Sistema inteligente de monitoreo de variables físicas de colmenas apícolas utilizando redes neuronales
DOI:
https://doi.org/10.61117/ipsumtec.v9i1.466Palabras clave:
Colmenas apícolas, IoT, Redes neuronales, Sistema de monitoreo, Variables físicasResumen
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 significativo, siendo el noveno productor de miel a nivel mundial. 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 detectar problemas o enfermedades. Conforme aumentan el número de colmenas, el monitoreo manual se vuelve ineficiente, tardado y logísticamente complicado, con la posibilidad de provocar que algunas colmenas no sean revisadas en el periodo correcto. Este artículo presenta un sistema que monitorea las colmenas utilizando tecnologías de internet de las cosas, integrando sensores que monitorean variables como temperatura, humedad peso y señales de audio de la colmena con un algoritmo de reconocimiento de patrones, utilizado para detectar eventos de interés 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 proyecto 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.
Descargas
Métricas
Citas
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.
A. Correa Ben’{i}tez, I. Vásquez Valencia, N. Peña Haaz, L. León Luna, and R. Anguiano Báez, “Buenas prácticas pecuarias en la pro-ducción primaria de miel,” 2018. [Online]. Available: https://atlas-abe-jas.agricultura.gob.mx/pdfs/Manual_BPP_en_la_Producci_n_primaria_de_Miel_octubre_2018.pdf
A.-M. Klein et al., “Importance of pollinators in changing landscapes for world crops,” Proceed-ings of the Royal Society B: Biological Scienc-es, vol. 274, no. 1608, 2007, doi: 10.1098/rspb.2006.3721. DOI: https://doi.org/10.1098/rspb.2006.3721
S. Cecchi, S. Spinsante, A. Terenzi, and S. Or-cioni, “A Smart Sensor-Based Measurement System for Advanced Bee Hive Monitoring,” Sensors, vol. 20, no. 9, p. 2726, May 2020, doi: 10.3390/s20092726. DOI: https://doi.org/10.3390/s20092726
M. Vidrascu and D. Svasta, “Embedded Soft-ware for IoT Bee Hive Monitoring Node,” 2017. DOI: https://doi.org/10.1109/SIITME.2017.8259887
M. Vidrascu and D. Svasta, “Maintenance-free IoT Gateway Design for Bee Hive Monitoring,” 2017. DOI: https://doi.org/10.1109/SIITME.2017.8259886
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. DOI: https://doi.org/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/
B. McFee et al., “librosa: Audio and Music Sig-nal Analysis in Python,” J. Open Source Softw., 2015, doi: 10.21105/joss.00022. DOI: https://doi.org/10.25080/Majora-7b98e3ed-003
M. Müller, Fundamentals of Music Processing. Springer, 2015. Doi: 10.1007/978-3-319-21945-5. DOI: https://doi.org/10.1007/978-3-319-21945-5
G. Tzanetakis and P. Cook, “Musical Genre Classification of Audio Signals,” IEEE Transac-tions on Speech and Audio Processing, vol. 10, no. 5, 2002, doi: 10.1109/TSA.2002.800560. DOI: https://doi.org/10.1109/TSA.2002.800560
T. Giannakopoulos and A. Pikrakis, Introduc-tion to Audio Analysis: A MATLAB Approach. Academic Press, 2014. [Online]. Available: https://www.mathworks.com/academia/books/introduction-to-audio-analysis-giannkopoulos.html
L. Rabiner and B.-H. Juang, Fundamentals of Speech Recognition. Prentice Hall, 2010. DOI: https://doi.org/10.1201/9781420046090-c9
X. Li, K. Lee, J. Park, and S. Cho, “Audio fea-ture 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]. Available: https://recherche.ircam.fr/anasyn/peeters/ARTICLES/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 York, USA, 2000. doi: 10.1109/ICME.2000.869637. DOI: https://doi.org/10.1109/ICME.2000.869637
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. DOI: https://doi.org/10.1109/TASSP.1980.1163420
M. Slaney, “Auditory Toolbox Version 2,” 1998. [Online]. Available: https://engineering.purdue.edu/~malcolm/interval/1998-010/AuditoryToolboxTechReport.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. [Online]. Available: https://ismir2000.ismir.net/papers/logan_abs.pdf
V. Kulyukin, S. Mukherjee, and P. Amlathe, “Toward 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. DOI: https://doi.org/10.3390/app8091573
J. A. Calvo, “Open Source Beehives Project - Audio Database as of 2-21-17,” 2017. doi: 10.5281/zenodo.321345.
icarodelimarodrigues, “Queen Loss Event in Africanized Honeybee Colony.” [Online]. Available: https://www.kaggle.com/datasets/icarodelimarodrigues/queen-loss-event-in-africanized-honeybee-colony
yevheniiklymenko, “Beehive buzz anomalies,” 2021. [Online]. Available: https://www.kaggle.com/datasets/yevheniiklymenko/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. DOI: https://doi.org/10.3390/s20010021
