Arı kovanlarının durum ve performanslarının ileri beslemeli sinir ağı ile tespit edilmesi

Abstract

Bu çalışmada, arı kovanlarının durum ve performansları, ileri beslemeli sinir ağı kullanılarak tespit edilmektedir. Kovan durumunu ve performansını tespit etmek için kovan içi arı sesleri, kovan içi sıcaklık, ortam sıcaklığı, kovan içi nem, ortam nemi ve kovan ağırlığı verileri kullanılmaktadır. Arı seslerinin bilgisayar ortamına aktarılması için hassas bir mikrofon ve bu mikrofona uygun bir ses kartı tercih edilmiştir. Bilgisayara aktarılan arı seslerinin analizlerinin yapılabilmesi için arı seslerinin hızlı Fourier dönüşümü alınmaktadır. Sıcaklık ölçümü için termokupl, nem ölçümü nem algılayıcısı ve ağırlık ölçümü için de yük hücresi kullanılmaktadır. Algılayıcı ve dönüştürücülerden ölçülen veriler, bir veri alış veriş kartı yardımıyla bilgisayar ortamına aktarılmaktadır. İleri beslemeli sinir ağları Matlab sinir ağı araç kutusu kullanılarak gerçekleştirilmektedir. Kovan durumunu tespit etmek için kovan içi arı seslerinin hızlı Fourier dönüşümü ileri beslemeli sinir ağının giriş parametresi olarak kullanılmaktadır. İleri beslemeli sinir ağı sekiz farklı sonuç ile kovan durumunu başarıyla tespit etmektedir. Kovan performansının tespit edilmesinde kullanılan ileri beslemeli sinir ağının giriş parametresi olarak kovan içi sıcaklık, ortam sıcaklığı, kovan içi nem, ortamın nemi ve kovan ağırlığı parametreleri kullanılmaktadır. İleri beslemeli sinir ağı beş farklı sonuç ile arı kovanının performansını başarıyla belirlemektedir.Bu çalışmada ileri beslemeli sinir ağlarının çıkış bilgisi ile arıcılar, arı kovanlarını açmadan, kovanlarının durum ve performanslarını öğrenebilirler. Bu sayede arıcılar kovanlarına erken müdahale edebilirler. Bu çalışma özellikle gezgin arıcılık yapan arıcılara bulundukları bölgenin iklim şartlarının, arılar için uygun olup olmadığının belirlenmesinde de rahatlıkla kullanılabilir.

In this study, it is aimed to determine the conditions and performances of beehives via using feed forward neural network. Interior sounds of beehive, inside temperature of beehive, environment temperature, inside humidity of beehive, environment humidity and beehive weight datum are used in order to determine beehive conditions and performances. Sensitive microphone and sound card which is compatible to the microphone is chosen in order to transfer bee sounds to computer. Fast Fourier transform is performed to bee sounds in order to analyze bee sounds which are transferred computer. Thermocouples for temperature measuring, humidity sensors for humidity measuring and loadcell for weight measuring are used. Parameters obtained from sensors and transducers are transferred to the computer environment via using data acquisition card. Feed forward neural networks are performed by using Matlab Neural Network Toolbox. Fourier transforms of interior sounds of beehive are used for feed forward neural network?s input parameters to determine beehive conditions. Feed forward neural network successfully determines beehive condition for eight different results. Inside of beehive temperature, environment temperature, inside of humidity, environment humidity and beehive weight which are input parameters of feed forward neural network are used to determine beehive performance. Feed forward neural network successfully determines beehive performance for five different results.Outcomes of the study, beekeepers that have output of feed forward neural network are able to determine beehives conditions and performances without opening beehives. Thus, beekeepers could interfere with the beehives. The study could provide especially mobile beekeepers to determine whether climate conditions where beehives located are appropriate for bees.