BeeMonitor：基于边缘 AI 的智能养蜂监测系统

项目背景与痛点

养蜂业面临蜂群健康监测难、分蜂（swarming）预警滞后、人工巡检成本高等挑战。分蜂是蜂群自然繁衍行为，老蜂王率领大量工蜂离巢，若未及时捕捉将造成蜜源损失与蜂群衰弱。传统人工听诊法依赖经验，主观性强且无法全天候覆盖。本项目利用 Arduino Nano 33 BLE Sense 内置麦克风与 IMU，结合 TinyML 边缘推理，实现蜂群嗡嗡声谱分析、分蜂事件识别、温湿度环境监测，通过蓝牙低功耗（BLE）同步至 Android App，助力养蜂人科学决策。

系统架构

边缘节点（蜂箱端）

• MCU：Arduino Nano 33 BLE Sense (nRF52840, 64MHz, 1MB Flash, 256KB RAM)
• 传感器融合：板载 PDM 麦克风（采样率 16kHz）、HTS221 温湿度传感器（±0.5℃/±3.5%RH）、LSM9DS1 9轴 IMU（预留振动分析）。
• 推理引擎：Edge Impulse 导出的 C++ 库（EON Compiler 优化），模型体积 < 20KB，推理延迟 < 50ms。
• 供电：3.7V 锂电池 + 太阳能充电板，深度睡眠电流 < 10μA，单次充电续航 > 30 天。

移动端

• Android App (Kotlin)：BLE GATT 客户端，自动扫描/连接/重连，实时图表（MPAndroidChart）、事件推送通知、历史数据本地存储（Room DB）、导出 CSV。
• 云端同步（可选）：MQTT 网关桥接至云数据库，多蜂箱集中管理、长期趋势分析、协同预警。

机器学习模型训练流程

数据采集

• 在多个蜂箱部署原型机，录制含蜂王/无蜂王/分蜂前后的嗡嗡声片段，每类 ≥ 200 样本，时长 2s，16kHz/16bit mono。
• 同步记录温湿度、时间、天气、蜂箱编号等元数据，构建结构化数据集。

特征工程

• 频谱图：STFT 窗长 256、步长 128，生成 32×32 梅尔频谱图，归一化至 [-1,1]。
• 统计特征：基频、谐波能量比、频谱质心、频谱带宽、零交叉率等 12 维向量，作为辅助输入。

模型架构

// Edge Impulse 生成的模型结构摘要
Input: (1, 32, 32)  // Mel-spectrogram
Conv2D(16, 3x3, relu) -> MaxPool(2x2)
Conv2D(32, 3x3, relu) -> MaxPool(2x2)
Conv2D(64, 3x3, relu) -> GlobalAvgPool
Dense(32, relu) -> Dropout(0.3)
Dense(3, softmax)   // 输出: 0=有蜂王, 1=无蜂王, 2=分蜂
Params: ~18K  MACs: ~1.2M

训练与验证

• 优化器：Adam, lr=0.001, batch=32, epoch=50, early stopping(patience=5)。
• 数据增强：时域随机平移、频域 SpecAugment (mask freq/time)、加性高斯噪声 (SNR 20dB)。
• 交叉验证准确率：96.2%（有蜂王）、94.8%（无蜂王）、92.1%（分蜂），混淆矩阵显示分蜂与无蜂王易混淆，需增补分蜂早期样本。

部署与推理

Edge Impulse 一键导出 Arduino Library (ei-smartbees-arduino-1.0.6.zip)，集成至主程序：

// 主循环推理片段
void loop() {
  if (central.connected()) {
    delay(2000);  // 间隔采样
    bool ok = microphone_inference_record();  // PDM 采集 2048 样本
    float temp = HTS.readTemperature();
    float humi = HTS.readHumidity();

    signal_t sig = {EI_CLASSIFIER_RAW_SAMPLE_COUNT, microphone_audio_signal_get_data};
    ei_impulse_result_t result;
    run_classifier(&sig, &result, false);

    // 后处理：取最大概率类别
    int idx = argmax(result.classification, 3);
    const char* evt = (idx==0)?"MATICA":(idx==1)?"NIMATICE":"ROJENJE";

    // 打包 JSON 通过 BLE 发送
    StaticJsonDocument<600> doc;
    doc["temperature"] = round(temp*10)/10.0;
    doc["humidity"] = round(humi*10)/10.0;
    doc["event"] = evt;
    String json; serializeJson(doc, json);
    serviceOutput.writeValue(json);
  }
}

Android App 核心功能

• 设备发现与配对：扫描 "BeeHive" 前缀设备，一键绑定，存储 MAC 地址自动重连。
• 实时仪表盘：温度/湿度仪表盘、事件状态卡片（正常/无蜂王/分蜂预警）、信号强度 RSSI。
• 事件时间轴：按时间倒序列出所有事件，支持筛选、导出、分享。
• 参数配置：采样间隔（默认 30min，分蜂高发期 10-13 点可加密至 5min）、阈值灵敏度、推送通知渠道。
• OTA 固件升级：基于 Nordic DFU，App 端一键推送新版模型/固件。

现场部署实践

1. 安装位置：模块固定于蜂箱内盖板下方中央，麦克风朝下距巢脾 2-3cm，避免蜂胶封堵。
2. 天线优化：板载 PCB 天线受金属蜂箱屏蔽，建议外接 2.4GHz 柔性天线引出箱外。
3. 供电方案：18650 电池 + TP4056 充电板 + 5V 太阳能板，MPPT 充电效率 >90%。
4. 定标校准：新蜂箱部署首周采集人工标注数据，微调模型阈值（迁移学习微调最后一层 Dense）。

性能指标与局限

未来演进路线

• 多模态融合：引入 IMU 振动谱、CO2 浓度、重量传感器，构建多特征决策树/Transformer。
• 联邦学习：多蜂箱本地训练，仅上传模型梯度聚合全局模型，保护数据隐私。
• LoRaWAN 组网：打破 BLE 距离限制，实现公里级覆盖，接入农业物联网平台。
• 蜂王健康评分：基于产卵声纹、工蜂喂养行为声学特征，量化蜂王品质。
• 开放数据集：发布标注好的蜂群声学数据集，推动领域基准建设。