查看PDF摘要：蜜蜂（Apis mellifera）作为农作物和野生植物的主要授粉者，在农业和生态系统稳定中发挥着至关重要的作用。因此，利用物联网（IoT）传感器远程监测蜂箱强度已成为一项关键任务。此前，从音频物联网设备的调制谱中提取的手工特征已被证明能改善对蜂群强度的声学监测。在本文中，我们假设调制谱的时间动态中存在重要的判别信息，但这种信息在之前的方法中被丢弃。因此，我们探索了一种新的调制张量图，其中保留了时间维度。这种新的表示法被用作卷积神经网络（CNN）和卷积递归深度神经网络（CRDNN）的输入。使用公共的Urban数据集，该数据集包含超过3000小时的蜂箱音频记录，我们表明该方法在准确性和跨蜂箱的可推广性上优于以前的基准方法，结果进一步表明在嘈杂的记录条件下具有更好的鲁棒性。我们使用显著性图和梯度加权类激活图来进行可解释性分析，并展示调制谱的时间动态在当前任务中的重要性。总体而言，我们的结果表明，准确、可推广且鲁棒的蜜蜂蜂群强度声学监测是可能的。主题：音频与语音处理（eess.AS） 引用为：arXiv:2607.20386 [eess.AS]（或arXiv:2607.20386v1 [eess.AS]用于该版本） https://doi.org/10.48550/arXiv.2607.20386 arXiv发布的DOI通过DataCite（待注册） 提交历史：来自：Mahsa Abdollahi [查看邮件] [v1] 2026年7月22日星期三17:13:30 UTC（4,623 KB）