基于多源数据融合的蜂箱状态判断方法及系统与流程

本发明涉及智能蜂箱监测，具体而言，涉及一种基于多源数据融合的蜂箱状态判断方法及系统。

背景技术：

1、蜜蜂养殖中，蜂群状态的及时准确判断对维持群势、防控病害和保障蜂产品产量至关重要。传统的人工开箱巡检方式劳动强度大、干扰蜂群正常秩序且高度依赖经验，已难以适应规模化养殖需求。随着物联网技术的发展，通过在蜂箱内布设多类传感器来采集蜂群环境与行为数据的智能蜂箱系统逐步得到应用。然而，目前常见的智能蜂箱监测方案，大多采用对各传感器参数分别设置独立阈值的方式进行状态判别，即当某一参数测量值超出预设范围时即判定为异常并发出警报。这种单参数独立阈值判断方式，并未利用多源传感器数据之间的内在关联来识别蜂群的复合性状态，容易因外界环境短暂变化（如夏季日照导致的温度升高）而产生误报，或对需要多参数联合确认的异常征兆（如飞逃前期的温度与重量协同变化）产生漏报。同时，此类方案通常仅能给出正常或异常的二分类判定结果，无法对蜂群状态进行分级细化评估，导致蜂农无法根据紧急程度高效安排处置工作，仍难以满足精准化、预见性养蜂的迫切需求。

2、专利文献cn109145032a公开了一种蜜蜂养殖智能监测方法与系统，该方案在蜂箱内部署多种传感器，对各个传感器参数分别预设独立阈值，当任一参数超限时赋予异常标签，进而将多参数特征向量输入支持向量机分类器进行正常/异常的二分类，最终向蜂农推送干预提示。上述方案虽然采集了多维度的传感数据，但其判断机制本质上仍为各传感器独立阈值比较与串联，并未进行多源数据的深度融合与关联分析。例如，当蜂箱重量骤降而温度同时攀升的复合场景发生时，该方案仅能分别对单参数超标予以响应，无法将这种征兆综合判定为蜂群飞逃的高概率前兆，存在较高的漏报风险；而在单纯因环境温度升高导致箱内温度超标时，又易触发误报。此外，该方案输出的仅为正常与异常二分类结果，粒度较粗，不利于分清轻重缓急实施精准管理。同时，该方案仅进行当前时刻的状态截面判断，不具备对蜂群多维数据的时序演化分析能力，无法在异常实际发生前进行趋势预测和提前预警。

技术实现思路

1、本发明的目的在于提供一种基于多源数据融合的蜂箱状态判断方法及系统，旨在解决现有蜂箱监测依赖单参数独立阈值判断，缺乏多源数据深度融合与关联分析，导致误报漏报高、无法分级评估和趋势预测的问题。

2、本发明通过以下技术方案实现：

3、一种基于多源数据融合的蜂箱状态判断方法，包括以下步骤：

4、采集蜂箱内部的多源传感器数据，所述多源传感器数据包括温度、重量、声音频谱特征、巢门区域图像和巢门出入蜂计数；

5、对所述多源传感器数据进行预处理，所述预处理包括异常值剔除、缺失值插补和归一化，得到归一化多源数据；

6、将所述归一化多源数据输入预构建的关联规则引擎，由所述关联规则引擎根据多条跨维度关联规则分别输出对应蜂群异常事件的置信度；其中，所述关联规则引擎存储有多条跨维度关联规则，每条跨维度关联规则的条件由至少两个不同维度传感数据的参数与对应阈值构成，在条件满足时触发对应的跨维度关联规则，并输对应蜂群异常事件的置信度；

7、以同时激活的多条跨维度关联规则输出的置信度作为基本概率分配，采用d-s证据理论进行融合，获得表征蜂箱状态等级的融合置信度分布；

8、将所述归一化多源数据在预设历史时间窗口内的时序序列输入lstm时序预测网络，获得未来预设时段内蜂群状态等级的预测变化趋势；

9、综合所述融合置信度分布和所述预测变化趋势，判定蜂箱当前的状态等级；其中，所述状态等级包括正常、预警、异常和紧急。

10、可选地，所述跨维度关联规则包括：飞逃预警规则、分蜂热预警规则、盗蜂预警规则和蜂螨异常规则；

11、其中，所述飞逃预警规则的条件为温度处于35至40摄氏度区间，且重量的日变化率小于-5%，且巢门出入蜂数量之比大于2.0；在所述条件同时满足时触发飞逃预警事件，并输出置信度0.85；

12、分蜂热预警规则的条件为声音主频向低频的偏移量大于15%，且巢门区域图像中蜂王台识别置信度大于0.7，且重量日增幅大于3%；在所述条件同时满足时触发分蜂热预警事件，并输出置信度0.80；

13、盗蜂预警规则的条件为巢门区域图像中攻击性姿态蜜蜂识别比例大于30%，且巢门出入蜂数量之比的波动幅度大于预设波动阈值，且声音频谱中尖叫频段能量升高量大于预设能量阈值；在所述条件同时满足时触发盗蜂预警事件，并输出置信度0.75；

14、蜂螨异常规则的条件为由巢门出入蜂计数确定的蜂群活跃度下降幅度大于20%，且声音频谱符合预设衰弱模式，且由巢门区域图像识别获得的底板落螨计数增加量大于预设计数阈值；在所述条件同时满足时触发蜂螨异常事件，并输出置信度0.82。

15、可选地，所述关联规则引擎中，每条跨维度关联规则的条件由个不同维度传感参数的阈值判定式构成；

16、为第条跨维度关联规则的第个参数定义阈值满足指示函数，当第个参数的当前值满足预设阈值条件时，，否则；

17、所述规则被触发时，输出的对应蜂群异常事件的置信度按下式计算：

18、

19、其中，为规则的预设置信度基准值；所述规则仅在全部个条件同时满足时输出置信度，任意条件不满足时输出置信度。

20、可选地，所述采用d-s证据理论进行融合，获得表征蜂箱状态等级的融合置信度分布，具体为：

21、设定识别框架，、、和依次对应正常、预警、异常、紧急四个状态等级；

22、将当前时刻置信度大于零的条已激活关联规则分别作为独立证据；对第条证据，将其指向的蜂群异常事件映射至状态等级，构造基本概率分配函数，如下式所示：

23、

24、

25、其中，为第条激活的跨维度关联规则所对应的基本概率分配函数，它表示该条证据对各个命题的支持程度；为第条激活规则输出的置信度；

26、利用dempster组合规则对个基本概率分配函数进行融合，融合后的基本概率分配函数如下式所示：

27、

28、其中，为融合后得到的组合基本概率分配函数；为融合后待计算其组合置信度的任意命题；为当前时刻置信度大于零的已激活关联规则数量；为第条证据的焦元，；冲突系数如下式所示：

29、

30、所述融合置信度分布由各状态等级的融合置信度构成，如下所示：

31、

32、

33、其中，蜂箱状态等级的融合置信度。

34、可选地，所述将归一化多源数据在预设历史时间窗口内的时序序列输入lstm时序预测网络，获得未来预设时段内蜂群状态等级的预测变化趋势，包括：

35、以当前时刻为基准，取窗口长度为的历史归一化多源数据序列，；其中，为时刻的多维归一化传感向量；

36、通过lstm时序预测网络依时序处理该序列，得到最终隐状态，并利用全连接层与softmax函数输出未来个时刻的状态等级预测概率向量，如下式所示：

37、

38、

39、其中，为模型预测的未来第个时刻的蜂群状态等级概率向量，，、、和分别对应正常、预警、异常、紧急的预测概率；为lstm输出的全连接层权重矩阵；为lstm网络在依次处理完历史时间窗口内的所有时间步之后得到的最终隐状态；为全连接层的偏置向量；

40、定义预测变化趋势为紧急等级的预测概率增量，按下式计算：

41、

42、其中，为当前融合置信度分布中紧急等级的置信度。

43、可选地，所述综合所述融合置信度分布和所述预测变化趋势，判定蜂箱当前的状态等级，具体判定规则为：

44、令，，为蜂箱状态等级的融合置信度，、、和分别表示正常、预警、异常、紧急的融合置信度；

45、预设紧急置信度阈值、异常置信度阈值、趋势阈值和趋势权重，；

46、计算加权紧急判别指数，如下式所示：

47、

48、按下式判定当前状态等级：

49、

50、其中，表示取最大置信度所对应的状态等级，当多个等级置信度相等时，取其中严重程度最高者。

51、可选地，所述lstm时序预测网络在训练时所采用的损失函数为加权交叉熵损失函数，所述加权交叉熵损失函数为各状态等级分配与紧急程度正相关的权重，使得对紧急等级预测偏差的惩罚大于其他等级；所述加权交叉熵损失函数的具体表达式如下式所示：

52、

53、其中，为训练批次中样本的数量；为未来预测的步数，即预测时段长度；为状态等级预设的权重，满足，紧急等级的权重最大，正常等级的权重最小；为第个训练样本在时刻的真实状态等级独热编码向量的第维分量，当真实等级为时取，否则取；为所述lstm时序预测网络输出的第个样本在时刻的状态等级预测概率向量的第维分量，对应于状态等级的预测概率。

54、基于同一发明构思，本发明还提供一种基于多源数据融合的蜂箱状态判断方法及系统，用于实现所述的基于多源数据融合的蜂箱状态判断方法，包括：

55、多源传感器数据采集模块，用于采集蜂箱内部的温度、重量、声音频谱特征、巢门区域图像和巢门出入蜂计数；

56、数据预处理模块，与所述多源传感器数据采集模块连接，用于对采集的多源传感器数据进行异常值剔除、缺失值插补和归一化，输出归一化多源数据；

57、关联规则引擎，与所述数据预处理模块连接，所述关联规则引擎内部存储有多条跨维度关联规则，每条跨维度关联规则的条件由至少两个不同维度传感数据的参数与对应阈值构成，所述关联规则引擎配置为当一条规则的全部条件同时满足时输出该规则对应的蜂群异常事件的预设置信度，否则输出零；

58、证据融合模块，与所述关联规则引擎连接，用于以同时激活的多条跨维度关联规则输出的置信度作为基本概率分配，采用d-s证据理论进行融合，输出表征蜂箱状态等级的融合置信度分布；

59、lstm时序预测模块，与所述数据预处理模块连接，所述lstm时序预测模块内部配置有预先训练的lstm时序预测网络，用于接收所述归一化多源数据在预设历史时间窗口内的时序序列，输出未来预设时段内各状态等级的预测概率，并计算紧急等级预测概率增量作为预测变化趋势；

60、综合判定模块，分别与所述证据融合模块和所述lstm时序预测模块连接，用于依据所述融合置信度分布和所述预测变化趋势计算加权紧急判别指数，并通过预设阈值比较判定并输出蜂箱当前的状态等级，所述状态等级包括正常、预警、异常和紧急。

61、基于同一发明构思，本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的基于多源数据融合的蜂箱状态判断方法。

62、基于同一发明构思，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的基于多源数据融合的蜂箱状态判断方法。

63、本发明的技术方案至少具有如下优点和有益效果：

64、通过引入跨维度关联规则引擎，要求每条规则的条件至少涉及两个不同维度的传感数据，能够捕捉多源数据之间的内在关联，对蜂群飞逃前期“重量骤降且温度攀升”等复合性征兆进行联合识别，克服了单参数独立阈值判断易受环境短暂变化干扰而产生误报、对多参数协同异常易漏报的缺陷，提升蜂群异常事件判别的准确性与可靠性。

65、采用d-s证据理论对同时激活的多条关联规则置信度进行融合，输出表征蜂箱状态等级的融合置信度分布，能够将蜂群状态细分为正常、预警、异常和紧急等多级状态，实现分级精细化评估，帮助蜂农分清轻重缓急、高效安排处置工作，解决了传统二分类结果粒度过粗的问题。

66、利用lstm时序预测网络对归一化多源数据在历史时间窗口内的时序序列进行建模分析，获得未来预设时段内蜂群状态等级的预测变化趋势，赋予系统时序演化感知与趋势预测能力，能够在异常实际发生前进行提前预警，使蜂群管理从被动响应转向主动预见性干预。

67、在判定蜂箱当前状态等级时，综合了反映当前时刻多源证据的融合置信度分布与反映未来变化方向的预测趋势，避免仅依赖当前截面的单一判断，提高了状态评估的稳定性和前瞻性，降低因瞬时波动引发的误判风险。