蜂群多特征長期監測系統設計與試驗研究

　　摘要: 目前，針對蜂群發生崩潰式消失的現象還缺乏有效的觀測和分析手段。本研究在分析蜂群行為與檢測特征的基礎上，設計了一種基于物聯網技術的蜂群多特征長期監測系統。該系統采用太陽能供電，融合了多種傳感器，能夠檢測蜂群的多個特征(蜂箱內部的溫度、濕度、蜂群重量、聲音和蜜蜂的進出量)，并利用無線數據同步傳輸技術將這些數據上傳到遠程云服務器中。基于該系統，本研究還進行了針對意大利蜜蜂從2018年秋季到2020年春季為期235天的長期連續監測試驗，記錄了蜂群在秋衰期、越冬期和春繁期蜂箱內部溫度、濕度、蜂群重量、聲音和進出量的逐小時的細致變化。試驗結果表明，在此期間，蜂箱內的平均溫度呈現從25℃下降到-5℃再回升至15℃的拋物線變化，相應的進出巢次數也由大約8萬次/天減少至0次/天再增加至5萬次/天。在越冬期中，蜂群的重量呈現出大約25 g/天的線性下降趨勢，同時蜂箱內也更為安靜，聲音的頻率集中于0~64 Hz。由此表明，在不干擾蜂群的情況下，該監測系統獲得的特征數據能夠有效地揭示蜂群的日常活動和趨勢變化，可用來研究蜂群的行為生物學、探索崩潰式的蜂群消失成因以及發展精確化蜜蜂養殖業。

　　本文源自智慧農業2020年第2期《智慧農業(中英文)》(季刊)是國家新聞出版署批準、國內外公開發行的農業工程類學術期刊，由中華人民共和國農業農村部主管，中國農業科學院農業信息研究所主辦，《智慧農業(中英文)》編輯委員會學術指導，《智慧農業(中英文)》編輯部編輯出版。

　　關鍵詞: 蜂群監測;智能蜂箱;多特征;智慧農業;物聯網技術

　　1 引 言

　　蜜蜂是一種重要的社會性昆蟲，它能生產蜂蜜、蜂王漿等多種價值高、用途廣的蜂產品，同時也肩負著給全球35%的糧食作物授粉的工作[1]。然而，由于氣候變遷、農藥大規模使用等可能因素的作用，引發了美洲、歐洲等部分地區的蜂群崩潰式消失(Colony Collapse Disorder)。調查研究表明，美國自從2006年起，平均每年有大約30%的蜂群死亡[2]，這不僅嚴重影響了農業生產，同時也對生態環境造成巨大的沖擊。由于缺乏充分證據，這一現象的確切產生原因至今還沒有定論[3]。

　　早在1907年，Gates[4]就開始利用人工監測蜂群的溫度變化用于指導蜜蜂養殖。在過去的一個世紀中，學者們通過多樣的定量手段對蜂群的溫度、濕度、重量、聲音、蜜蜂的進出量、氣體濃度以及振動等一系列特征進行了檢測，并試圖建立檢測特征與蜂群活動之間聯系，奠定了蜂群連續監測技術的理論基礎[5]。在溫度檢測方面，相關研究表明，當蜜蜂的體溫低于9~12℃時會發生昏厥，而適合蜜蜂幼蟲生長的溫度在35℃左右[6]。當環境溫度過低時，蜂群會通過調節新陳代謝和收縮肌肉來產熱;而當溫度過高時，蜂群會通過扇風和增加蜂箱內的濕度來降溫[7]。因此，蜂箱內的溫度穩定性體現了蜂群對環境的適應能力和自身的健康狀況[8]。同時，由于蜂群分蜂前的搖擺舞、集中決策等過程會造成蜂群的大量活動，導致蜂箱內的溫度明顯升高。因此溫度的變化也可以作為分蜂等典型事件出現的依據[9,10]。在濕度檢測方面，Doull[11]通過研究不同濕度下蜜蜂卵的孵化情況，發現最佳的孵化相對濕度為90%~95%，當相對濕度低于50%時，所有的蜜蜂卵都不能被孵化。然而，蜂箱內部濕度是多變的，它不僅受到外界濕度、蜂箱內的溫度以及花蜜的含水量等因素的被動影響，同時也受到蜜蜂采水、喂養和身體隔離等活動的主動干預。因此，蜂箱內部的濕度變化較為復雜，而且不同的區域有較大的差異。Human等[12]采用多個傳感器分別對周圍環境，蜂箱育蟲區和花蜜區的溫濕度進行了監測，其結果證明幼蟲區域具有最高的濕度和最好的穩定性，其相對濕度在40%左右。顯然，他們監測結果明顯的低于Doull等所提及的最佳范圍，由此說明極端條件下濕度的控制是一個十分嚴峻的問題。在蜂群重量檢測方面，Hambleton[13]采用每小時一次的人工稱重方法，連續幾天監測同一蜂箱的重量變化，發現蜂箱的重量變化具有很強的規律：夜間的蜂蜜濃縮和清晨的蜜蜂外出會造成蜂箱的質量減少，而上午到傍晚蜂箱的重量增加取決于蜜蜂的采收活動。因此蜂箱重量變化的幅度可作為蜂群日常活動的重要指標。進一步地，Meikle等[14]基于17個多月的連續重量監測結果，提議將蜂箱每七天的平均重量變化作為蜂群食物存量變化的依據，而每天的重量波動作為蜂群對食物消耗量的依據，因此通過這兩個重量指標就能在不干擾蜜蜂的情況下揭示蜜蜂的活動和蜂群的發展。與此同時，由于蜂群發生分蜂和飛逃時，大量蜜蜂會攜帶蜂蜜離巢，也會造成重量瞬時的突變，因此一定幅度的重量突變可以作為分蜂和飛逃的判斷依據。在聲音檢測方面，蜂群的聲音是由眾多蜜蜂個體活動所引起的空氣振動的疊加。早在1957年，Frings和Little[15]就發現頻率在300~1000 Hz并且具有足夠強度的聲音會使得蜂群中幾乎全部蜜蜂的活動暫停。無論是意大利蜜蜂(Apis mellifera ligustica)、東方蜜蜂(Apis cerana)還是胡蜂(Vespa manderinia)都會產生特定頻率的聲音[16]。而在分蜂過程中，蜜蜂拍打翅膀的頻率也存在著差異，獲得分蜂指令的蜜蜂每隔0.5~3 s會扇動一次翅膀，其發出的聲音頻率在180~250 Hz之間，而當它們接觸到其他蜜蜂時聲音的頻率會迅速提升至大約500 Hz[17]。因此，聲音信號可以用來識別蜂群的活動，是一種具有應用潛力的檢測特征。在進出量檢測方面，由于蜂群中18日齡以上的蜜蜂負責外出覓食的工作，因此通過記錄蜜蜂進出巢的次數就能夠了解蜂群攝取食品的能力和種群的結構。為定量化地的分析蜂群的進出巢情況，一些人工[18,19]和自動[20-24]的計數方法被提出。Corbet等[19]發現蜂群存在一個明顯的外出閾值溫度，而且在一定溫度范圍內出巢的次數與溫度成正比。同時，蜜蜂的進出數量也可以作為區分蜂群正常、中毒和分蜂等不同狀態的依據[21]。蜂箱內的O2和CO2的濃度與蜜蜂的新陳代謝有關。Seeley[25]采用向蜂箱通入氣體的方法，分別改變蜂箱內部的CO2、N2和O2的濃度，發現在巢門處扇風的蜜蜂數量隨蜂箱內的CO2的濃度升高而正比增加。Southwick 和Moritz[26]觀測到蜂箱內O2和CO2的濃度會像動物呼吸一樣存在周期性的變化，其波動的幅值在0.6%左右，并且白天的波動頻率為(2.9±0.84)次/min，是夜間的7倍。Nerum和Buelens[27]發現蜂群通過維持蜂箱內的低含氧量(<15%)來降低新陳代謝，從而度過食物匱乏的冬季。因此O2和CO2的濃度一定程度上可以作為判斷蜂群健康狀態的依據。蜜蜂扇風、搖擺舞等活動過程中都產生機械振動，而蜜蜂腿部也存在能夠接收200~300 Hz振動的感受器。因此振動也是蜜蜂個體之間的一種重要的溝通方式，對信息的傳播和行動的協調起到了關鍵性的作用[28]。特別是對于分蜂過程，Bencsik等[29]采用加速度計對蜂箱0~4000 Hz的振動信號進行了分析，發現500 和2000 Hz的幅值能有效的指示蜂群的分蜂行為。因此檢測蜂群的振動信號有助于了解蜂群的內部活動[30,31]。

　　以上研究展示了蜂群活動與檢測特征之間的密切聯系。然而，蜜蜂是一種典型的社會性昆蟲，它們的行為具有復雜多變的特點，通過單一的檢測特征很難確定蜂群多樣的行為，因此同時采用多種檢測特征有助于提高蜂群活動的識別能力。Zacepins等[32]分析了溫度、聲音、出入和重量四種檢測特征對蜂群的典型狀態的識別能力。基于他們的分析，采用單群蜜蜂的數據可以對死亡、繁育、少子、預分蜂以及分蜂狀態進行識別，而通過對比多群蜜蜂的數據可以進一步的識別蜂群的活躍程度、疾病、缺少食物以及異常進出。其中溫度的識別能力最強，而其他的三種檢測特征各有著不同的優點。由此也說明采用多種檢測特征能夠有效的提升識別的覆蓋率和正確率。

　　隨著電子信息技術的發展，信息化、智能化成為了農業發展的趨勢[33,34]，研究人員開展了系列基于連續監測的蜜蜂精確養殖[35-37]。盡管如此，國內外能夠實現大規模、長時間實際監測的系統還十分缺乏，這是由于研制實用化的蜂群監測系統依然面臨著巨大的挑戰[32]。首先，蜂群是由成千上萬只蜜蜂組成的復雜系統，采用單一傳感器很容易發生蜂群狀態識別錯誤，因此如何在系統中盡可能多地融合有用的傳感器從而提高診斷的正確率是關鍵性問題。其次，監測系統能源是否自給決定了系統是否能夠在野外長時間地工作。最后，因實際生產過程中需要頻繁地搬運蜂箱，采用有線數據傳輸方式會帶來極大不便，因此如何實現無線數據傳輸也是一個迫切需要解決的問題。

　　為定量化地監測蜂群行為和變化趨勢，本研究在分析檢測特征和蜂群活動之間關系的基礎上，提出了一種基于太陽能供電的蜂群多特征無線監測系統，并將其應用于意大利蜜蜂蜂群實際監測中，實現了從2019年秋季到2020年春季為期235天的逐小時監測。最后基于監測數據分析了蜂群的活動。本研究的主要創新之處為：基于物聯網技術設計了一種融合了多種傳感器、太陽能電能自給和無線數據同步傳輸的蜂群監測系統，并實現了對意蜂蜂群多特征長時間的連續觀測。

　　2 系統設計方案

　　2.1　特征適用程度分類

　　設計一套能被廣泛使用的蜂群監測系統，除了考慮檢測特征的多樣性外，還需要考慮與蜂群的相關度、信息的豐富度、造價的經濟性和實施的簡易性等因素。因此，本研究依據文獻和多年養蜂生產經驗總結，評估了不同檢測特征在蜂群監測系統中的適用程度，如表1所示。通過不同特征之間的對比，將每種因素分為高、中、低三個量化等級。評估等級越高表明檢測特征越適用。

　　表1 不同檢測特征的適用程度

　　Table 1 The adaptability of detection features

　　檢測特征相關度豐富度經濟性簡易性

　　重量高中低低

　　溫度高中高高

　　濕度低低高高

　　氣體濃度低中低中

　　振動中高中高

　　聲音高高高高

　　進出量高高低低

　　這里相關度被作為最高的優先級進行考慮，重量、溫度、聲音和進出量四個檢測特征與蜂群活動高度關聯同時又具有不可替代性，因此被納入監測系統的設計中。此外，因溫濕度傳感器為一體化設計，無需再為濕度檢測的成本和技術實現付出更多的代價，盡管濕度的關聯性和豐富度都為低，但也被采用作為檢測特征。

　　2.2　監測系統設計

　　以往報道的蜂群監測系統通常以蜂場為單位進行內部數據存儲與管理，這種方式存在標準不統一、數據無法共享、維護效率低等問題。隨著物聯網技術日趨成熟，通過標準的協議將監測對象的數據接入互聯網，并集中存儲于遠程服務器中，已成為業內的共識。由于實際生產過程中，蜂箱會被放置在野外，同時根據季節變化可能會經常會被轉運，因此利用無線網接入數據是最為理想的方式。手機移動網絡是世界上覆蓋最廣泛的無線互聯網接入方式，具有技術成熟、成本低廉的特點，可為蜂群監測系統提供數據接入方式。而由于每個蜂箱都需要傳輸各自的數據，如果各自單獨接入手機網絡，在功耗、成本和管理上都存在著劣勢。因此本研究提出采用無線局域網(Wi-Fi)作為一個蜂場的內網進行數據通信，可以實現視距100 m的信號覆蓋。如果以1 m的間隔部署蜂箱理論上可以實現上萬箱的信號覆蓋，能夠滿足實際部署的需求。基于以上考慮，研究構建了蜂群監測系統結構如圖1所示。每個智能蜂箱上布置一套用于采集蜂群信息的檢測裝置，并通過Wi-Fi上傳至路由器，再經過移動網絡上傳至云服務器中，進行存儲和分析。用戶則可以通過訪問云服務器了解蜂群的狀態，從而進行蜂群管理。

　　圖1　監測系統結構

　　Fig. 1 Structure of the monitoring system

　　依據上述檢測特征評估結果，本研究在蜂箱中安裝了一套具有檢測溫濕度、重量、聲音和蜜蜂進出量功能的檢測裝置，圖2是裝有檢測裝置的智能蜂箱設計圖。上述的五種傳感器的安裝位置為：溫濕度傳感器和聲音傳感器被集成在檢測裝置中，進出傳感器安裝在巢門處，稱重傳感器安裝在蜂箱內部巢框的支撐面上。

　　圖2　智能蜂箱的結構

　　Fig 2. Structure of smart hive

　　2.3　檢測裝置技術方案

　　基于嵌入式方案能夠有效地優化裝置的功耗和布局，因此本研究采用嵌入式方案設計檢測裝置，圖3是技術方案原理圖及參數選型。其中，太陽能電池板用于將太陽能轉化為電能。鋰電池作為電能的存儲裝置，當太陽能充足時將存儲多余的電能，反之釋放存儲的電能以支持裝置運行。Wi-Fi模塊用于裝置與服務器之間的數據通信，由于是成熟的商用模塊，并基于TCP/IP協議具有通訊校驗和重發機制，因此能夠保證數據傳輸的可靠性。五種傳感器分別用于獲取各種檢測特征數據。微處理器用于控制這些組件的協同工作。選用基于ARM內核的32位嵌入式處理器STM32作為裝置的微處理器。選用基于AT指令集的ESP8266作為Wi-Fi通訊模塊。此外，在本設計中，綜合考慮量程和精度等因素，溫濕度傳感器采用基于I2C數字接口的DHT12模塊，重量傳感器采用成熟的電橋式稱重單元YZC133，聲音傳感器采用MIC52由STM32的片上AD通道進行模數轉化，進出巢量采用CAP20感應式模塊進行檢測以TTL電平方式與STM32進行連接。

　　圖3　檢測裝置框架圖

　　Fig. 3 The diagram of detection device framework

　　為實現能源自給，需要盡可能地降低系統功耗，除了采用低功耗的元部件外，檢測裝置需要采用間歇工作模式來進一步降低整體功耗。同時，還需要保證太陽能的年度獲取總量大于裝置的年度消耗總量，以及具備足夠大的鋰電池能夠支撐裝置度過陽光匱乏季節。目前所設計的裝置能夠以每小時一次的頻率將蜂群的信息傳輸至云服務器，并且經測試，能在沒有任何陽光的情況下穩定運行兩周以上。智能蜂箱的有關參數如表2所示。

　　表2 智能蜂箱的參數

　　Table 2 The parameters of smart hive

　　名稱參數

　　箱體尺寸內部37 cm×47 cm×26 cm

　　巢口尺寸60 mm×7 mm，2個

　　供電方式鋰電池+太陽供電

　　通訊方式Wi-Fi

　　溫度檢測(-20~60℃)±0.5℃

　　濕度檢測(20%~95%)±5%

　　稱重檢測(0~20 kg)±2%

　　進出檢測0~10，000只/h

　　聲音檢測>-40 dB

　　2.4　云服務器設計

　　云服務器采用MySQL作為數據庫進行數據存儲，同時通過PHP語言實現了服務器的應用程序，如圖4所示。當數據到達服務器后，首先被存儲在數據庫中，同時將控制指令返回給相應智能蜂箱中的檢測裝置，然后依據人工設定的閾值對蜂群的狀態進行診斷，并且對異常數據進行標記，同時向用戶報警。而標記數據可用于離線的機器學習，從而提升診斷的性能。基于服務器應用程序，用戶還可以隨時訪問歷史數據，以及對異常數據進行人工標記。

　　圖4　云服務器框架

　　Fig. 4 The structure of cloud server framework

　　3 系統監測試驗和結果分析

　　3.1　試驗方案

　　為了驗證監測系統的性能，將研制好的智能蜂箱部署于山東省泰安市山東農業大學南校區，用于對若干群意蜂的活動進行監測。部署方式為傳統的并排式放置，間距大約為10 cm，如圖5所示。

　　圖5　智能蜂箱部署

　　Fig. 5 Deploy of smart hives

　　監測時間從2018年8月17日持續至2020年4月16日，監測蜂群編號為8321。

　　3.2　監測結果

　　圖6是蜂群實際監測結果。其中，由于系統調整去除了2019年9月25日至10月1日這8天的數據，最終共有235天有效數據用于分析。圖中綠色柱狀圖為蜜蜂每天通過巢門的累計次數，藍色實線為每天23時蜂群的總重量，紅色虛線表示每天蜂箱內的平均溫度。由于濕度變化受氣溫和蜜蜂活動等多種因素的共同影響，導致其結果較為復雜，因此沒有在圖6中繪制。根據蜜蜂進出巢的數量變化明顯轉折點可以將這段時間分為三個時期：8月至11月中旬的秋衰期，11月中旬至2月中旬的越冬期以及2月中旬至4月的春繁期。在秋衰期，隨著氣溫的逐漸降低和蜜源的逐漸減少，蜂箱內環境的平均溫度和蜂群的進出巢數量也隨之降低。由于這一時期蜂蜜采收的不穩定，蜂群的總重量有較大的波動(其中8月底、9月初、1月底、2月初以及4月初重量的明顯突變是由于人為加減脾造成的)。在越冬期，蜂箱內環境的平均溫度均低于15℃，甚至到達了0℃以下，期間蜜蜂很少外出活動，而蜂群的總重量呈現穩定的下降趨勢，大約為25 g/天。在春繁期，蜂箱內環境的平均溫度隨外界氣溫的升高而升高，并且進出巢的數量和總重量都呈現波動上升的趨勢。

　　圖6　蜂群235天監測結果

　　Fig. 6 The 235-days monitoring results

　　為進一步分析蜂群的日常活動，在蜂群作業比較有代表性的三個時期(采蜜、越冬、冬繁)，各隨機選取一天，分別是2019年8月25日、2020年1月15日和2020年4月16日，作為這三個時期的代表日期，如圖7~9所示。其中綠色柱狀圖為蜜蜂每小時通過巢門的累計次數，藍色實線為每時刻蜂群的總重量，紅色虛線表示每時刻蜂箱內的溫度，紫色點劃線表示每時刻蜂箱內的濕度。

　　圖7　蜂群2019年8月25日的監測結果

　　Fig. 7 Monitoring results on August 25th, 2019

　　2019年8月25日為秋衰期中進出巢數量最大的一天，全天累計進出巢的次數達8萬次。在這一天中，蜂箱內的溫度變化在24℃~32℃，最低溫度出現在上午的8~9點之間，最高溫度出現在15~16點之間;蜂箱內的濕度變化范圍為60%~80%，濕度的變化與溫度呈現一定的負相關特性;由于蜂箱內的溫度較高，蜂群夜間也存在進出巢的行為，全天進出巢主要集中在9~19點之間，特別是14點和16點存在兩個高峰，這一現象可能與新蜂練飛相關;蜂群的總重量在這一天中增加了大約400 g，質量增加過程集中在6~16點之間，由此說明早上，特別是清晨對于蜂群采收蜂蜜至關重要，因此應該盡量避免在這一時間段人為的干擾蜜蜂的活動。

　　圖8　蜂群2020年1月15日的監測結果

　　Fig. 8 Monitoring results on January 15th, 2020

　　2020年1月15日是越冬期中的一天。期間，蜂群完全沒有出巢行為。其蜂箱內的溫度很低，早上6~7點甚至到達了-6℃，最高溫度出現在11點為6℃，這一溫度升高很有可能是由于陽光直射蜂箱引起的，由此也說明越冬期間陽光直射蜂箱有助于蜂群增強蜂群的越冬能力。這一天中，蜂群的總重量也存在著一定的波動，這一現象有可能與稱重傳感器的溫度特性有關，也有可能與蜂群在蜂群上的活動有關。盡管如此，扣除總重量的波動仍然能夠發現其總體呈下降的趨勢。

　　圖9　蜂群2020年4月16日監測結果

　　Fig. 9 Monitoring results on April 16th, 2020

　　2020年4月16日是春繁期中進出巢次數最多的一天，累計達5萬次。其監測結果與2019年8月25日相似，主要區別在于日間采收活動直到上午9點才開始而且時長較短。由于繁育期飼料消耗較大，盡管日間能夠采收到花蜜和花粉，但是蜂群的總重量并沒有增加，這也導致了春繁期蜂群的總重量波動較大。

　　進一步分析這三天蜂群的聲音頻譜，如圖10~12所示。

　　圖10　蜂群2019年8月25日的聲音頻譜圖

　　Fig. 10 The acoustic spectrogram of bee colony on August 25th, 2019

　　圖11　蜂群2020年1月15日的聲音頻譜圖

　　Fig. 11 The acoustic spectrogram of bee colony on January 15th, 2020

　　圖12　蜂群2020年4月16日的聲音頻譜圖

　　Fig. 12 The acoustic spectrogram of bee colony on April 16th, 2020

　　橫坐標表示聲音的頻率，分辨率為8 Hz;縱坐標表示時間，單位為h;圖像的顏色表示該頻率聲音的幅值大小。對比這三天的結果，可以發現春繁期蜂箱內的聲音最大，秋衰期其次，越冬期最小。春繁期和秋衰期的頻譜圖具有一定的相似性：聲音中均包含128 Hz和256 Hz附近的頻率成分，并且全天持續存在。相關研究表明這兩個頻段的聲音與蜜蜂的扇風活動有關。越冬時的頻譜圖與其他兩個時期差異較大：幾乎不存在大于64 Hz的頻率成分，而小于64 Hz的頻率信號持續保持相等的強度，由此推斷小于64 Hz的聲音頻率信號與蜂群越冬過程中的產熱機理有關，值得后續再開展深入研究。

　　4 結論與展望

　　本研究在分析蜂群行為與檢測特征的基礎上，設計了一種蜂群監測系統，它能夠檢測蜂箱內部的溫度、濕度、蜂群重量、聲音和蜜蜂的進出量七個特征，并通過手機移動網絡和Wi-Fi將這些數據上傳到遠程云服務器中。相對于其他監測系統，該系統采用多傳感器融合設計，能夠實現電能自給和無線數據同步傳輸，方便系統部署和實現蜂群長期監測。

　　同時，基于監測系統，本研究開展了針對意蜂從秋季到春季的連續監測試驗并分析了監測數據。數據反映了蜂群在秋衰期、越冬期和春繁期蜂箱內部溫度、濕度、蜂群重量、聲音和進出量的逐小時的細致變化。結果表明，該系統能夠在不干擾蜂群活動的前提下揭示蜂群的日常活動和群勢變化。其中，溫濕度數據可以反映蜂箱內部的微環境狀態，能夠用于評估蜂群生存環境;蜂群的總重量變化和蜜蜂進出巢的次數可以反映蜂群的日常活動，能夠用于評估蜂群的發展趨勢;蜂群的聲音反映了蜜蜂之間的協同活動，是一個值得進一步研究的特征，它將有助于增進對蜂群微觀行為的了解。基于這種蜂群監測系統的優異性能，本系統可用來研究蜂群的行為生物學、探索崩潰式的蜂群消失成因以及促進發展精確化的蜜蜂養殖業。

　　后續將研究蜂群行為特征的建模，進而結合監測數據對蜂群的狀態進行識別。