可远程监控蜂巢的开源项目

描述

十五年来，蜜蜂一直面临灭绝的威胁。事实上，在过去的十年里，欧洲有 30% 到 40% 的蜂群死亡。这对环境来说是一个令人担忧的情况，因为蜜蜂是最重要的传粉者，因此是我们生态系统不可或缺的一部分。此外，还会出现经济问题。事实上，例如在法国，蜂蜜生产是超过 54,000 名养蜂人的额外收入，也是大约 2,000 名其他养蜂人的主要收入。

我们的目标是让专业或业余的养蜂人能够远程监控他们的蜂巢。我们的解决方案旨在为他们节省不必要的生产现场之旅，从而节省时间。我们的设备是一个连接的传感器套件，每 10 分钟收集一次数据并将其发送给养蜂人。这让他了解了他的蜂群的状态和环境的质量。与其他商业化系统相比，我们的产品易于使用且价格合理（约 150 欧元）。

研究数据

为了监控蜂巢的完整性，我们选择研究：

• 室内温度 (+/- 0.5 °C)
• 室外温度 (+/- 0.5 °C)
• 室外湿度 (+/- 2%)
• 重量（+/- 0.2 公斤）

我们还花费了大量时间研究人工智能 (AI)，它能够指示是否有蜂王以及是否有任何蜜蜂。不幸的是，我们无法实现我们的神经网络 (NN)，因为导出它被证明比预期的更复杂。

系统图

 

软件

Mbed 源文件可在“代码”选项卡中下载。

为了使我们的系统正常工作，我们在 Mbed 上开发了该软件。使用代码我们可以：

• 初始化所有传感器。

对于每个传感器，我们分配了一个引脚。

传感器初始化

 

• 每十分钟获取每个传感器的值测量值。

室内温度：我们选择使用 DS18B20 温度传感器。事实上，这种模式已经在之前的类似项目中证明了它的效率。

 

 

 

 

1 / 2 • DS18B20 实施

 

室外温湿度：我们选择了DHT22温湿度传感器。

DHT22 实施

 

重量：我们选择使用应变仪来收集重量值。

应变计实现

 

• 将我们收集的数据发送到 Sigfox 后端。

 

 

 

 

1 / 2 • Wisol 引脚分配

 

• 当我们不发送数据时，让微控制器进入睡眠状态。

因为 Sigfox 限制了一个人每天可以发送的消息数量，所以我们只能在 24 小时内发送 140 条消息。因此，我们只能每十分钟测量一次。

10 分钟睡眠实施

 

人工智能培训

为了创建我们的人工智能，我们决定训练一个神经网络来分析蜂巢中的声音频率。为此，我们使用了开发平台 Edge Impulse。它使您可以毫不费力地构想具有嵌入式机器学习功能的设备。

创建 Edge Impulse 帐户和项目后，我们可以选择两种方法来训练我们的神经网络。

第一个需要使用我们按照本教程连接到 Edge Impulse 的 IoT 发现套件。然后，为了开发能够识别不同声音频率的 AI，我们按照此处所述的步骤进行操作。

第二种方法不需要 B-L475E-IOT01A2 板。然而，这非常耗时。事实上，在搜索和下载数据集（蜜蜂或不蜜蜂和The Hiveeyes 社区）之后，每个声音样本都必须手工剪切并上传到我们的设计中。对于我们的大部分项目，我们选择了这种方法，因为我们无法直接从蜂巢中收集样本。

首先，我们创建了一个脉冲设计并设置了训练我们的 AI 所需的参数。因为我们正在处理蜜蜂，所以我们需要采用比教程中演示的更大的窗口大小。我们选择使用 MFCC 块来训练我们的神经网络，但这不是我们唯一的选择。MFE 和 Spectogram 块也可以用来训练 AI。根据所研究的频率范围，任何一个集团都可能比其他集团工作得更好。

冲动设计

 

接下来，我们确定了训练周期数、学习率和要设置的最小置信度，因为这些参数会极大地影响模型的准确性。最后，混淆矩阵显示了我们的神经网络的准确性。当我们对结果不满意时，我们上传了额外的数据并重新训练我们的模型。

神经网络精度

 

如您所见，我们的神经网络很难识别何时有蜜蜂。由于缺乏数据和时间，我们无法对其进行重新训练。

最后一步是在我们的 STM 板上导出我们的 AI 。

PCB制作

包含所有源的 Kicad 项目文件可在 Schematics 选项卡中下载。

PCB制作的第一步是为每个组件制作电气原理图。

Kicad 电气原理图

 

之后，我们按照教程构思了我们的电路板，并将我们的温度传感器与 Grove 连接器打印相关联，以获得更坚固的设备。

在设计印刷电路板时，我们注意到一些引脚（D7、D8 和 A7）不允许我们收集所需的数据集。这是由于 Nucleo STM32 是如何制造的，因此在打印电路板之前，请确保测试每个引脚。

在整个项目中，我们生产了 2 个 PCB。如前所述，起初我们希望能够研究蜂巢的声音频率。因此，我们设计并印刷了一块电路板，可以让我们用麦克风收集声音样本。

 

 

 

 

1 / 2 • PCB - 版本 1

 

从那时起，我们不得不设计第二个来减少我们的能源消耗。考虑到当时我们辞职不实施人工智能这一事实，我们决定尽可能缩小我们的系统。

 

 

 

 

1 / 2 • PCB - 版本 2

 

设计完成后，我们生成了打印电路板所需的 Gerber 文件。对于这个项目，我们可以使用台式 PCB 铣床进行所有打印，但您可以将文件发送给制造商。

Sigfox 和 Ubidots

为了从远程位置收集数据，我们使用了 Sigfox 网络。

要进行此设置，我们必须在此处激活我们的 Wisol 设备。然后，我们创建并登录了一个Ubidots帐户并添加了一个新设备。

 

下一步是我们按照本教程配置回调。

最后，我们在 Ubidots 上创建了一个带有仪表板的用户界面，以方便数据检查。

用户界面 - Ubidots

 

系统能源

为了使我们的系统自主，我们选择使用电池。后者可以通过太阳能充电，这要归功于 Lipo Rider Pro 板，该板将从太阳能电池板接收到的能量转换为可存储的能量。

然后，为了给我们的系统供电，我们焊接了从 Lipo Rider Pro 到我们的 PCB 的电线。我们添加了一个 ON/OFF 开关，使我们的系统更易于使用。

为了降低能耗，我们决定使用 5 - 3.3 伏转换器 (LDO)，而不是使用嵌入在控制器中的转换器。实际上，通过执行此步骤，我们能够取出微控制器底层的焊桥 SB9 和 SB14。我们还移除了 LED，如下图所示。

拆焊这些元件必须最后完成，因为之后重新编程电路板是不可能的。

 

 

 

 

1 / 2 • Nucleo-32 板顶部布局

 

系统组装

首先，我们建议您使用双层 H 底盘来固定应变片并稳定蜂巢。一些制造商可以为您建造它。否则，你可以自己做，如下图所示。

双H底盘

 

应变片（灰色）用螺丝固定在顶部 H 机箱（深棕色）的底部和底部的上侧（浅棕色）。我们建议使用坚固且防水的材料，例如铝。

一旦系统经过测试并处于正常工作状态，我们就选择了一个适合尺寸的密封盒。之后，我们精心布置了每个元素，以优化空间。我们必须在盒子的侧面钻孔，以便我们的传感器可以在蜂巢内读取。一旦每个组件都在其指定的位置，我们拧上盖子并热粘在传感器周围以使其防水。