度相连对象的最大集合。
使数据经过DBSCAN算法处理后，得出簇的个数C＝3，蜂箱内部环境超安全范围，如图7所示。
S3：分蜂预测：根据分析蜂箱内部温湿度的变化以及蜜蜂产蜜速度，采用BP神经网络算法进行分蜂状态等级预测，防止发生分蜂热，预测最佳人工分蜂时间。
BP神经网络算法具体为：将分蜂状态分为5个等级。输入层含有3个神经元，输入为X＝(x1,x2,x3)，输出层含有5个神经元，输出为Y＝(y1,y2,y3,y4,y5)，其中x1,x2,x3分别为蜂箱内部的温度、湿度以及巢脾重量。y代表分蜂状态的等级，等级越高，分蜂行为越激烈。根据输入X的值分析计算得出分蜂等级，并给予分蜂热处理建议，如图8所示。
具体包括以下步骤：
S31：初始化，设置输入层的节点个数n，隐含层的节点个数为l，输出层的节点个数m。输入层到隐含层的权重wij，隐含层到输出层的权重wjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk，学习效率为η，激励函数采用Sigmoid函数。公式如下：
S32：计算隐含层、输出层的输出Hj、Ok，公式如下：
S33：误差的计算。公式如下：
其中，Yk为期望输出，我们记Yk-Ok＝ek。
S34：反向传播，迭代更新参数，ek<0.001则结束迭代。
如图3所示，本发明的智能蜂箱的监测预警系统包括：一种智能蜂箱的监测预警系统，包括：传感节点、中央数据采集器以及监控中心。其中传感节点包括温度传感器、湿度传感器、重量传感器，安装在蜂箱上，分别通过传感器接口与主控单元连接，主控单元还与通信单元和电源供电单元连接。通过蜂箱的中央数据采集器传输至监控中心即手机或者电脑设备进行上述分蜂预警进行分级，在出现分蜂情况趋势时进行报警。
优选的，本实施例采用射频电路和间歇性休眠算法，设计了2种电源供电方式，5V直流电源供电和3V电池供电。通过电源转换模块把5V的直流电转化为3.3V。此外还有3V电池电源输入口。考虑到本系统中定位参考节点安装位置的固定性，使用时根据各个设备的特点和实际使用时的现场环境，可以两种供电方式之间进行切换。整个系统的供电方式都采用低电压，小电流供电方式。其中传递函数见公式：
将STM32L4作为中央处理器，有利于低功耗长时间工作。采用同步采样模拟信号采集芯片——ADS1256高精度24位AD转换芯片，用于数字量和模拟量数据的转换。STM32L4通过UART串口与GPRS无线模块传输数据。实现监测系统无线传感网络。
优选的，使用基于阿里云平台搭建的手机端小程序以及PC端网页，远程监控系统由网关，传感器节点，网络接入设备等组成。具体对接收到的数据进行解码，可以同时对多个帧进行解码，并生成实时曲线图，将监测的蜂箱内部温度、湿度以巢脾重量数据实时呈现给蜂农(如图4～图6所示)，对异常数据可以实现更直观的显示。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种智能蜂箱的监测预警方法，其特征在于，该方法包括以下步骤：
S1：数据监测：通过传感器获取蜂箱内部的温度、湿度以及巢脾重量，对收集的数据进行处理并传送至监控平台；
S2：多级预警：根据蜂箱环境参数的变化，采用DBSCAN聚类算法，基于一组邻域来描述样本集的紧密程度，将蜂农对蜜蜂的关注等级划分为正常、数据波动大和超安全范围三个级别，供蜂农参考，并在出现分蜂趋势时进行报警；
所述DBSCAN聚类算法具体包括：分别获取包含一天蜂箱内部温度、湿度和巢脾重量变化数据{D}的数据集，参数(δ,MinPts)用来描述邻域的样本分布紧密程度，其中，δ描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为δ的邻域中样本个数的阈值，进行数据分析；
具体数据分析情况为：给定对象半径为Ε内的区域称为该对象的Ε邻域；设置半径参数、邻域以及不同簇的个数C代表的情况，包括：如果给定对象Ε邻域内的样本点数大于等于MinPts，则称该对象为核心对象；
对于样本集合D，如果样本点q在p的Ε邻域内，并且p为核心对象，那么对象q从对象p直接密度可达；
对于样本集合D，给定一串样本点p1,p2,…,pn,p＝p1,q＝pn,假如对象pi从pi-1直接密度可达，那么对象q从对象p密度可达；
存在样本集合D中的一点o，如果对象o到对象p和对象q都是密度可达的，那么p和q密度相联；
最后，找到密度相连对象的最大集合；
S3：分蜂预测：根据分析蜂箱内部温湿度的变化以及蜜蜂产蜜速度，采用BP神经网络算法进行分蜂状态等级预测，预测最佳人工分蜂时间；将分蜂状态分为5个等级；输入层含有三个神经元，输入为X＝(x1,x2,x3)，输出层含有五个神经元，输出为Y＝(y1,y2,y3,y4,y5)；其中x1,x2,x3分别为蜂箱内部的温度、湿度以及巢脾重量；y代表分蜂状态的等级，等级越高，分蜂行为越激烈；
所述采用BP神经网络算法进行分蜂状态等级预测的具体步骤为：
S31：初始化，设置输入层的节点个数n，隐含层的节点个数为l，输出层的节点个数m；输入层到隐含层的权重wij，隐含层到输出层的权重wjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk，学习效率为η，激励函数采用Sigmoid函数；
S32：计算隐含层、输出层的输出Hj、Ok，公式如下：
S33：计算误差，公式如下：
其中，Yk为期望输出，记Yk-Ok＝ek；
S34：反向传播，迭代更新参数，ek达到阈值则结束迭代。
2.根据权利要求1所述的监测预警方法，其特征在于，步骤S2中，所述蜂箱环境参数包括蜂箱内部温度、湿度、巢脾重量以及蜂箱外部环境温度、湿度的变化速度。
3.根据权利要求1或2所述的监测预警方法，其特征在于，步骤S2中，将获取的蜂箱环境参数进行解码，生成实时曲线图，便于直观发现异常数据。
4.根据权利要求1所述的监测预警方法，其特征在于，步骤S2中，环境参数经过DBSCAN聚类算法处理后，簇的个数发生变化：当簇的个数C＝1时，蜂箱内部情况正常；当簇的个数C＝2时，蜂箱内部情况有波动；当簇的个数C＝3时，蜂箱内部情况异常，需及时处理。
5.适用于权利要求1～4中任意一项所述方法的监测预警系统，其特征在于，该系统包括：传感节点、中央数据采集器以及监控中心；
所述传感节点包括温度传感器、湿度传感器、重量传感器，安装在蜂箱上，分别通过传感器接口与主控单元连接，主控单元还与通信单元和电源供电单元连接。
6.根据权利要求5所述的监测预警系统，其特征在于，传感器采集的数据通过蜂箱的中央数据采集器传输至监控中心即手机或者电脑设备进行分蜂预警分级，在出现分蜂趋势时进行报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011355950.8A CN112544503B (zh) | 2020-11-26 | 2020-11-26 | 一种智能蜂箱的监测预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011355950.8A CN112544503B (zh) | 2020-11-26 | 2020-11-26 | 一种智能蜂箱的监测预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112544503A CN112544503A (zh) | 2021-03-26 |
| CN112544503B true CN112544503B (zh) | 2022-06-24 |
Family
ID=75046260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011355950.8A Active CN112544503B (zh) | 2020-11-26 | 2020-11-26 | 一种智能蜂箱的监测预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112544503B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113207813A (zh) * | 2021-06-08 | 2021-08-06 | 武汉纺织大学 | 一种蜜蜂检测装置 |
| CN113396841A (zh) * | 2021-07-23 | 2021-09-17 | 康县鸿泰农业开发有限责任公司 | 一种带有蜜蜂防逃装置的智慧蜂箱 |
| CN114885302A (zh) * | 2022-04-13 | 2022-08-09 | 澳大利亚农业物联网公司 | 数字化蜂场及其管理系统 |
| CN114847196B (zh) * | 2022-05-31 | 2022-11-01 | 中国农业科学院农业信息研究所 | 智能蜂箱及基于深度学习的蜜蜂识别跟踪计数系统 |
| CN117426333A (zh) * | 2023-10-25 | 2024-01-23 | 中国农业科学院农业信息研究所 | 一种智能蜂箱 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010186256A (ja) * | 2009-02-10 | 2010-08-26 | Nippon Telegr & Teleph Corp <Ntt> | 逐次クラスタリング装置とその方法及びプログラム |
| CN107114323A (zh) * | 2016-10-13 | 2017-09-01 | 杭州电子科技大学 | 一种利用温度变化来判断蜜蜂分蜂行为的方法 |
| CN206933011U (zh) * | 2017-06-23 | 2018-01-30 | 四川天府蜂谷科技有限公司 | 能实时监测数据的智能蜂箱 |
| CN109145032A (zh) * | 2018-08-27 | 2019-01-04 | 北京奥金达农业科技发展有限公司 | 一种蜜蜂养殖智能监测方法与系统 |
| CN109463314A (zh) * | 2018-10-17 | 2019-03-15 | 华南农业大学 | 一种多维度传感的蜜蜂箱智能监控装置 |
| CN109670634A (zh) * | 2018-12-03 | 2019-04-23 | 大连理工大学 | 一种基于非等长粒度化特征的煤气流量数据预测方法 |
| CN110290181A (zh) * | 2019-05-31 | 2019-09-27 | 中国热带农业科学院环境与植物保护研究所 | 蜂场数据采集系统及分析方法 |
-
2020
- 2020-11-26 CN CN202011355950.8A patent/CN112544503B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010186256A (ja) * | 2009-02-10 | 2010-08-26 | Nippon Telegr & Teleph Corp <Ntt> | 逐次クラスタリング装置とその方法及びプログラム |
| CN107114323A (zh) * | 2016-10-13 | 2017-09-01 | 杭州电子科技大学 | 一种利用温度变化来判断蜜蜂分蜂行为的方法 |
| CN206933011U (zh) * | 2017-06-23 | 2018-01-30 | 四川天府蜂谷科技有限公司 | 能实时监测数据的智能蜂箱 |
| CN109145032A (zh) * | 2018-08-27 | 2019-01-04 | 北京奥金达农业科技发展有限公司 | 一种蜜蜂养殖智能监测方法与系统 |
| CN109463314A (zh) * | 2018-10-17 | 2019-03-15 | 华南农业大学 | 一种多维度传感的蜜蜂箱智能监控装置 |
| CN109670634A (zh) * | 2018-12-03 | 2019-04-23 | 大连理工大学 | 一种基于非等长粒度化特征的煤气流量数据预测方法 |
| CN110290181A (zh) * | 2019-05-31 | 2019-09-27 | 中国热带农业科学院环境与植物保护研究所 | 蜂场数据采集系统及分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于物联网技术的智慧蜂箱设计与实现;郭斌;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20170415(第04期);第l138-384页 * |
| 郭斌.基于物联网技术的智慧蜂箱设计与实现.《中国优秀硕士学位论文全文数据库（信息科技辑）》.2017,(第04期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112544503A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112544503B (zh) | 一种智能蜂箱的监测预警系统及方法 | |
| Gil-Lebrero et al. | Honey bee colonies remote monitoring system | |
| Chiu et al. | Development of smart aquaculture farm management system using IoT and AI-based surrogate models | |
| CN109145032B (zh) | 一种蜜蜂养殖智能监测方法与系统 | |
| Murphy et al. | b+ WSN: Smart beehive for agriculture, environmental, and honey bee health monitoring—Preliminary results and analysis | |
| Cao et al. | Prediction of dissolved oxygen content in aquaculture based on clustering and improved ELM | |
| CN117972433B (zh) | 菇房温度预测模型的训练方法、菇房温度预测方法及装置 | |
| KR102481577B1 (ko) | 물고기 생육 및 에너지 효율 최적화를 위한 제어 방법 및 시스템 | |
| CN112650177A (zh) | 一种虾养殖品远程在线监控管理系统及实现方法 | |
| Kiromitis et al. | Bee sound detector: An easy-to-install, low-power, low-cost beehive conditions monitoring system | |
| Quintana et al. | A hybrid solar powered chicken disease monitoring system using decision tree models with visual and acoustic imagery | |
| Yin et al. | Greenhouse environmental monitoring and closed-loop control with crop growth model based on wireless sensors network | |
| Murphy et al. | An automatic, wireless audio recording node for analysis of beehives | |
| CN113014645A (zh) | 基于物联网的草场环境监测系统 | |
| CN110363247B (zh) | 一种生猪饮食异常智能监测方法和系统 | |
| Florea et al. | Electronic System for the Management of a Beehive | |
| Jailis et al. | A Real-Time Web-Based Monitoring System for Stingless Bee Farming | |
| Man et al. | An intelligent stingless bee system with embedded IoT technology | |
| Reddy et al. | IoT Based Water Quality Monitoring for Smart Aquaculture | |
| Stojanovic et al. | Real-time water quality monitoring in aquaculture using IoT sensors and cloud-based analytics | |
| UA133650U (uk) | Система діагностики стану бджолиної родини у вуликах | |
| ABU | The use of smart apiculture management system | |
| CN112763675A (zh) | 一种虾养殖水池环境监测系统及方法 | |
| Gladju et al. | Potential applications of data mining in aquaculture | |
| Zickri et al. | Shrimp Pond Monitoring System using Cooperative Wireless Sensor Network Multi-Hop Technique based on Internet of Things |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |