SISTEMA INTELIGENTE DE MONITOREO DE VARIABLES FÍSICAS DE COLMENAS  
APÍCOLAS UTILIZANDO REDES NEURONALES  
INTELLIGENT SYSTEM FOR MONITORING PHYSICAL VARIABLES IN BEEHIVES  
USING NEURAL NETWORKS  
Montaño Alcalá Carlos Humberto¹, Serna Encinas María Trinidad2*, Hernández Aguirre Fredy Alberto3  
https://doi.org/10.61117/ipsumtec.v9i1.466  
1Tecnológico Nacional de México/I. T. de Hermosillo, m16330894@hermosillo.tecnm.mx, https://orcid.org/0009-0006-3422-2877  
2*Tecnológico Nacional de México/I. T. de Hermosillo, maria.sernae@hermosillo.tecnm.mx, https://orcid.org/0000-0002-2020-791X  
3Tecnológico Nacional de México/I. T. de Hermosillo, fredy.hernandeza@hermosillo.tecnm.mx, https://ocid.org/0000-0001-9208-5299  
Resumen - La apicultura es una actividad esencial tanto  
para la producción de miel como para la polinización de  
plantas. En México, la apicultura juega un papel signifi-  
cativo, siendo el noveno productor de miel a nivel mun-  
dial. Para lograr mantener las colmenas en un buen estado  
de salud y con un alto nivel de producción, es necesario  
mantener un monitoreo constante, tradicionalmente este  
proceso se realiza mediante revisiones manuales de la  
colmena en periodos de 8 a 15 días con el objetivo de de-  
tectar problemas o enfermedades. Conforme aumentan el  
número de colmenas, el monitoreo manual se vuelve in-  
eficiente, tardado y logísticamente complicado, con la po-  
sibilidad de provocar que algunas colmenas no sean revi-  
sadas en el periodo correcto. Este artículo presenta un sis-  
tema que monitorea las colmenas utilizando tecnologías  
de internet de las cosas, integrando sensores que monito-  
rean variables como temperatura, humedad peso y señales  
de audio de la colmena con un algoritmo de reconoci-  
miento de patrones, utilizado para detectar eventos de in-  
terés para el apicultor. El sistema también incorpora una  
aplicación móvil con la capacidad de visualizar las alertas  
y las mediciones de los sensores. El propósito de este pro-  
yecto es proporcionar a los apicultores con datos en  
tiempo real sobre el estado de la colmena, así como de  
apoyar a la logística y a la toma de decisiones.  
ing Internet of Things technology for monitoring. It inte-  
grates sensors that watch over variables such as the hive  
temperature, wetness, weight and sound; and a pattern  
recognition algorithm to detect important events needing  
attention from the beekeeper. The system includes a mo-  
bile app which can display the alerts and the sensors out-  
put. The purpose of this project is to help beekeepers get  
instant data about their hive status, aiding their choices  
and management.  
Keywords: Beehives, IoT, Neural networks, Monitoring  
system, Physical variables.  
INTRODUCCIÓN  
La apicultura es una actividad económica orientada a la  
explotación de colmenas apícolas y al mantenimiento de  
su estado sanitario, para lo cual es necesario incorporar a  
la apicultura una metodología técnica, que involucra el  
manejo correcto de reinas, el control de enfermedades, la  
eliminación de parásitos y la optimización de la produc-  
ción [1]. Asegurar la salud y producción eficiente de las  
colmenas requiere contar con un monitoreo constante,  
mediante inspecciones realizadas por el apicultor en in-  
tervalos de 8 a 15 días, con el objetivo de buscar anoma-  
lías y enfermedades [2].  
Palabras Clave: Colmenas apícolas, IoT, Redes neurona-  
les, Sistema de monitoreo, Variables físicas.  
Además de su función productiva, las colmenas contribu-  
yen a la polinización de la vegetación circundante; esto  
tiene relevancia como actividad económica, ya que cerca  
del 75% de los cultivos alimentarios dependen de la ac-  
ción polinizadora de las abejas [3].  
Abstract: Beekeeping activities are important not just for  
honey but also for pollinating plants. In Mexico, it is a  
relevant economic activity, and the country is placed as  
the ninth biggest honey producer on the world. In order  
to keep the hives in good health and for effective output  
there is a need for constant monitoring. Traditionally, this  
process is made by checking hives manually every 8 to  
15 days to see any problems or sickness. As the number  
of hives rises, this kind of monitoring becomes ineffi-  
cient, time consuming and more difficult in planning and  
can even mean some hives are not checked at the right  
time. This article presents a system that checks hives us-  
Actualmente, se cuenta con soluciones tecnológicas enfo-  
cadas al monitoreo de colmenas mediante el uso de siste-  
mas de internet de las cosas (IoT). El enfoque principal  
de estos sistemas es el monitoreo de parámetros físicos  
como la temperatura, la humedad, el peso y la recopila-  
ción de señales acústicas, con el objetivo de utilizar estos  
datos en flujos de análisis, complementados con algorit-  
mos de inteligencia artificial (IA) [4],[5], [6], [7]. La so-  
lución propuesta en este articulo consiste en el desarrollo  
de un sistema inteligente basado en un esquema IoT que  
Recepción: 16/03/2026 ǀ Aceptación: 18/05/2026 ǀ Publicación: 22/06/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero – junio 2026  
Página 148  
recolecta datos a través de nodos de sensores, que después  
son transmitidos a un servidor para su procesamiento, al-  
macenamiento y visualización. Adicionalmente, se in-  
cluye en el sistema un módulo de alerta basado en redes  
neuronales, que tiene como objetivo la detección tem-  
prana de eventos relevantes para el manejo de la colmena.  
DESARROLLO  
Metodología  
El desarrollo del sistema consiste en cinco fases. La pri-  
mera consistió en la revisión del estado del arte en apicul-  
tura, desarrollo móvil, backend, IoT y reconocimiento de  
patrones; a través de artículos de congreso, revistas, tesis  
y estudios previos relevantes.  
La segunda fase consistió en identificar los componentes  
y las características requeridas para el diseño y modelado  
del sistema de monitoreo, incluyendo la selección de sen-  
sores, fuentes de energía y el controlador.  
La tercera fase consistió en el desarrollo del sistema de  
procesamiento, incluyendo el procesamiento de datos  
provenientes del sistema de monitoreo, el reconocimiento  
de patrones y la persistencia de datos.  
Figura 1. Algoritmo del microcontrolador.  
Fuente. Elaboración propia (2026).  
La cuarta fase consistió en implementar la aplicación mó-  
vil, que tiene como objetivo procesar y visualizar la in-  
formación proveniente del servicio, así como de mostrar  
las alertas detectadas.  
El flujo está estructurado como un ciclo que coordina la  
adquisición de datos y la sincronización con el servidor,  
sujeto a la disponibilidad de la conexión. El diseño in-  
cluye almacenamiento local para tolerar fallas de red, así  
como mecanismos de ahorro de energía que consisten en  
alternar entre estados de trabajo y de baja energía. Los  
elementos gráficos usados y su funcionamiento dentro del  
proceso se describen a continuación:  
Finalmente, la quinta fase consistió de la realización de  
pruebas integrales del sistema, así como del análisis de  
los resultados y el ajuste del sistema según sea requerido.  
Algoritmo del microcontrolador del sistema  
•
Inicio (óvalo). Representa el punto de inicio del  
proceso.  
Decisión (rombo). Nodo en el cual el flujo se di-  
vide basado en una condición, solamente se se-  
lecciona una salida.  
El algoritmo del microcontrolador mostrado en la figura  
1 representa el ciclo del nodo de monitoreo. El ciclo ope-  
rativo se ejecuta en un microcontrolador ESP32.  
•
•
•
Espera (rectángulo con un lado redondeado). In-  
dica una pausa en el proceso.  
Ejecución paralela (nodos entre dos rectángulos  
con rombos amarillos). Sección donde múltiples  
nodos son ejecutados simultáneamente.  
Modelos de Datos  
La capa de persistencia está estructurada en 3 bases de  
datos funcionales, guard-database, nest-database, y  
mind-database; diseñadas bajo el principio de separación  
de responsabilidades.  
La base de datos nest-database guarda información rela-  
cionada a la estructura del sistema y mediciones de los  
sensores, permitiendo el monitoreo del estado de cada  
colmena.  
Recepción: 16/03/2026 ǀ Aceptación: 18/05/2026 ǀ Publicación: 22/06/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero – junio 2026  
Página 149  
La base de datos guard-database administra las identida-  
des digitales y los tokens de acceso.  
El sistema está estructurado en 3 componentes principa-  
les: el nodo de sensores, los servicios backend operacio-  
nales, el servicio de procesamiento de audio y la aplica-  
ción móvil. En la figura 3 se muestra la arquitectura com-  
pleta del sistema.  
La base de datos mind-database agrupa datos derivados  
del procesamiento de señales acústicas, permitiendo su  
uso con modelos de aprendizaje máquina.  
La figura 2 presenta el modelo de datos completo del sis-  
tema propuesto.  
Figura 3. Arquitectura lógica del sistema propuesto.  
Fuente. Elaboración propia (2026).  
Nodo de sensores (beehive-node). Componente basado  
en microcontroladores y responsable de la adquisición de  
datos de la colmena; integrando sensores para medir tem-  
peratura, humedad, peso y señales acústicas.  
Figura 2. Modelo de datos completo del sistema.  
Servicios backend:  
Fuente. Elaboración propia (2026).  
●
●
●
beehive-guard: responsable de administrar la se-  
guridad del sistema, incluyendo autenticación y  
control de acceso.  
beehive-nest: responsable de administrar la in-  
formación operacional del sistema, incluyendo  
colmenas, mediciones y apiarios.  
beehive-mind: servidor dedicado a extraer las  
características del audio incluido con cada me-  
dición, así como de ejecutar la inferencia por  
medio del modelo implementado.  
Base de datos de seguridad: guard-database  
●
●
●
user_role, define los roles disponibles en el sis-  
tema.  
app_user, representa los usuarios registrados y  
su asociación con un rol especifico.  
refresh_token, administra las sesiones activas  
mediante tokens asociados a cada usuario, per-  
mitiendo la renovación o revocación de sesio-  
nes.  
Contenedor de audio (audio-container): La persisten-  
cia de las grabaciones de audio, se implementa mediante  
un servicio de almacenamiento de objetos compatible con  
la API S3. Bajo este enfoque, los archivos se organizan  
en contenedores lógicos denominados buckets. Para el  
entorno de pruebas se empleó MinIO como una imple-  
mentación local del estándar S3 [8].  
Base de datos de colmenares: nest-database  
●
apiary, modela las agrupaciones de colmenas fí-  
sicas, permitiendo su organización por ubica-  
ción o dueño.  
●
●
Beehive, representa cada colmena dentro de un  
apiario, es la unidad a monitorear.  
Measure, guarda las variables físicas capturadas  
de cada colmena.  
Aplicación móvil (beehive-app): Es la interfaz a la que  
tiene acceso el apicultor, para monitorear el estado de las  
colmenas en tiempo real; así como recibir notificaciones.  
La capacidad de visualizar en tiempo real del estado de  
las colmenas se logra mediante solicitudes periódicas al  
servidor.  
Base de datos de características: mind-database  
●
feature, guarda las características extraídas de  
las señales acústicas.  
Arquitectura del software  
Recepción: 16/03/2026 ǀ Aceptación: 18/05/2026 ǀ Publicación: 22/06/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero – junio 2026  
Página 150  
A continuación, se describen los flujos principales del sis-  
tema:  
1. El nodo de sensores adquiere data de la colmena  
y la transmite al servicio beehive-nest.  
2. La aplicación móvil realiza solicitudes periódi-  
cas a beehive-nest para obtener los datos más re-  
cientes.  
3. El servicio beehive-nest manda la grabación de  
audio al contenedor de audio.  
4. El servicio beehive-mind procesa las señales  
acústicas, extrae las características y clasifica  
cada grabación como anómala o normal. El re-  
sultado se guarda en la base de datos.  
5. El servicio beehive-guard administra los meca-  
nismos de autorización aplicados a todas las in-  
teracciones entre la aplicación móvil y el sis-  
tema.  
Figura 4. Pantalla principal.  
Fuente. Elaboración propia (2026).  
Como ya se mencionó, la figura 5 muestra la pantalla  
principal, ésta es accesible inmediatamente después de  
iniciar sesión y, mediante ésta, es posible visualizar la in-  
formación de usuario, administrar colmenas asociadas y  
cerrar sesión.  
La tabla 1 presenta los componentes principales de la ar-  
quitectura del sistema propuesto.  
Tabla 1. Componentes principales de la arquitectura del  
sistema.  
Componente  
beehive-node  
Función  
Persistencia  
El proceso de registro requiere que el usuario ingrese una  
contraseña, un correo electrónico, un número de teléfono  
y un nombre de usuario. Una vez hecho esto, es posible  
iniciar sesión con estos datos.  
Captura de datos de Micro SD  
sensores  
Autenticación y segu- PostgreSQL  
beehive-  
guard  
ridad  
(guard-data-  
base)  
Para añadir un apiario nuevo, el usuario debe ir a la sec-  
ción de Beehives desde la pantalla principal, usar el botón  
de agregar “+” y seleccionar la opción de Apiario. Mien-  
tras que, para registrar una nueva colmena, el usuario  
debe de estar dentro de un apiario disponible y seleccio-  
nar la opción de Add a new beehive o utilizar el botón de  
agregar “+” y seleccionar la opción Beehive.  
beehive-nest  
beehive-mind  
Gestión de metadatos PostgreSQL  
y registros  
(nest-database)  
Análisis de audio con PostgreSQL  
IA  
(mind-database)  
audio-contai-  
ner  
beehive-app  
Almacenamiento de S3/MinIO (raw-  
audios crudos  
audios)  
Interfaz para el apicul- Persistencia lo-  
tor  
cal en disposi-  
tivo móvil  
Tras la validación del dispositivo por parte del sistema, el  
estado de la colmena puede consultarse directamente  
desde la interfaz donde se listan los colmenares.  
Fuente. Elaboración propia (2026).  
Flujo de la Aplicación: La aplicación móvil actúa como  
punto de entrada al sistema, permitiendo a los usuarios  
registrarse, autenticarse, acceder a información y mandar  
solicitudes operacionales a los servicios. La figura 4  
muestra la pantalla principal de la aplicación.  
En la sección de monitoreo de la colmena se presentan los  
parámetros principales mediante indicadores visuales,  
cuyo color varía dinámicamente en función de sus valo-  
res.  
●
Humedad. Representada por un ícono de gota;  
el indicador adopta color amarillo cuando el va-  
lor se encuentra por debajo del rango recomen-  
dado y azul cuando lo supera.  
●
●
Temperatura. Mostrada mediante un indicador  
que cambia a azul si el valor está por debajo del  
rango establecido y a rojo cuando lo excede.  
Peso. Desplegado como un valor numérico  
constante, sin variación visual asociada a su  
magnitud.  
Recepción: 16/03/2026 ǀ Aceptación: 18/05/2026 ǀ Publicación: 22/06/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero – junio 2026  
Página 151  
●
●
Audio. Representado por un ícono triangular,  
que permite reproducir la grabación más re-  
ciente vinculada a la colmena.  
Detalles. Identificado con un ícono circular con  
una “I”, el cual dirige al usuario a la vista deta-  
llada de la colmena al ser seleccionado.  
de muestreo sr; en el caso de audio estéreo, el procesa-  
miento se realiza de forma independiente por canal. Los  
parámetros por defecto son n_fft = 2048, hop_length =  
512 y una ventana de tipo Hann [9].  
Zero Crossing Rate (ZCR)  
Algoritmo [10], [11]:  
Las figuras 5 y 6 muestran una vista de detalles de la col-  
mena.  
1. Segmentar la señal continua en ventanas de lon-  
gitud fija, por ejemplo, de 2048 muestras.  
2. En cada ventana, evaluar el cambio de signo en-  
tre muestras consecutivas; cada transición de po-  
sitivo a negativo, o de negativo a positivo, se  
cuenta como un cruce por cero.  
3. Acumular el total de cruces dentro de la ventana  
y normalizarlo con respecto a su longitud, para  
obtener una métrica comparable entre señales  
distintas.  
4. Analizar la secuencia temporal de estas tasas  
para detectar regiones de alta actividad, por lo  
general asociadas con ruido o con componentes  
no sonoros del habla.  
Energía  
Algoritmo [10], [12], [13]:  
1. Dividir la señal en ventanas de duración defi-  
nida.  
Figura 5. Espectrograma del audio recopilado.  
Fuente. Elaboración propia (2026).  
2. En cada ventana, calcular el cuadrado de cada  
muestra para cuantificar la magnitud de la señal.  
3. Sumar los valores obtenidos dentro de la ven-  
tana; un valor mayor indica una mayor intensi-  
dad acústica en ese intervalo.  
Entropía de energía  
Algoritmo [12], [14], [15]:  
1. Para cada ventana de la señal, subdividirla en Q  
segmentos consecutivos de menor tamaño.  
2. Calcular la energía de cada segmento y normali-  
zar esos valores, para obtener proporciones cuya  
suma sea igual a 1.  
3. Aplicar la entropía de Shannon sobre dichas pro-  
porciones; valores altos indican una distribución  
uniforme de la energía, mientras que valores ba-  
jos reflejan su concentración en pocos segmen-  
tos.  
Figura 6. Últimas mediciones recopiladas por el nodo  
de sensores.  
Centroide espectral  
Algoritmo [10], [11], [15]:  
Fuente. Elaboración propia (2026).  
1. Obtener el espectro de magnitud de cada ventana  
de la señal.  
2. Ponderar cada componente espectral por su fre-  
cuencia correspondiente y calcular el promedio  
resultante, lo que permite estimar el centro de  
masa del espectro.  
Las figuras anteriores muestran la vista detallada de la  
colmena, donde se presenta el espectrograma correspon-  
diente a la señal de audio capturada, junto con la opción  
de reproducirla. Asimismo, se despliegan las mediciones  
más recientes, obtenidas por el nodo de sensores y su  
comportamiento temporal, a través de una representación  
gráfica.  
Dispersión espectral  
Algoritmo [11], [15]:  
1. Determinar el centroide espectral.  
2. Calcular la desviación estándar de las frecuen-  
cias, ponderada por sus magnitudes espectrales,  
para cuantificar la dispersión o ancho del espec-  
tro.  
Características y clasificación del audio  
Características de audio: Se describen los cálculos y el  
procedimiento algorítmico a implementar en Python. Se  
considera una señal de audio monofónica con frecuencia  
Recepción: 16/03/2026 ǀ Aceptación: 18/05/2026 ǀ Publicación: 22/06/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero – junio 2026  
Página 152  
Entropía espectral  
Algoritmo [10], [15], [16]:  
1. Obtener el espectro de magnitud y normalizar  
sus componentes para construir una distribu-  
ción.  
2. Calcular la entropía de Shannon sobre dicha dis-  
tribución; valores altos indican una distribución  
uniforme de la energía en el espectro, mientras  
que valores bajos reflejan su concentración en  
un número reducido de bandas de frecuencia.  
Flujo espectral  
Figura 7. Espectrograma de audio de una colmena en  
condición normal.  
Algoritmo [10], [17]:  
1. Calcular los espectros de magnitud de dos ven-  
tanas consecutivas y normalizarlos.  
Fuente. Elaboración propia (2026).  
2. Obtener la diferencia entre el espectro actual y  
el anterior, conservando solo los incrementos  
positivos.  
3. Elevar al cuadrado estas diferencias y acumular  
el resultado; valores altos indican transiciones  
abruptas en el contenido espectral, asociadas con  
cambios de timbre o ataques sonoros.  
Rolloff espectral  
Algoritmo [11], [15]:  
1. Ordenar las magnitudes en función de la fre-  
cuencia ascendente.  
2. Encontrar la frecuencia donde la suma acumu-  
lada alcanza una fracción fija, por ejemplo, 85%,  
de la energía total.  
Figura 8. Espectrograma de audio de una colmena sin  
reina.  
Fuente. Elaboración propia (2026).  
MFCC (Mel Frequency Cepstral Coefficients)  
Algoritmo [10], [18], [19], [20]:  
A partir de las diferencias identificadas en las señales  
acústicas, se establece la viabilidad de su discriminación.  
Con base en este supuesto, se diseña e implementa una  
red neuronal que recibe como entrada un vector de carac-  
terísticas previamente definidas y realiza la clasificación  
del audio en categorías normal o anómalo, considerando  
condiciones asociadas al estrés de la colonia.  
1. Segmentación y ventana: dividir la señal en tra-  
mas de tamaño fijo y aplicar una ventana para  
reducir discontinuidades en el análisis espectral.  
2. Transformada y potencia: obtener el espectro de  
cada trama y calcular su energía para representar  
cómo se distribuye la señal en frecuencia.  
3. Banco de filtros Mel: proyectar el espectro sobre  
un conjunto de filtros en escala Mel, con el fin  
de aproximar la forma en que el oído humano  
percibe el sonido.  
Conjunto de datos inicial  
El modelado de audio se basa en la integración de tres  
conjuntos de datos públicos, que incluyen grabaciones de  
colmenas bajo distintas condiciones, ubicaciones y dispo-  
sitivos de captura, con el fin de construir un conjunto re-  
presentativo.  
4. Compresión logarítmica: aplicar una transfor-  
mación logarítmica, para reducir el rango diná-  
mico de la señal.  
5. DCT: transformar los valores obtenidos para ge-  
nerar un conjunto pequeño de coeficientes, que  
describe la forma general del espectro.  
●
Open Source Beehives Project–Audio Data-  
base as of 2-21-17. Contiene grabaciones orga-  
nizadas por estado de la colmena y ubicación;  
los audios Active se consideran normales y el  
resto (Missing Queen, Pre-Swarm, Queen Hat-  
ching, Sick-Varroa, Swarm) como anómalos  
[22].  
Queen Loss Event in Africanized Honeybee  
Colony. Incluye vectores de características aso-  
ciados a eventos de pérdida de reina; QR se eti-  
queta como normal y QL como anómalo [23].  
Beehive buzz anomalies. Contiene segmentos  
clasificados en varias categorías; se descartan  
Clasificación de audio  
Las figuras siguientes presentan una comparación entre  
dos espectrogramas obtenidos de colmenas diferentes. En  
la figura 7 se muestra una colmena en estado normal,  
mientras que en la figura 8 se observa una colmena sin  
abeja reina. Las variaciones en la distribución de frecuen-  
cias y en la configuración del espectro indican la presen-  
cia de patrones acústicos diferenciables, lo que permite  
abordar el problema como una tarea de clasificación [21].  
●
●
Recepción: 16/03/2026 ǀ Aceptación: 18/05/2026 ǀ Publicación: 22/06/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero – junio 2026  
Página 153  
los No es abeja, mientras que Abeja y Reina des-  
aparecida se asignan como normal y anómalo,  
respectivamente [24].  
previos y priorizando configuraciones con los mayores  
valores de F1 sobre la clase anómala.  
La tabla 2 muestra los resultados correspondientes a los  
seis experimentos.  
Una vez integrados y etiquetados los datos de audio y los  
vectores existentes, se realizó la extracción de caracterís-  
ticas a partir de segmentos de 1 segundo por grabación.  
Las características obtenidas, se combinaron con los vec-  
tores previamente disponibles para conformar un único  
conjunto de datos, en el cual cada instancia está represen-  
tada por un vector de características y una etiqueta, que  
indica si corresponde a una condición normal o anómala.  
La figura 9 muestra la distribución entre ambas clases.  
Tabla 2. Resumen de los subconjuntos de mejores prue-  
bas utilizados en cada experimento.  
Número de  
Experimento  
Mejores  
Iteraciones  
Iteraciones  
totales  
200  
Porcentaje  
(%)  
10.00  
10.00  
10.00  
0.98  
1
2
3
4
20  
20  
60  
200  
600  
1743  
17  
5
15  
1557  
0.96  
6
15  
1500  
1.00  
Total  
147  
5800  
2.53  
Fuente. Elaboración propia (2026).  
La implementación completa del sistema se encuentra  
disponible en un repositorio público [25].  
DISCUSIÓN Y ANÁLISIS DE RESULTADOS  
La tabla 3 presenta los rangos máximos y mínimos de hi-  
perparámetros obtenidos en los experimentos 1 a 3, con-  
siderando un total de 15 posibles hiperparámetros en la  
arquitectura de la red neuronal.  
Figura 9. Proporción anómalo-normal del conjunto de  
datos inicial.  
Tabla 3. Rangos de hiperparámetros de los experimen-  
tos 1 a 3.  
Fuente. Elaboración propia (2026).  
Híper-  
pará-  
metro  
layers  
units1  
dro-  
pout1  
units2  
dro-  
pout2  
units3  
dro-  
pout3  
units4  
dro-  
E1  
min  
E1  
max  
E2  
min  
E2  
max  
E3  
min  
E3  
max  
Como se puede observar en la figura 10, la proporción  
entre segmentos anómalos y normales presenta un desba-  
lance significativo. En este contexto, un modelo que cla-  
sifique todas las instancias como normales obtendría una  
precisión del 96%; lo que indica que esta métrica no es  
válida para la evaluación de desempeño del modelo, de-  
bido a que no representa su capacidad de detectar anoma-  
lías. Tomando eso en cuenta, y dado que la detección de  
anomalías es el objetivo principal, el proceso de entrena-  
miento se enfocó en optimizar la métrica F1 exclusiva-  
mente para la clase anómala. Para este propósito, se cal-  
cula la métrica F1 sobre la clase anómala, una vez termi-  
nada cada uno de los experimentos, permitiendo almace-  
nar la métrica como resultado de éste.  
2
32  
0.2  
2
128  
0.5  
4
32  
0.2  
4
128  
0.4  
2
32  
0.2  
4
128  
0.4  
16  
0.2  
64  
0.5  
16  
0.2  
64  
0.4  
16  
0.2  
56  
0.4  
-
-
-
-
8
0.2  
32  
0.5  
8
0.2  
28  
0.4  
-
-
-
-
4
0.2  
16  
0.6  
4
0.2  
16  
0.5  
pout4  
loss_fn  
fo-  
cal  
1.0  
tversk  
y
5.0  
focal  
1.0  
tvers  
ky  
5.0  
focal  
3.0  
focal  
5.0  
Diseño de la red neuronal  
El modelo fue entrenado utilizando el 80% del set de da-  
tos, mientras que el 20% restante se utilizó para valida-  
ción. La selección de hiperparámetros fue realizada utili-  
zando búsqueda aleatoria, evaluando múltiples configu-  
raciones generadas dentro de rangos predefinidos. En  
cada iteración, el modelo es entrenado con el set de entre-  
namiento y evaluado con el set de validación, este pro-  
ceso es repetido iterativamente, ajustando los rangos de  
búsqueda basándose en los resultados de experimentos  
fo-  
cal_gam  
ma  
fo-  
cal_alph  
a
tversky_ 0.1  
alpha  
tversky_ 0.1  
beta  
0.1  
0.9  
0.1  
0.9  
0.2  
0.5  
0.8  
0.9  
0.1  
0.08  
0.08  
0.15  
0.15  
0.55  
0.65  
0.15  
Recepción: 16/03/2026 ǀ Aceptación: 18/05/2026 ǀ Publicación: 22/06/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero – junio 2026  
Página 154  
lr  
0.00  
020  
8
0.008  
327  
0.00  
0258  
0.00  
3646  
0.00  
0312 3495  
0.00  
Tabla 5. Rangos de métricas obtenidas en las pruebas 1 a  
6.  
Experimento  
Precisión  
(min)  
Precisión  
(max)  
f1  
(min)  
f1  
(max)  
0.8445  
0.9470  
0.9467  
0.9507  
0.9518  
0.9546  
Fuente. Elaboración propia (2026).  
1
2
3
4
5
6
0.9091  
0.9389  
0.9303  
0.9887  
0.9910  
0.9933  
0.9963  
0.9964  
0.9964  
0.9967  
0.9967  
0.9969  
0.4271  
0.4731  
0.4073  
0.8565  
0.8777  
0.9024  
Para comenzar, en el experimento 1 se iteraron arquitec-  
turas limitadas a 2 capas, mientras que en el experimento  
2 solamente se evaluaron arquitecturas de 4 capas, debido  
a los resultados variados, se añadió el número de capas  
como un hiperparámetro dinámico para los experimentos  
posteriores. Adicionalmente, entre los mejores resultados  
del experimento 3, solamente se observó la función de  
pérdida focal, por lo que fue la única que se consideró  
para los experimentos posteriores.  
Fuente. Elaboración propia (2026).  
La tabla 5 presenta los intervalos máximos y mínimos,  
correspondientes a las métricas de precisión y F1, obteni-  
dos entre el total de modelos iterados en cada experi-  
mento, destacando que el experimento 6 alcanza los va-  
lores más altos en ambas métricas, demostrando el avance  
logrado en cada experimento.  
La tabla 4 presenta los rangos máximos y mínimos de hi-  
perparámetros obtenidos en los experimentos 4 a 6, con-  
siderando un total de 12 posibles hiperparámetros en la  
arquitectura de la red neuronal.  
En la tabla 6 se muestran los hiperparámetros encontrados  
dentro del experimento 6.  
Tabla 4. Rangos de hiperparámetros de los experimen-  
tos 4 a 6.  
Tabla 6. Mejor configuración de hiperparámetros obte-  
Hiper-  
pará-  
metro  
layers  
units1  
dro-  
E4  
min  
E4  
max  
E5  
min  
E5  
max  
E6  
min  
E6  
max  
nida en la búsqueda.  
Hiperparámetro  
units1  
Valor  
88  
2
32  
0.2  
4
128  
0.4  
4
32  
0.2  
4
128  
0.4  
4
36  
0.21  
4
124  
0.4  
dropout1  
units2  
0.22  
48  
dropout2  
units3  
0.24  
13  
pout1  
units2  
dro-  
16  
0.2  
56  
0.4  
16  
0.2  
56  
0.4  
30  
0.24  
54  
0.4  
dropout3  
units4  
0.22  
8
pout2  
units3  
dro-  
pout3  
units4  
dro-  
dropout4  
focal_gamma  
focal_alpha  
lr  
0.35  
4.65  
0.24  
8
0.2  
28  
0.4  
8
0.2  
26  
0.4  
8
0.22  
25  
0.4  
0.001043400598498229  
4
0.2  
16  
0.4  
5
0.2  
15  
0.4  
5
0.2  
15  
0.37  
Fuente. Elaboración propia (2026).  
pout4  
fo-  
cal_gam  
ma  
fo-  
cal_alph  
a
lr  
En las Tablas 3, 4 y 6, se listan las variables empleadas  
en cada sesión de experimentación. Éstas corresponden  
directamente a atributos definidos en el código utilizado  
para ejecutar las iteraciones. A continuación, se describe  
su significado.  
4
5.0  
0.4  
4.0  
0.2  
5.0  
0.4  
4.1  
0.21  
0.00  
4.9  
0.39  
0.00  
0.2  
●
●
layers: número de capas ocultas en la red.  
units[n]: número de neuronas en la capa oculta  
n (1 a 4).  
0.00  
040  
7
0.003  
260  
0.00  
0497  
0.00  
2795  
0549 2544  
●
●
●
●
●
dropout[n]: proporción de neuronas desactiva-  
das en la capa n (1 a 4).  
loss_fn: función de pérdida empleada durante el  
entrenamiento.  
focal_gamma: parámetro gamma de la función  
de pérdida focal.  
focal_alpha: parámetro alpha de la función de  
pérdida focal.  
Fuente. Elaboración propia (2026).  
A partir de los resultados obtenidos, se puede observar  
que los rangos óptimos, derivados del proceso iterativo  
de los 6 experimentos ejecutados, terminan por converger  
en un set de hiperparámetros estable. En la tabla 5 se pue-  
den observar los resultados de las métricas de los 6 expe-  
rimentos.  
tversky_alpha: parámetro alpha del índice de  
Tversky.  
Recepción: 16/03/2026 ǀ Aceptación: 18/05/2026 ǀ Publicación: 22/06/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero – junio 2026  
Página 155  
●
●
tversky_beta: parámetro beta del índice de  
Tversky.  
lr: tasa de aprendizaje del optimizador.  
partir de datos acústicos. Este enfoque demuestra la via-  
bilidad del procesamiento inteligente en el contexto apí-  
cola. El presente trabajo se ubica en una línea similar en  
cuanto a la integración de análisis automatizado, explo-  
rando el uso de redes neuronales para la detección de  
eventos anómalos en la colmena.  
La figura 10 presenta la matriz de confusión del modelo  
seleccionado en el experimento 6. En el conjunto de vali-  
dación, dicho modelo obtiene una precisión de 99.6921%  
y un valor máximo de F1 de 0.954607 para la clase anó-  
mala.  
CONCLUSIONES  
Se desarrolló una arquitectura IoT basada en microcon-  
trolador, para la adquisición de mediciones y su almace-  
namiento en una infraestructura en la nube. Como parte  
del sistema, se diseñó un circuito electrónico que integra  
sensores de humedad, peso y temperatura, así como un  
módulo de captura de audio y mecanismos de persistencia  
de datos.  
En el plano de software, se implementó un servicio en la  
nube orientado a la gestión de colmenares, colmenas y  
mediciones, estructurado mediante entidades y relaciones  
operativas. Adicionalmente, se desarrolló un servicio de  
manejo y autenticación de usuarios, así como herramien-  
tas para explorar y evaluar arquitecturas con enfoque en  
ajuste de hiperparámetros y optimización del desempeño  
del modelo.  
Figura 10. Matriz de confusión de la red neuronal se-  
leccionada sobre los datos de validación.  
Fuente. Elaboración propia (2026).  
Se implementó un servicio en la nube para la extracción  
de vectores de características de señales de audio y su cla-  
sificación utilizando una red neuronal. También se desa-  
rrolló una aplicación móvil como interfaz del sistema,  
permitiendo la visualización de los datos y la interacción  
con el resto de los módulos.  
En el conjunto de validación, el modelo alcanza una pre-  
cisión de 99.6921% y un valor máximo de F1 de  
0.954607 en la clase anómala.  
Al comparar los resultados obtenidos por el sistema pro-  
puesto con investigaciones previas en el área del monito-  
reo de colmenas, se identifican diferencias notables en el  
método y alcance de los sistemas propuestos. El sistema  
embebido propuesto en [5], basado en la utilización de un  
microcontrolador ESP8266 y un sensor SHT21, se enfoca  
en el monitoreo eficiente de la temperatura y la humedad,  
priorizando principalmente la optimización del consumo  
de energía. Sin embargo, su alcance no contempla ningún  
tipo de análisis a los datos obtenidos, dejando esto como  
una posible línea de investigación a futuro.  
Se implementaron mecanismos de alerta basados en lími-  
tes de los parámetros monitoreados, proveyendo a los  
usuarios de notificaciones directas.  
Por último, mediante la implementación del modelo co-  
rrespondiente al experimento 6, se obtuvo una precisión  
máxima de 99.6921 % en la clasificación de eventos anó-  
malos. Sin embargo, debido al desbalance del conjunto de  
datos, la métrica más relevante en el conjunto de valida-  
ción es el F1 de la clase anómala, con un valor de  
0.954607. Este resultado adquiere relevancia conside-  
rando la variabilidad inherente de las señales acústicas  
analizadas.  
De la misma manera, la propuesta vista en [7] se enfoca  
en el diseño de un sistema capaz de soportar condiciones  
extremas de temperatura (-20 a 60 °C), así como de man-  
tener una alta autonomía energética, mediante el uso de  
supercapacitores y paneles solares. Similar a la propuesta  
anterior, el enfoque se basa en la adquisición y transmi-  
sión de datos, sin contemplar su posterior análisis.  
Como líneas de investigación futuras, se plantean dos di-  
recciones principales. La primera consiste en la amplia-  
ción del conjunto de datos mediante campañas de mues-  
treo controlado en colmenas de producción, correlacio-  
nando las señales acústicas con observaciones directas del  
estado de la colmena, así como la incorporación de sen-  
sores adicionales como vibración, CO2 y conteo de abe-  
jas. Esto permitiría capturar la variabilidad asociada al  
clima, a la genética de las abejas y a la dinámica de col-  
Finalmente, el sistema propuesto en [26] incorpora un  
componente de análisis automatizado, aplicando técnicas  
de extracción de características mediante MFCC y LPC,  
junto con clasificación basada en modelos de aprendizaje  
maquina HMM/GMM para la detección de enjambres a  
Recepción: 16/03/2026 ǀ Aceptación: 18/05/2026 ǀ Publicación: 22/06/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero – junio 2026  
Página 156  
mena; además de habilitar la distinción entre distintos ti-  
pos de eventos anómalos como pérdida de reina, el estrés  
térmico, los depredadores y el enjambrado.  
on Speech and Audio Processing, vol. 10, no. 5,  
2002, doi: 10.1109/TSA.2002.800560.  
T. Giannakopoulos and A. Pikrakis, Introduction  
to Audio Analysis: A MATLAB Approach. Aca-  
demic Press, 2014. [Online]. Available:  
https://www.mathworks.com/aca-  
[12]  
La segunda línea contempla la optimización del modelo  
de clasificación, mediante la implementación de aprendi-  
zaje continuo, que permita adaptar el modelo a nuevas  
condiciones de campo sin re-entrenarlo desde cero, así  
como la ejecución de múltiples modelos en paralelo bajo  
un esquema de votación, para incrementar la robustez en  
la detección de eventos anómalos.  
demia/books/introduction-to-audio-analysis-  
giannkopoulos.html  
[13]  
[14]  
L. Rabiner and B.-H. Juang, Fundamentals of  
Speech Recognition. Prentice Hall, 2010.  
X. Li, K. Lee, J. Park, and S. Cho, “Audio feature  
extraction and classification using entropy-based  
methods,” IEEE Trans. Multimedia, vol. 19, no.  
2, 2017.  
G. Peeters, “A large set of audio features for  
sound description (similarity and classification)  
in the CUIDADO project,” Paris, 2004. [Online].  
BIBLIOGRAFÍA  
[1]  
J. M. Flores and J. A. Ruiz, “Principios básicos  
de la apicultura moderna,” Revista de Ciencias  
Agropecuarias, vol. 38, no. 2, 2021, doi:  
10.22201/fesz.23958723e.2021.2.82.  
[15]  
[2]  
A. Correa Ben\’{\i}tez, I. Vásquez Valencia, N.  
Peña Haaz, L. León Luna, and R. Anguiano Báez,  
“Buenas prácticas pecuarias en la producción pri-  
maria de miel,” 2018. [Online]. Available:  
https://atlas-abejas.agricul-  
tura.gob.mx/pdfs/Man-  
ual_BPP_en_la_Producci_n_pri-  
maria_de_Miel_octubre_2018.pdf  
Available:  
che.ircam.fr/anasyn/peeters/ARTI-  
https://recher-  
CLES/Peeters_2003_cuidadoaudiofeatures.pdf  
D. Jiang and others, “Spectral entropy for robust  
speech recognition,” ICASSP, 2011.  
J. Foote, “Automatic Audio Segmentation using  
a Measure of Audio Novelty,” in Proc. IEEE Int.  
Conf. on Multimedia and Expo (ICME), New  
[16]  
[17]  
[3]  
[4]  
A.-M. Klein et al., “Importance of pollinators in  
changing landscapes for world crops,” Proceed-  
ings of the Royal Society B: Biological Sciences,  
York,  
USA,  
2000.  
doi:  
10.1109/ICME.2000.869637.  
[18]  
S. Davis and P. Mermelstein, “Comparison of  
Parametric Representations for Monosyllabic  
Word Recognition in Continuously Spoken Sen-  
tences,” IEEE Trans. Acoust, vol. 28, no. 4, 1980,  
doi: 10.1109/TASSP.1980.1163420.  
vol.  
274,  
no.  
1608,  
2007,  
doi:  
10.1098/rspb.2006.3721.  
S. Cecchi, S. Spinsante, A. Terenzi, and S. Or-  
cioni, “A Smart Sensor-Based Measurement Sys-  
tem for Advanced Bee Hive Monitoring,” Sen-  
sors, vol. 20, no. 9, p. 2726, May 2020, doi:  
10.3390/s20092726.  
M. Vidrascu and D. Svasta, “Embedded Software  
for IoT Bee Hive Monitoring Node,” 2017.  
M. Vidrascu and D. Svasta, “Maintenance-free  
IoT Gateway Design for Bee Hive Monitoring,”  
2017.  
[19]  
[20]  
M. Slaney, “Auditory Toolbox Version 2,” 1998.  
[Online].  
Available: https://engineering.pur-  
due.edu/~malcolm/interval/1998-010/Audito-  
ryToolboxTechReport.pdf  
B. Logan, “Mel Frequency Cepstral Coefficients  
for Music Modeling,” in Proceedings of the 1st  
International Symposium on Music Information  
Retrieval (ISMIR), Plymouth, MA, USA, 2000.  
[5]  
[6]  
[7]  
[8]  
M. Vidrascu, P. Svasta, and M. Vladescu, “High  
reliability wireless sensor node for bee hive mon-  
itoring,” Sensors and Actuators, pp. 134–138,  
Mar. 2016, doi: 10.1109/SIITME.2016.7777262.  
“MinIO High Performance Object Storage —  
MinIO Object Storage (AGPLv3).” Accessed:  
Mar. 19, 2026. [Online]. Available: https://minio-  
docs.tf.fo/  
[Online].  
mir.net/papers/logan_abs.pdf  
Available:  
https://ismir2000.is-  
[21]  
V. Kulyukin, S. Mukherjee, and P. Amlathe, “To-  
ward Audio Beehive Monitoring: Deep Learning  
vs. Standard Machine Learning in Classifying  
Beehive Audio Samples,” Applied Sciences, vol.  
8, no. 9, p. 1573, Sep. 2018, doi:  
10.3390/app8091573.  
[9]  
B. McFee et al., “librosa: Audio and Music Sig-  
nal Analysis in Python,” J. Open Source Softw.,  
2015, doi: 10.21105/joss.00022.  
M. Müller, Fundamentals of Music Processing.  
Springer, 2015. Doi: 10.1007/978-3-319-21945-  
5.  
[22]  
[23]  
J. A. Calvo, “Open Source Beehives Project - Au-  
dio Database as of 2-21-17,” 2017. doi:  
10.5281/zenodo.321345.  
icarodelimarodrigues, “Queen Loss Event in Af-  
ricanized Honeybee Colony.” [Online]. Availa-  
[10]  
[11]  
ble:  
https://www.kaggle.com/datasets/ica-  
G. Tzanetakis and P. Cook, “Musical Genre Clas-  
sification of Audio Signals,” IEEE Transactions  
rodelimarodrigues/queen-loss-event-in-african-  
ized-honeybee-colony  
Recepción: 16/03/2026 ǀ Aceptación: 18/05/2026 ǀ Publicación: 22/06/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero – junio 2026  
Página 157  
[24]  
yevheniiklymenko, “Beehive buzz anomalies,”  
2021. [Online]. Available:  
https://www.kaggle.com/datasets/yevhe-  
niiklymenko/beehive-buzz-anomalies  
C. Montaño, “Bumblebee Repository,” 2026.  
[Online]. Available: https://github.com/carlos-  
montano-hub/bumblebee  
A. Zgank, «Bee Swarm Activity Acoustic Classi-  
fication for an IoT-Based Farm Service,»  
Sensors, vol. 20, dic. de 2019. DOI:  
10.3390/s20010021.  
[25]  
[26]  
Tabla de roles de contribución  
Rol  
Autor (es)  
Conceptualización  
Carlos Humberto Montaño Al-  
calá  
Curación de datos  
Metodología  
Carlos Humberto Montaño Al-  
calá  
María Trinidad Serna Encinas  
Administración del Carlos Humberto Montaño Al-  
Proyecto  
calá (igual) - María Trinidad  
Serna Encinas (igual).  
Recursos  
Carlos Humberto Montaño Al-  
calá (igual) - Fredy Alberto  
Hernández Aguirre (igual).  
Software  
Carlos Humberto Montaño Al-  
calá  
Supervisión  
Validación  
María Trinidad Serna Encinas  
Fredy  
Alberto  
Hernández  
Aguirre  
Visualización  
Carlos Humberto Montaño Al-  
calá (igual) - María Trinidad  
Serna Encinas (igual).  
Redacción, borra- Carlos Humberto Montaño Al-  
dor original.  
calá (igual) - María Trinidad  
Serna Encinas (igual).  
Redacción, revisión Carlos Humberto Montaño Al-  
y edición.  
calá (igual) - María Trinidad  
Serna Encinas (igual) - Fredy  
Alberto Hernández Aguirre  
(igual).  
Esta obra está bajo  
una licencia internacional  
Creative Commons Atribución 4.0  
Recepción: 16/03/2026 ǀ Aceptación: 18/05/2026 ǀ Publicación: 22/06/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero – junio 2026  
Página 158