“

Tóm tắt:
- Mục đích nghiên cứu: Phát triển thiết bị IoT-AI phân loại âm thanh nhằm phát hiện và cảnh báo sự cố mất ong chúa trong đàn ong, giúp tăng hiệu quả quản lý.
- Ý nghĩa của ong chúa: Ong chúa rất quan trọng cho sự thể gây hỗn loạn và suy yếu đàn.
- Ứng dụng công nghệ: Sử dụng AI và IoT để giám sát từ xa các thông số như âm thanh, nhiệt độ, độ ẩm, và trọng lượng tổ ong, từ đó cảnh báo các vấn đề sức khỏe của đàn.
- Phương pháp kỹ thuật: Thiết bị IoT thu thập âm thanh
trưng âm thanh, và áp dụng các mô hình CNN và LSTM
- Kết quả thử nghiệm: Mô hình CNN cho độ chính xác 96,29% và tốc độ xử lý nhanh hơn LSTM+CNN, được đề xuất cho giám sát tổ ong.
- Lợi ích và khuyến nghị: Hệ thống giúp giảm rủi ro mất ong chúa, tiết kiệm chi phí và nâng cao năng suất. Nhóm nghiên cứu hướng tới phát triển thiết bị để phát hiện thêm các trường hợp bất thường khác trong tổ ong.

Ngành nuôi ong tại Việt Nam đang phát triển mạnh, đóng góp đáng kể vào nền kinh tế nông nghiệp với các sản phẩm như mật ong, phấn hoa và sáp ong... Tuy nhiên, phương pháp quản lý thủ công hiện tại gặp nhiều thách thức trong việc phát hiện kịp thời các vấn đề bất thường đặc biệt là trường hợp mất ong chúa, một hiện tượng có thể gây ra sự xáo trộn lớn trong đàn, làm giảm năng suất và tăng nguy cơ sụp đổ toàn bộ đàn ong.

Việc áp dụng công nghệ hiện đại như trí tuệ nhân tạo (AI) và Internet vạn vật (IoT) là cực kỳ quan trọng để tự động thu thập và phân tích dữ liệu về môi trường và sức khỏe của đàn ong. Nhóm nghiên cứu đã áp dụng mô hình trí tuệ nhân tạo (AI) có khả năng sử dụng kết quả của quá trình trích xuất đặc trưng âm thanh từ đàn ong bằng phương pháp MFCCs và đưa ra dự đoán bất thường bằng các mô hình học máy như: CNN, LSTM+CNN.

Thiết bị IoT được nhóm tác giả và cộng sự lắp đặt tại trang trại ong giúp người nuôi ong giám sát âm thanh trong thùng ong từ xa, gửi dữ liệu âm thanh về hệ thống AI để cảnh báo bất thường mất ong chúa. Giải pháp công nghệ này không chỉ giúp giảm thiểu rủi ro mà còn nâng cao năng suất và chất lượng sản phẩm ong, đồng thời giảm gánh nặng kiểm tra thủ công cho người nuôi.

Việc ứng dụng AI và IoT trong nuôi ong sẽ mang lại sự chính xác, hiệu quả và khả năng quản lý tốt hơn cho toàn ngành.

Sự cần thiết của việc cảnh báo bất thường mất ong chúa trong thùng ong trong công tác nuôi ong

Trong công tác nuôi ong, ong chúa đóng vai trò vô cùng quan trọng trong việc duy trì sự ổn định và phát triển của đàn ong. Ong chúa là trung tâm sinh sản của cả đàn, đồng thời điều tiết hoạt động và cấu trúc xã hội trong tổ ong [1].

Sự mất mát của ong chúa thường gây ra những hệ quả nghiêm trọng như giảm khả năng sinh sản, mất cân bằng trong hoạt động của đàn, và thậm chí có thể dẫn đến sự sụp đổ hoàn toàn của đàn ong. Do đó, việc phát hiện sớm và cảnh báo bất thường về mất ong chúa trong thùng ong là vô cùng cần thiết để đảm bảo hiệu quả sản xuất và duy trì sức khỏe của đàn ong.

Việc mất ong chúa trong đàn mà không có sự phát hiện kịp thời sẽ có thể gây ra các vấn đề nghiêm trọng như: Mất cân bằng hoạt động của tổ ong từ đấy gây ra mất định hướng, hỗn loạn dẫn đến suy giảm đàn ong dẫn đến việc suy yếu và đàn ong hoàn toàn bị chết [2]. Vì vậy nhu cầu cho một thiết bị hỗ trợ cảnh báo sớm về tình trạng mất chúa là rất quan trọng để giúp người nuôi ong can thiệp kịp thời. Một hệ thống cảnh báo có thể phát hiện việc mất chúa một cách nhanh chóng từ đó giúp người nuôi ong có thể can thiệp bằng cách thay thế ong chúa mới hoặc kích thích đàn ong tạo chúa mới trước khi đàn ong suy yếu và khi đó sẽ giảm được thiệt hại gây ra khi bị mất chúa.

Các nghiên cứu trong việc phát hiện bất thường trong chăm sóc đàn ong

Sự phát triển của IoT và AI đang mở ra nhiều cơ hội mới cho ngành nuôi ong mật. Công nghệ IoT-AI cho phép giám sát từ xa hiệu quả, thu thập dữ liệu liên tục về nhiều khía cạnh của đời sống đàn ong.

Các thông số như nhiệt độ và độ ẩm trong và ngoài tổ ong, trọng lượng tổ ong phản ánh lượng mật được sản xuất, số lượng ong ra vào tổ thông qua cảm biến ánh sáng hoặc camera, và âm thanh từ tổ ong giúp phát hiện các tình trạng bất thường, đều có thể được theo dõi và ghi nhận một cách tự động và liên tục. Những dữ liệu này được truyền về các trung tâm phân tích thông qua mạng Internet (Wi-Fi hoặc mạng di động).

Tại đây, các thuật toán AI được áp dụng để phân tích và xử lý dữ liệu, cung cấp thông tin chính xác về sức khỏe và hoạt động của đàn ong. Điều này giúp người nuôi ong có thể giám sát đàn ong 24/7 mà không cần can thiệp trực tiếp, phát hiện sớm và xử lý kịp thời các vấn đề như dịch bệnh, hoặc các yếu tố gây hại khác. Từ đó, họ có thể tối ưu hóa việc chăm sóc đàn ong, nâng cao năng suất và chất lượng sản phẩm, đồng thời tiết kiệm thời gian và chi phí trong quá trình quản lý đàn ong. Mặc dù công nghệ này đã được nghiên cứu và ứng dụng rộng rãi ở nhiều nước trên thế giới, tại Việt Nam, việc áp dụng IoT-AI trong nuôi ong mật vẫn còn hạn chế.

Các nghiên cứu liên quan đến phát hiện bất thường trong công tác nuôi ong có thể kể đến như sau:

1. Nghiên cứu hệ thống IoT hoạt động ổn định giám sát đàn ong

Năm 2019, một nhóm nghiên cứu của ĐH Công nghệ Riga (Latvia) [3] đã công bố một nghiên cứu thử nghiệm kỹ thuật IoT để theo dõi, thu thập dữ liệu đàn ong một cách tự động. Theo đó, mô hình hệ thống giám sát tổ ong về hình ảnh qua 2 camera, nhiệt độ trong và ngoài tổ ong qua các cảm biến nhiệt độ, trọng lượng của tổ ong qua các cân. Nhóm nghiên cứu tập trung phát triển một hệ thống giám sát ổn định, kiên cường chống lại các điều kiện thời tiết thay đổi.

2. Hệ thống IoT thu thập dữ liệu âm thanh để huấn luyện và phân lớp âm thanh ở tổ ong

Một số hệ thống được đưa ra bởi Schurischuster và cộng sự (2016) [4], Zacepins và cộng sự (2016) [5], Antonio (2017) [6], Crawford (2017) [7] đã sử dụng hệ thống giám sát tổ ong đa cảm biến gọi là BeePi, bao gồm một máy tính Raspberry Pi, một camera thu nhỏ, 4 microphone nối với một bộ chia, một tấm năng lượng mặt trời, một cảm biến nhiệt độ, một pin và một đồng hồ.

Trong nghiên cứu của Kulyukin và các đồng nghiệp [8], các microphone được đặt để thu các mẫu âm thanh tiếng ong, tiếng dế kêu, tiếng ồn xung quanh. Nhóm tác giả sau đó đã sử dụng mô hình học máy trên các tập âm thanh đàn ong thu được từ các địa điểm khác nhau để huấn luyện và phân lớp âm thanh thu nhận được. Kết quả thử nghiệm đạt độ chính xác cao, vì vậy hoàn toàn có thể sử dụng âm thanh để giám sát tình trạng tổ ong.

Bên cạnh những nghiên cứu trên về giám sát đàn ong, năm 2019, nghiên cứu của Ruvinga và các cộng sự đã sử dụng phương pháp trích xuất đặc trưng MFCCs cùng mạng CNN để dự đoán âm thanh mất ong chúa với tỉ lệ chính xác lên đến 99% trên tập dữ liệu của Arnia Ltd. (www. arnia.co.uk) [9], điều đó cho thấy công nghệ phân tích âm thanh tổ ong đã được sử dụng như một công cụ hiệu quả để phát hiện sớm các vấn đề liên quan đến ong chúa, đặc biệt là tình trạng mất ong chúa.

Tuy nhiên tại Việt Nam hiện chưa có nghiên cứu dựa trên điều kiện thực tế về việc phát hiện bất thường trong đàn ong bằng âm thanh sử dụng MFCCs và các mô hình học máy.

Một trong các lý do phương pháp phân tích âm thanh là một công cụ hiệu quả để phát hiện sớm các vấn đề liên quan đến ong chúa là do việc biến đổi, thay đổi của âm thanh là rõ ràng khi ong chúa của đàn ong xảy ra vấn đề, ví dụ: Khi ong chúa chết hoặc rời đi, âm thanh tổ ong có thể chuyển từ trạng thái yên tĩnh và nhịp nhàng sang những âm thanh bất thường như tiếng kêu dài và lặp đi lặp lại của ong thợ. Âm thanh đặc trưng này là dấu hiệu rõ ràng cho thấy sự bất ổn trong tổ ong.

So với các cách kiểm tra khác như cảm biến nhiệt độ hoặc độ ẩm, tuy cảm biến nhiệt độ hoặc độ ẩm có thể phát hiện sự thay đổi môi trường của đàn ong, tuy nhiên nó hoàn toàn không thể cung cấp thông tin cụ thể về tình trạng của ong chúa cũng như của đàn ong, việc phân tích âm thanh sẽ có dữ liệu rõ ràng hơn về sự mất ong chúa dựa trên hoạt động và hành vi của ong thợ.

Dựa vào các phân tích nghiên cứu về phát hiện giám sát trong quá trình nuôi ong, từ đó đưa ra phân tích cảnh báo mất ong chúa, nhóm nghiên cứu lựa chọn phân tích âm thanh thu được từ tổ ong để đưa ra cảnh báo phát hiện sớm tình trạng mất ong chúa để triển khai. Phương pháp này cung cấp sự chính xác cao và dễ dàng tự động hóa, giúp người nuôi ong giám sát đàn ong một cách liên tục và giảm thiểu rủi ro. So với các phương pháp giám sát khác, phân tích âm thanh không chỉ phát hiện sớm mất ong chúa mà còn giúp bảo vệ sức khỏe đàn ong mà không cần can thiệp trực tiếp vào tổ.

Cơ sở lý luận phát hiện bất thường trong phân loại âm thanh

Theo như hướng giải quyết bài toán đã chọn, nhóm nghiên cứu trích xuất đặc trưng âm thanh và đưa ra dự đoán theo quy trình như Hình 1:

Trong quy trình trên, file âm thanh nhận được từ thiết bị IoT sẽ đi qua bước trích xuất đặc trưng MFCCs để biến đổi từ miền thời gian sang miền tần số. Sau đó, mô hình phân loại sẽ đưa ra kết quả là tệp âm thanh đó có ong chúa hay mất ong chúa. Hai mô hình phân loại được nhóm tác giả sử dụng là mô hình mạng nơ ron tích chập (CNN) và mạng trí nhớ dài - ngắn hạn (LSTM) kết hợp CNN (LSTM+CNN).

Trích xuất đặc trưng trong âm thanh

Để trích xuất đặc trưng của âm thanh, ta sẽ sử dụng kỹ thuật MFCC và biểu đồ phổ (spectrogram) để trực quan hóa âm thanh. Quá trình trích xuất đặc trưng của âm thanh sẽ bao gồm các bước: Nhấn mạnh trước (Pre-emphasis), Window, DFT (biến đổi Fourier rời rac),... [10] như Hình 2:

Trong các bước thuộc quy trình được thể hiện trong Hình 2, bước biến đổi Fourier rời rạc (DFT) là bước quan trọng trong MFCC giúp chuyển đổi giữa tín hiệu đầu vào trong miền thời gian sang các tần số độc lập trong miền tần số và trực quan hóa thành biểu đồ phổ, từ đây giúp các bước học máy sau này trở nên dễ dàng hơn.

Sau khi áp dụng biến đổi Fourier thu được biểu đồ biên độ - tần số, tuy nhiên ta sẽ mất dấu về thông tin thời gian, hệ thống không biết thông tin âm thanh nào xuất hiện trước. Tại đây, ta cần biểu đồ thể hiện tần số và biên độ trong 1 dòng thời gian, biểu đồ phổ như trong Hình 4 có thể làm được điều đó. Biểu đồ phổ với hoành độ biểu thị dòng thời gian, tung độ thể hiện tần số và màu sắc trong biểu đồ thể hiện biên độ âm, màu càng sáng thì tần số càng mạnh.

Các mô hình học máy đề xuất

Nhóm nghiên cứu đề xuất sử dụng hai kiến trúc phổ biến là Mạng Nơ-ron Tích chập (CNN) và sự kết hợp của LSTM với CNN. Mỗi mô hình đều có những ưu và nhược điểm riêng cần được cân nhắc.

Mạng CNN (Hình 5) là một công cụ mạnh mẽ để trích xuất các đặc trưng không gian từ dữ liệu âm thanh. Khi âm thanh được chuyển đổi thành ảnh âm phổ (spectrograms), biểu diễn âm thanh dưới dạng hình ảnh, CNN có thể nhận diện các mẫu cục bộ như cạnh và kết cấu trong dữ liệu [12]. Một trong những lợi thế lớn nhất của CNN là khả năng bất biến dịch chuyển, giúp mô hình chống lại các sự dịch chuyển và biến dạng trong dữ liệu đầu vào.

Hơn nữa, CNN giảm đáng kể số lượng tham số bằng cách chia sẻ trọng số, làm cho quá trình huấn luyện hiệu quả hơn. Mô hình này cũng dễ dàng mở rộng bằng cách thêm nhiều lớp và bộ lọc hơn, cho phép trích xuất các đặc trưng ngày càng phức tạp.

Tuy nhiên, CNN có một số hạn chế. Mô hình này chủ yếu nắm bắt các đặc trưng không gian và có thể không hiệu quả trong việc nắm bắt các phụ thuộc thời gian vốn có trong dữ liệu âm thanh tuần tự [13]. CNN cũng yêu cầu kích thước đầu vào cố định, điều này có thể là hạn chế khi xử lý các đoạn âm thanh có độ dài khác nhau. Ngoài ra, dữ liệu âm thanh cần được chuyển đổi thành spectrogram hoặc các dạng biểu diễn hình ảnh khác trước khi đưa vào CNN, yêu cầu thêm một bước tiền xử lý trước khi được đưa vào mô hình này.

Sự kết hợp giữa CNN và LSTM (Hình 6) mang lại nhiều lợi ích. Mô hình LSTM+CNN tận dụng sức mạnh của cả hai kiến trúc, nắm bắt được cả các đặc trưng không gian (qua CNN) và các phụ thuộc thời gian (qua LSTM) [14]. Điều này làm cho chúng phù hợp với phân loại âm thanh, nơi các mẫu thời gian rất quan trọng. Sự kết hợp này thường dẫn đến hiệu suất tốt hơn trong các bài toán đòi hỏi sự hiểu biết về cả đặc trưng cục bộ và mẫu chuỗi toàn cục, chẳng hạn như nhận dạng giọng nói và phân loại thể loại nhạc.

Hơn nữa, LSTM có thể xử lý các chuỗi có độ dài biến đổi [13], làm cho mô hình kết hợp linh hoạt hơn trong việc xử lý các đoạn âm thanh có độ dài khác nhau.

Tuy vậy, việc kết hợp CNN và LSTM dẫn đến các mô hình phức tạp hơn với nhiều tham số hơn, đòi hỏi nhiều tài nguyên tính toán và quá trình huấn luyện các mô hình LSTM+CNN kéo dài hơn so với việc huấn luyện một CNN độc lập.

Tóm lại, những phân tích trên đã chỉ các ưu, nhược điểm của 2 mô hình CNN và LSTM+CNN trên cơ sở lý thuyết. Việc đánh giá hiệu suất của 2 mô hình CNN và LSTM+CNN dựa trên độ chính xác và tốc độ tính toán của mỗi mô hình sẽ được thực hiện thông qua việc thử nghiệm thực tế trên bộ dữ liệu âm thanh ong thu được thông qua thiết bị IoT được nhóm gắn tại trang trại ong.

Thiết kế tổng quan hệ thống IoT hỗ trợ giám sát nuôi ong

Các thiết bị IoT được dùng để giám sát, thu thập dữ liệu đàn ong từ xa như dữ liệu âm thanh, hình ảnh, nhiệt độ, độ ẩm hay trọng lượng thùng ong. Sau đó, các dữ liệu này được gửi về máy chủ đám mây. Tại đây hệ thống (các mô đun AI) sẽ xử lý phân loại các dữ liệu và gửi các cảnh báo tới ứng dụng (App) của người nuôi ong khi có trường hợp bất thường xảy ra. Chính điều này góp phần hạn chế tác động trực tiếp lên tổ ong, kịp thời phát hiện các vấn đề phát sinh, đảm bảo sản lượng và năng suất mật ong.

Giải pháp bao gồm 2 phần như mô tả trong Hình 7: Thiết bị giám sát tổ ong thông minh và Phần mềm trung tâm phân tích ra quyết định. Giải pháp này có thể giúp cho việc giám sát từ xa, trích xuất thông tin quan trọng về trạng thái và hoạt động của bầy ong mà không cần kiểm tra trực tiếp, phát hiện kịp thời sự tác động của dịch bệnh, các côn trùng khác lên tổ ong cũng như các vấn đề quản lý tổ ong khác.

Thiết bị giám sát tổ ong thông minh sử dụng công nghệ IoT bao gồm các cảm ứng điện tử được minh họa trong Hình 8. Cụ thể mỗi tổ ong sẽ được tích hợp với thiết bị này để thu thập các dữ liệu liên quan tới đàn ong như nhiệt độ, ẩm độ, âm thanh, hình ảnh và trọng lượng tổ ong. Mỗi loại dữ liệu đều chứa đựng những thông tin quan trọng về sức khỏe đàn ong. Các cảm ứng điện tử và công nghệ IoT sẽ giúp cho hệ thống giám sát tổ ong thu thập được các dữ liệu này. Nguồn cung cấp năng lượng cho thiết bị có thể là pin mặt trời hay nguồn điện lưới hoặc ắc quy. Thiết bị được kết nối Internet để đưa dữ liệu quan trắc được về trung tâm phân tích, dữ liệu này được lưu trữ trên Cloud. Việc kết nối Internet có thể sử dụng mạng wifi hay mạng di động 3G/4G.

Do yêu cầu của thiết bị phải gửi các dữ liệu âm thanh trực tiếp (liên tục, tốc độ cao) bên cạnh các thông tin về nhiệt độ, độ ẩm, cân nặng (định kỳ, tốc độ thấp) nên nhóm tác giả khuyến nghị sử dụng sử dụng websocket làm kênh truyền thời gian thực 2 chiều để mang cả 2 loại thông tin.

Hình ảnh thực tế thiết bị được nhóm tác giả gắn tại trại ong trong Hình 9.

Kết quả thử nghiệm tại trang trại ong

Trong thực nghiệm này, nhóm tác giả đã tiến hành thử nghiệm phương pháp trích xuất đặc trưng MFCCs (Mel-frequency cepstral coefficients) kết hợp với hai mô hình mạng nơ- ron: CNN (Convolutional Neural Network) và LSTM+CNN (Long Short-Term Memory + Convolutional Neural Network) nhằm nhận diện tiếng ong. Bộ dữ liệu thử nghiệm gồm 500 tệp âm thanh chưa qua huấn luyện được thu về bằng thiết bị IoT được nhóm tác giả gắn tại thùng ong giống ong ngoại Apis mellifera tại Trung tâm ong, Học viện Nông nghiệp Việt Nam, bao gồm 405 tệp âm thanh đàn ong có chúa và 110 tệp âm thanh không có tiếng. Kết quả thực nghiệm cho mô hình CNN đạt độ chính xác 96,29% (390/405) với thời gian dự đoán 50,97 giây, trong khi mô hình LSTM+CNN chỉ đạt 80,24% (325/405) độ chính xác và mất 123,78 giây để xử lý. Kết quả của hai mô hình được trình bày chi tiết trong Bảng 1.

Phân tích kết quả cho thấy mô hình CNN không chỉ vượt trội về độ chính xác mà còn về tốc độ xử lý, nhanh hơn gần 2,5 lần so với LSTM+CNN. Kết quả nghiên cứu cũng khẳng định tính hiệu quả của việc kết hợp phương pháp trích xuất đặc trưng MFCCs với mô hình CNN trong bài toán phát hiện bất thường bằng phân loại tiếng ong. Mặc dù LSTM+CNN là mô hình có cấu trúc phức tạp hơn, nhưng trong trường hợp cụ thể này, mô hình không mang lại hiệu quả cao hơn so với CNN.

Từ kết quả thực nghiệm, nhóm tác giả có thể kết luận rằng sự kết hợp giữa phương pháp trích xuất đặc trưng MFCCs và mạng CNN là một phương pháp hiệu quả trong việc nhận diện tiếng ong, không chỉ đảm bảo độ chính xác cao mà còn có tốc độ xử lý nhanh, đây là cơ sở để trở thành một lựa chọn tốt cho các ứng dụng thực tế trong lĩnh vực này.

Kết luận và khuyến nghị

Trong bài báo này, nhóm tác giả bước đầu kết luận rằng hệ thống IoT-AI phân loại âm thanh hỗ trợ cảnh báo bất thường mất ong chúa sẽ đem lại độ chính xác cao hơn 16% cùng tốc độ nhanh hơn 2,5 lần khi sử dụng kỹ thuật trích xuất đặc trưng MFCCs với mô hình học máy CNN so với LSTM+CNN. Hệ thống sử dụng thiết bị IoT để thu âm thanh từ thùng ong, sử dụng AI để dự đoán bất thường với MFCCs (giúp biểu diễn âm thanh dưới dạng hình ảnh) và CNN (trích xuất các đặc điểm quan trọng từ MFCCs), từ đó tối ưu hóa việc chăm sóc đàn ong, nâng cao năng suất và chất lượng sản phẩm, đồng thời tiết kiệm thời gian và chi phí trong quá trình quản lý đàn ong.

Nhóm nghiên cứu định hướng tiếp tục nghiên cứu, thiết kế thiết bị cũng như phát triển cho thiết bị phân tích đánh giá nhiều trường hợp bất thường hơn trong thùng ong để cảnh báo cho người nuôi ong như: cảnh báo chia đàn, côn trùng tấn công, dịch bệnh,.. Ngoài ra đây cũng là hướng nghiên cứu phát triển phù hợp để ứng dụng công nghệ AI-IoT trong phát hiện bất thường trong quá trình nuôi trồng trong lĩnh vực nông nghiệp tại Việt Nam.

Lời cảm ơn

Bài nghiên cứu này được tài trợ bởi đề tài nghiên cứu trọng điểm cấp quốc gia mang tên “Nghiên cứu ứng dụng công nghệ của công nghiệp 4.0 vào quản lý sản xuất sản phẩm mật ong phục vụ xuất khẩu và tiêu dùng trong nước”.

Mã số nhiệm vụ: KC-4.0-20/19-25 Các nhà tài trợ không có vai trò trong việc thiết kế thí nghiệm, thu thập và xử lý dữ liệu, quyết định xuất bản hoặc chuẩn bị bản thảo.

“

Tài liệu tham khảo:
1. Anton, K., & Grozinger, C. (2022, December 8). An
introduction to queen honey bee development. Penn State
Extension. https://extension.psu.edu/an-introduction-to
queen-honey-bee-development
2. Honey bee colony losses: Why are honey bees disappearing?
(2021). Sociobiology, 68(1), 1-13. https://doi.org/10.13102/
sociobiology.v68i1.5851
3. Mohamad Noor, M. N., Khamis, A., & Zainol, M. Z. (2019).
IoT approach application for development of autonomous
beekeeping system. In 2019 International Conference in
Engineering Applications (ICEA) (pp. 1-6). Kuala Lumpur,
Malaysia.
4. Schurischuster S., Zambanini S., Kampel M. & Lamp B. (2016). Sensor study for monitoring varroa mites on honey bees
(apis mellifera). In 23rd International Conference on Pattern
Recognition (ICPR 2016), 4 December 2016, Cancun, Mexico.
5. Zacepins A., Kviesis A., & Stalidzans E. (2016). Remote
detection of the swarming of honey bee colonies by single
point temperature monitoring, Biosystems Engineering. 148:
76-80
6. Antonio R. G., Tonatiuh S. A., Efr´en, G. R. & Carlos E. G.
(2017). Frequency Analysis of Honey Bee Buzz for Automatic
Recognition of Health Status: A Preliminary Study, Research
in Computing Science.
7. Crawford M. (2017). Automated collection of honey bee
hive data using the Raspberry Pi (Doctoral dissertation,
Appalachian State University).
8. Kulyukin V., Mukherjee S. & Amlathe P. (2018). Toward audio
beehive monitoring: Deep learning vs. standard machine
learning in classifying beehive audio samples, Applied
Sciences. 8: 1573.
9. Ruvinga, S., Hunter, G., Duran, O., & Nebel, J.-C. (2023).
Identifying queenlessness in honeybee hives from audio
signals using machine learning. Published 30 March 2023.
10. Hossan, M. A., Memon, S., & Gregory, M. A. (2011). A
novel approach for MFCC feature extraction. In 2010
4th International Conference on Signal Processing and
Communication Systems (ICSPCS). IEEE. https://doi.
org/10.1109/ICSPCS.2010.5709752
11. Biswas, D. (2021, June 27). Fourier transform. Medium.
https://dibyendu-biswas.medium.com/fourier-transform-
70ae1b7ec252
12. O’Shea, K., & Nash, R. (2015). An introduction to
convolutional neural networks (Version 2). arXiv. https://
arxiv.org/abs/1511.06422
13. Lim, B., & Zohren, S. (2020). Time series forecasting with
deep learning: A survey. Department of Engineering Science,
University of Oxford. https://arxiv.org/abs/2004.14055
14. Sainath, T. N., Vinyals, O., Senior, A., & Sak, H. (2015).
Convolutional, long short-term memory, fully connected
deep neural networks. In Proceedings of the 16th Annual
Conference of the International Speech Communication
Association, INTERSPEECH 2015 (pp. 1-5). https://www.
isca-speech.org/archive/interspeech_2015/saintath15_
interspeech.html

(Bài đăng ấn phẩm in Tạp chí TT&TT số 11 tháng 11/2024)

Trần Duy Hiếu, Nguyễn Lê Hoàng, Học viện Công nghệ Bưu chính Viễn thông, Đại học Bách Khoa Hà Nội