Analýza komponentů audiosignálu snímaného v úlu pro efektivní učení umělé inteligence

Abstract

Tato bakalářská práce se zabývá problematikou analýzy zvuků včel, zejména z hlediska jejich využití v praxi a souvislostí s úmrtností včelstev. V úvodu je provedena rešerše současných přístupů k analýze audiosignálů, následně jsou popsány jednotlivé typy signálů z dodaného datasetu a jejich význam. Pro účely zpracování byly v prostředí MATLAB vypracovány hlavní skripty pro načítání zvukových dat a implementaci různých metod zvukové analýzy, jako je STFT, MEL, MFCC, cepstrum či Chroma funkce, přičemž tyto algoritmy jsou rozšířeny o analýzu hlavních komponent pro objev korelací a lasso regresi pro selekci významných akustických příznaků. Výsledky demostrují, že kombinace extrakce příznaků s PCA a lasso regresí umožňuje kvalitně identifikovat indikátory stavu včelstva. Získané výsledky nabízejí přehled efektivity vybraných postupů a naznačují možné směry jejich dalšího rozvoje a využití v oblasti monitoringu stavu včelstev.This bachelor thesis deals with the issue of bee sound analysis, especially in terms of its use in practice and its relation to colony mortality. In the introduction, a research of current approaches to analysis of audio signals is conducted and then the individual signal types from the supplied dataset and their relevance are described. For processing purposes, master scripts for retrieving audio data and implementing various audio analysis methods such as STFT, MEL, MFCC, cepstrum and Chroma functions have been developed in the MATLAB environment, and these algorithms are extended with principal component analysis for discovering correlations and lasso regression for selecting significant acoustic features. The results demostrate that the combination of symptom extraction with PCA and lasso regression allows for a high quality identification of hive condition indicators. The obtained results offer an overview of the effectiveness of the selected procedures and suggest possible directions for their further development and application in the field of bee colony health monitoring.