KaydedilenlerDerginizi ekleyin

Dergiler / Black Sea Journal of Engineering and Science / 2026 / Cilt: 9 Sayı: 2

Arı Kovanında Kraliçe Arının Yokluğunun Tespit Edilmesinde Makine Öğrenmesi Yöntemlerinin Araştırılması

Investigation of Machine Learning Methods in Detecting the Absence of Queen Bees in Beehives

Yalçın İşler(ALANYA ALAADDIN KEYKUBAT UNIVERSITY)0000-0002-2150-4756
Mustafa Yeniad(ANKARA YILDIRIM BEYAZIT UNIVERSITY)0000-0002-9422-4974
Yakup Kutlu(ISKENDERUN TECHNICAL UNIVERSITY)0000-0002-9853-2878
Sayfa
788–796
Yayın Tarihi
2026-03-15
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuç olarak, literatürdeki benzer çalışmalarla yakın başarıya Raspberry PI ve ESP32 gibi elektronik kartlara yerleştirilebilecek basitlikteki algoritmalarla ulaşılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bal arısı kolonisinde kovan düzenini sağlamak kraliçe arının sorumluluğundadır.
📊
Temel Bulgular & Veri:Son yıllarda farklı alanlarda yürütülen yapay zeka çalışmalarındaki umut vadedici sonuçlar elde edilmektedir.
💡
Sonuç & Katkı:Sonuç olarak, literatürdeki benzer çalışmalarla yakın başarıya Raspberry PI ve ESP32 gibi elektronik kartlara yerleştirilebilecek basitlikteki algoritmalarla ulaşılmıştır.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Ses analizi · Kraliçe arı · Mel frekansı

Özet

Bal arısı kolonisinde kovan düzenini sağlamak kraliçe arının sorumluluğundadır. Kraliçe arının kovanda bulunmaması veya görevini yerine getiremez hale gelmesi durumunda, kovan düzeni ve bal üretimi sekteye uğrar. Bu nedenle, kovanda kraliçe arının varlığının sürekli olarak denetlenmesi gerekir. Son yıllarda farklı alanlarda yürütülen yapay zeka çalışmalarındaki umut vadedici sonuçlar elde edilmektedir. Bununla birlikte kraliçe arının varlığının veya yokluğunun tespit edilmesi için literatürde az sayıda yapay zeka çalışması yapıldığı görülmektedir. Bu çalışmada, arıların çıkardığı seslerin farklı makine öğrenmesi algoritmaları incelenmesi ve böylece kraliçe arının kovanda bulunup bulunmadığının tespit edilmesi amaçlanmaktadır. Kovanlardan kaydedilen seslerden Hızlı Fourier Dönüşümü ve Mel Frekansı Kepstral Katsayıları yöntemleri ile öznitelikler çıkarılmıştır. Daha sonra bu sinyal işleme yöntemleri ayrı ayrı ve birlikte olmak üzere, istatistiksel anlamlılıkları, temel bileşen analizi ile %95 ve %99 varyansın açıklandığı durumlar için 18 farklı öznitelik kombinasyonu oluşturulmuştur. Bu öznitelik kombinasyonları literatürde sık kullanılan 8 farklı sınıflandırıcı algoritmasının (Karar Ağacı, Doğrusal Ayraç Analizi, Lojistik Regresyon, Naive Bayes, Destek Vektör Makineleri, K Yakın Komşu, Topluluk Öğrenmesi ve Çok Katmanlı Algılayıcı) girişine uygulanmıştır. En yüksek sınıflandırıcı başarımına Mel Frekansı Kepstral Katsayıları'ndan %99 varyansın açıklandığı temel bileşen analizi öznitelikleri ile Karar Ağacı algoritmasında %92,59 doğruluk ile elde edilmiştir. Sonuç olarak, literatürdeki benzer çalışmalarla yakın başarıya Raspberry PI ve ESP32 gibi elektronik kartlara yerleştirilebilecek basitlikteki algoritmalarla ulaşılmıştır.

Abstract

The queen bee is vital for maintaining order and honey production in a honeybee colony. The hive's organization and honey production suffer if the queen bee is absent or becomes unable to perform her duties. Therefore, it is important to monitor the queen bee's presence in the hive. Recent studies have shown promising results in using artificial intelligence in various fields. However, there appear to be few artificial intelligence studies in the literature on detecting the presence or absence of a queen bee. This thesis examines bee sounds using machine learning algorithms to determine whether a queen bee is present. Features were extracted from hive sound recordings using Fast Fourier Transform and Mel-Frequency Cepstral Coefficients methods. Subsequently, 18 different attribute combinations were created for these methods, considering their statistical significance and cases where 95% and 99% of the variance were explained by principal component analysis. These attributes were used as input to eight different classifier algorithms, which have been commonly used in literature. The highest classifier performance was achieved with Mel-Frequency Cepstral Coefficients with Principal Component Analysis by explaining 99% of the variance, and the Decision Tree algorithm, achieving 92.59% accuracy. In conclusion, similar success to that seen in the literature has been achieved with algorithms simple enough to be integrated into electronic boards such as Raspberry PI and ESP32.

🔖

Bu Makaleye Atıf Yap

İşler, Y., Yeniad, M., Kutlu, Y. (2026). Arı Kovanında Kraliçe Arının Yokluğunun Tespit Edilmesinde Makine Öğrenmesi Yöntemlerinin Araştırılması. Black Sea Journal of Engineering and Science, Cilt: 9 Sayı: 2, 788–796. https://doi.org/10.34248/bsengineering.1852571

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (46)

  1. Abdollahi, M., Giovenazzo, P., & Falk, T. H. (2022). Automated beehive acoustics monitoring: A comprehensive review of the literature and recommendations for future work. Applied Sciences, 12(8), 3920. https://doi.org/10.3390/app12083920
  2. Akyol, E. (2007). Bal arılarında yumurtanın yapısı ve embriyo gelişimi. Uludağ Arıcılık Dergisi, 7(4), 135–144.
  3. Bayır, R., & Albayrak, A. (2013). Uzman sistem denetimli arı kovanı tasarımı ve gerçekleştirilmesi. Uludağ Arıcılık Dergisi, 12(4), 122–135.
  4. Bogdanov, S., Jurendic, T., Sieber, R., & Gallmann, P. (2008). Honey for nutrition and health: A review. Journal of the American College of Nutrition, 27(6), 677–689. https://doi.org/10.1080/07315724.2008.10719745
  5. Busic, A., Mardetko, N., Kundas, S., Morzak, G., Belskaya, H., Ivancic Santek, M., Komes, D., Novak, S., & Santek, B. (2018). Bioethanol production from renewable raw materials and its separation and purification: A review. Food Technology and Biotechnology, 56(3), 289–311. https://doi.org/10.17113/ftb.56.03.18.5546
  6. Cecchi, S., Spinsatte, S., Terenzi, A., & Orcioni, S. (2020). A smart sensor-based measurement system for advanced bee hive monitoring. Sensors, 20(9), 2726. https://doi.org/10.3390/sensors20092726
  7. Cecchi, S., Terenzi, A., Orcioni, S., Riolo, P., & Isidoro, N. (2018). A preliminary study of sounds emitted by honey bees in a beehive. Audio Engineering Convention, 144.
  8. Cejrowski, T., Szymanski, J., Mora, H., & Gil, D. (2018). Detection of the bee queen presence using sound analysis. Proceedings of the Asian Conference on Intelligent Information and Database Systems, 297–306.
  9. Cooley, J. W., & Tukey, J. W. (1965). An algorithm for the machine computation of complex Fourier series. Mathematical Computations, 19, 297–301. https://doi.org/10.2307/2003354
  10. Cucu, A. A., Baci, G. M., Moise, A. R., Dezsi, Ș., Marc, B. D., Stangaciu, Ş., & Dezmirean, D. S. (2021). Towards a better understanding of nutritional and therapeutic effects of honey and their applications in apitherapy. Applied Sciences, 11(9), 4190. https://doi.org/10.3390/app11094190
  11. Degirmenci, M., Yuce, Y. K., Perc, M., & Isler, Y. (2023). Statistically significant features improve binary and multiple Motor Imagery task predictions from EEGs. Frontiers in Human Neuroscience, 17, 1223307. https://doi.org/10.3389/fnhum.2023.1223307
  12. Duda, R. O., Hart, P. E., & Stork, D. G. (2000). Pattern Classification (2nd ed.). A Wiley-Interscience Publication.
  13. Erkovan, N. Y., & Özgenel, L. (2022). Toroslarda arı evleri: Kırsal bir yapı kültürü. Milli Folklor, 17(133), 188–206.
  14. Eteraf-Oskouei, T., & Najafi, M. (2013). Traditional and modern uses of natural honey in human diseases: A review. Iranian Journal of Basic Medical Sciences, 16(6), 731–742. https://doi.org/10.22038/ijbms.2013.988
  15. Ferrari, S., Silva, M., Guarino, M., & Berckmans, D. (2008). Monitoring of swarming sounds in beehives for early detection of the swarming period. Computers and Electronics in Agriculture, 64, 72–77. https://doi.org/10.1016/j.compag.2008.05.010
  16. Gündoğdu, E., Çakmakçı, S., & Şat, İ. G. (2019). An overview of honey: Its composition, nutritional and functional properties. Journal of Food Science and Engineering, 9(1), 10–14. https://doi.org/10.17265/2159-5828/2019.01.003
  17. Howard, D., Duran, O., Hunter, G., & Stebel, K. (2013). Signal processing the acoustics of honeybees (Apis mellifera) to identify the “queenless” state in hives. Institute of Acoustics Proceedings, 35, 290–297. https://doi.org/10.25144/16341
  18. Isler, Y. (2016). Discrimination of systolic and diastolic dysfunctions using multi-layer perceptron in heart rate variability analysis. Computers in Biology and Medicine, 76, 113–119. https://doi.org/10.1016/j.compbiomed.2016.06.029
  19. İçel, B., Yalçınkaya, M., & Şimşek, Y. (2018). Isıl işlem görmüş ahşap malzemenin arı kovanı üretiminde kullanılabilirliğinin araştırılması. Turkish Journal of Forestry, 19(4), 428–434. https://doi.org/10.18182/tjf.448265
  20. İşler, Y. (2009). A detailed analysis of the effects of various combinations of heart rate variability indices in congestive heart failure [Doktora tezi]. Dokuz Eylül Üniversitesi.
  21. İşler, Y. (2025). Arı kovanında kraliçe arının yokluğunun tespit edilmesinde makine öğrenmesi yöntemlerinin araştırılması [Yüksek Lisans tezi]. İskenderun Teknik Üniversitesi.
  22. Kreyzig, E. (1993). Advanced Engineering Mathematics (7th ed.). Wiley.
  23. Lynn, K. S., & Chiang, H. D. (2001). A two-stage solution algorithm for paroxysmal atrial fibrillation prediction. Computers in Cardiology, 28, 405–407. https://doi.org/10.1109/CIC.2001.977678
  24. Miller, D. D. (2023). Chapter 7- The calculated uncertainty of scientific discovery: From maths to deep maths. Handbook of Statistics, 49, 203–226.
  25. Mutlu, C., Erbaş, M., & Tontul, S. A. (2017). Bal ve diğer arı ürünlerinin bazı özellikleri ve insan sağlığı üzerine etkileri. Akademik Gıda, 15(1), 75–83. https://doi.org/10.24323/akademik-gida.306074
  26. Narin, A., Isler, Y., & Ozer, M. (2014). Investigating the performance improvement of HRV indices in CHF using feature selection methods based on backward elimination and statistical significance. Computers in Biology and Medicine, 45, 72–79. https://doi.org/10.1016/j.compbiomed.2013.11.016
  27. Nguyen Ba, N., Pham, P. T. K., Tran, H. T., Le, T. A., Doan, T. V., & Phan, T. T. H. (2024). Monitoring the absence of queen bee in the hive using deep learning and Hilbert Huang transform. ASEAN Engineering Journal, 14(1), 113–120. https://doi.org/10.11113/aej.v14.20163
  28. Nolasco, I., Terenzi, A., Cecchi, S., Orcioni, S., Bear, H. L., & Benetos, E. (2019). Audio-based identification of beehive states. 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP’2019), 8256–8260. https://doi.org/10.1109/ICASSP.2019.8682981
  29. Otesbelgue, A., de Lima Rodrigues, I., dos Santos, C. F., Goncalves Gomes, D., & Blochtein, B. (2025). The missing queen: A non-invasive method to identify queenless stingless bee hives. Apidologie, 56, 28. https://doi.org/10.1007/s13592-025-01148-1
  30. Öztürk, A. İ. (2014). Ana arıda kalite kavramı ve ana arı kalitesini etkileyen faktörler. Anadolu: Ege Tarımsal Araştırma Enstitüsü Dergisi, 24(1), 59–65.
  31. Peng, R., Ardekani, I., & Sharifzadeh, H. (2020). An acoustic signal processing system for identification of queenless beehives. Proceedings of the 2020 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC), 57–63.
  32. Robles-Guerrero, A., Saucedo-Anaya, T., Gonzalez-Ramirez, E., & de la Rosa-Vargas, J. I. (2019). Analysis of a multiclass classification problem by lasso logistic regression and singular value decomposition to identify sound patterns in queenless bee colonies. Computers and Electronics in Agriculture, 159, 69–74. https://doi.org/10.1016/j.compag.2019.02.024
  33. Ruvinga, S., Hunter, G. J. A., Duran, O., & Nebel, J. C. (2021). Use of LSTM networks to identify queenlessness in honeybee hives from audio signals. 17th International Conference on Intelligent Environments (IE), 1–4. https://doi.org/10.1109/IE51775.2021.9486575
  34. Ruvinga, S., Hunter, G. J. A., Duran, O., & Nebel, J. C. (2023). Identifying queenlessness in honeybee hives from audio signals using machine learning. Electronics, 12(7), 1627. https://doi.org/10.3390/electronics12071627
  35. Sarı, C. (2021). Bazı arıcılık terimlerinin kültürel kökenleri. Karadeniz Araştırmaları, 18(70), 393–399.
  36. Selek, M. B., Yesilkaya, B., Egeli, S. S., & Isler, Y. (2021). The effect of principal component analysis in the diagnosis of congestive heart failure via heart rate variability analysis. Proceedings of the IMechE Part H: Journal of Engineering in Medicine, 235(12), 1479–1488. https://doi.org/10.1177/09544119211036806
  37. Sıralı, R., & Cinbirtoğlu, Ş. (2022). Türkiye’de bal arısı ırk ve ekotiplerinin sürdürülebilirliğinde karşılaşılan risk faktörleri. Uluslararası Anadolu Ziraat Mühendisliği Bilimleri Dergisi, 4(4), 106–114.
  38. Şükrü Bengü, A. (2021). Balın kimyası, özellikleri ve sağlığımız. Bingöl Üniversitesi Sağlık Dergisi, 2(2), 93–98.
  39. Terenzi, A., Cecchi, S., Orcioni, S., & Piazza, F. (2019). Features extraction applied to the analysis of the sounds emitted by honey bees in a beehive. Proceedings of the 2019 11th International Symposium on Image and Signal Processing and Analysis (ISPA), 3–8. https://doi.org/10.1109/ISPA.2019.8868934
  40. Terenzi, A., Cecchi, S., & Spinsatte, S. (2020). On the importance of the sound emitted by honey bee hives. Veterinary Sciences, 7(4), 168. https://doi.org/10.3390/vetsci7040168
  41. Terven, J., Cordova-Esparza, D. M., Romero-Gonzalez, J. A., Ramirez-Pedraza, A., & Chavez-Urbiola, E. A. (2025). A comprehensive survey of loss functions and metrics in deep learning. Artificial Intelligence Review, 58, 195. https://doi.org/10.1007/s10462-025-11198-7
  42. Topal, E., Sarıoğlu Bozkurt, A., Oskay, D., Balkanska, R., Güneş, N., & Tunca, R. I. (2021). Arıcılıkta bazı biyoteknolojik gelişmelere bakış. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 11(4), 3308–3323. https://doi.org/10.21597/jist.888950
  43. Wenner, A. M. (1964). Sound communication in honeybees. Scientific American, 210(4), 116–124. https://doi.org/10.1038/scientificamerican0464-116
  44. Yesilkaya, B., Sayilgan, E., Yuce, Y. K., Perc, M., & Isler, Y. (2023). Principal component analysis and manifold learning techniques for the design of brain-computer interfaces based on steady-state visually evoked potentials. Journal of Computational Science, 68, 102000. https://doi.org/10.1016/j.jocs.2023.102000
  45. Yılmaz, Y. Y. (2023). Arı sütünün temel özellikleri. Arı ve Arıcılık Teknolojileri Dergisi, 2(1), 30–38.
  46. Zgank, A. (2018). Acoustic monitoring and classification of bee swarm activity using MFCC feature extraction and HMM acoustic modelling. Proceedings of the ELEKTRO 2018. https://doi.org/10.1109/ELEKTRO.2018.8398253