زهرا عبداله زارغ - دانشجوی دکتری گروه مکانیک بیوسیستم و مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران
نواب کاظمی - استادیار گروه مکانیک بیوسیستم مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران
سامان آبدانان مهدی زاده - استادیار گروه مکانیک بیوسیستم مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران

نظارت فعالانه کندو با استفاده از یک شبکه حسگر که قادر به ثبت و ضبط تمامی شرایط کندو جهت شناخت شرایط زندگی زنبورهای درون کندو باشد، کمک شایانی به اتخاذ تصمیم توسط زنبوردار در شرایط حمله دشمنان خارجی و جلوگیری از فروپاشی جمعیت زنبورعسل می­نماید. بدین منظور در پژوهش حاضر سامانه­ای خبره جهت تشخیص حمله پرنده زنبورخوار شامل حسگرهای دما، صوت، رطوبت و اتانول توسعه یافت. پس از جمع­آوری داده­ها تحت دو شرایط نرمال و حمله پرنده زنبورخوار (سبزقبا) و استخراج ویژگی در دو حوزه زمان و فرکانس، انتخاب ویژگی با استفاده از الگوریتم ژنتیک و سپس طبقه­بندی ویژگی­ها با استفاده از K نزدیکترین همسایه[۱] صورت پذیرفت. بر اساس نتایج بدست آمده از بین ۱۹ ویژگی انتخاب شده، پنج ویژگی شامل آنتروپی طیفی، انرژی صوت، شدت بیشینه صوت، کمینه الکل و فرکانس غالب به ترتیب با ۸۹۶۷، ۶۰۱۸، ۱۳۲۱، ۱۲۸۷ و ۸۰۹ وقوع به عنوان تاثیرگذارترین ویژگی­ها وارد طبقه­بند شدند. طبقه­بند KNN برای معیارهای صحت، دقت، حساسیت، نمره F، خصوصیت و میانگین هندسی بیشینه (۱۰۰%) و نرخ مثبت کاذب (FPR) کمینه (صفر) شد که نشان دهنده­ی عملکرد خوب سامانه خبره تشخیص حمله پرنده به کندو است. [۱]. K-Nearest Neighborhood

کندوی هوشمند, پرنده زنبورخوار (سبزقبا), الگوریتم ژنتیک, طبقه بند K نزدیکترین همسایگی