Clasificación Multiclase de Estados en Colmenas Mediante Bioacústica y Refinamiento de Etiquetas Centrado en Datos
Barra lateral de artigos
Conteúdo do artigo principal
Resumo
Este estudio aborda el desafío del ruido en las etiquetas de conjuntos de datos bioacústicos para la apicultura de precisión. A diferencia de los enfoques binarios tradicionales, se propone un marco de clasificación multiclase para identificar estados complejos de la colmena (reina aceptada, rechazada, presente o ausente). La metodología integra la extracción de características mediante Coeficientes Cepstrales en las Frecuencias de Mel (MFCC) con un pipeline de Confident Learning (Cleanlab) para identificar y refinar etiquetas erróneas en el dataset público Smart Bee Colony Monitor. Los resultados demuestran que el saneamiento de datos mejora la precisión del modelo CatBoost del 82% al 84%, validando la utilidad de los enfoques centrados en los datos (Data-Centric AI) para mitigar la subjetividad humana en el etiquetado biológico, incluso en ausencia de validación de campo inmediata.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalhes do artigo
Seção
Referências
R. A. Martínez Sarmiento, N. C. Ortega Flórez, W. D. Maldonado Quintero, y R. E. V. R. y Otros, Manual técnico de apicultura : abeja (Apis mellifera). Corporación colombiana de investigación agropecuaria - AGROSAVIA, 2012. doi: 10.21930/agrosavia.manual.2012.1.
C. Uthoff, M. N. Homsi, y M. von Bergen, «Acoustic and vibration monitoring of honeybee colonies for beekeeping-relevant aspects of presence of queen bee and swarming», Comput. Electron. Agric., vol. 205, p. 107589, feb. 2023, doi: 10.1016/j.compag.2022.107589.
M. Abdollahi, P. Giovenazzo, y T. H. Falk, «Automated Beehive Acoustics Monitoring: A Comprehensive Review of the Literature and Recommendations for Future Work», Appl. Sci., vol. 12, n.o 8, Art. n.o 8, ene. 2022, doi: 10.3390/app12083920.
C. G. Northcutt, L. Jiang, y I. L. Chuang, «Confident Learning: Estimating Uncertainty in Dataset Labels», 21 de agosto de 2022, arXiv: arXiv:1911.00068. [En línea]. Disponible en: http://arxiv.org/abs/1911.00068
M. Ali, PyCaret: An open source, low-code machine learning library in Python. 2020. [En línea]. Disponible en: https://www.pycaret.org
D. Howard, O. Duran, G. Hunter, y K. Stebel, «Signal processing the acoustics of honeybees (APIS MELLIFERA) to identify the “queenless” state in Hives», Proc. Inst. Acoust., vol. 35, pp. 290-297, ene. 2013.
S. Hershey et al., «CNN Architectures for Large-Scale Audio Classification», 10 de enero de 2017, arXiv: arXiv:1609.09430. doi: 10.48550/arXiv.1609.09430.
S. Ruvinga, G. Hunter, O. Duran, y J.-C. Nebel, «Identifying Queenlessness in Honeybee Hives from Audio Signals Using Machine Learning», Electronics, vol. 12, n.o 7, Art. n.o 7, ene. 2023, doi: 10.3390/electronics12071627.
A. Robles-Guerrero, T. Saucedo-Anaya, E. González-Ramérez, y C. E. Galván-Tejada, «Frequency Analysis of Honey Bee Buzz for Automatic Recognition of Health Status: A Preliminary Study», Res. Comput. Sci., vol. 142, n.o 1, pp. 89-98, dic. 2017, doi: 10.13053/rcs-142-1-9.
«Smart Bee Colony Monitor: Clips of Beehive Sounds». Accedido: 7 de agosto de 2023. [En línea]. Disponible en: https://www.kaggle.com/datasets/annajyang/beehive-sounds/data
A. Robles-Guerrero, T. Saucedo-Anaya, E. Gonzalez, y J. I. de la Rosa, «Queenless honeybee acoustic patterns», vol. 1, ago. 2022, doi: 10.17632/t9prmbmdfn.1.
I. Nolasco, A. Terenzi, S. Cecchi, S. Orcioni, H. L. Bear, y E. Benetos, «Audio-based identification of beehive states», 15 de febrero de 2019, arXiv: arXiv:1811.06330. doi: 10.48550/arXiv.1811.06330.
L. Barbisan y F. Riente, «Machine Learning Framework for the Acoustic Detection of the Queen Bee Presence», en Proceedings of the 10th Convention of the European Acoustics Association Forum Acusticum 2023, Turin, Italy: European Acoustics Association, ene. 2024, pp. 4347-4350. doi: 10.61782/fa.2023.1309.
T. Cejrowski, J. Szymanski, H. Mora, y D. Gil, «Detection of the Bee Queen Presence Using Sound Analysis», 2018, pp. 297-306. doi: 10.1007/978-3-319-75420-8_28.