蜂群行為監測方法及應用研究綜述

劉升平 呂純陽 郭秀明 劉大眾 肖順夫 楊菲菲 劉 航

(中國農業科學院 農業信息研究所，北京 100081)

蜜蜂是一種重要的經濟昆蟲，不僅為人類提供蜂蜜、蜂蠟、蜂膠、蜂王漿和花粉等富有營養價值的蜂產品，而且全球有三分之一以上的作物生產依賴蜜蜂傳粉，蜜蜂在采集花粉花蜜的過程中對維持地球的生態平衡有至關重要的作用[1]。由于蜜蜂在長期進化過程中，形成了一系列精細的社會性勞動分工，涉及廣泛而復雜的行為表現和調控機制[1]，以應對復雜多變的生活環境，因此研究蜂群行為對于開展養蜂管理具有重要意義。同時，蜜蜂行為學與飼養管理技術研究也是發展現代養蜂業的重要內容和養蜂學發展的理論基礎。

蜜蜂養殖環節是整個養蜂業的關鍵環節，為了保障蜂群長期處于健康、穩定的狀態，在傳統養殖方式中需要通過人工觀測的手段去了解蜂群當前活動狀態，對于維護蜂群的整體健康穩定性具有重要作用。傳統蜂群檢測方法中，通過手動打開蜂箱、檢查巢脾等方式，蜂農對工蜂及雄峰數量、蜂群繁殖狀況、蜂王生存狀態、蜂群健康情況等進行了解，并同時對蜂箱周邊環境進行觀測[2,17]。隨著人工智能、物聯網等現代信息技術的發展，研究人員逐漸采用智能設備開展蜂群行為信息獲取和蜂群狀態分析。通過蜂群行為自動化監測,一方面降低了傳統養蜂方法的工作強度，提高了蜂農工作效率；另一方面通過降低開箱觀測的頻率，降低對蜂群的人工干擾，提升蜂群作業效率。

蜜蜂活動分布可分為蜂箱內部和蜂箱外部2種情況，在蜂箱內部的蜂群行為監測為巢內監測，在蜂箱外部的蜂群行為監測為巢外監測。蜂群行為監測信息主要包括環境、生理和生態三大類特征指標，其中巢內監測的主要特征指標蜂群聲音、圖像、溫濕度、重量等信息，巢外監測的主要特征指標為蜂群在蜂箱巢門口的數量監測、進出監測等信息。通過對蜂群的聲音、圖像、溫濕度、重量、進出等指標進行監測，能夠獲取到蜂群的分蜂行為、蜂群規模狀態變化、蜂王活動情況等信息，找到蜂群活動規律，從而實現對蜂群狀態及時、準確的掌控，輔助蜂農高效管理蜂群。

為了解蜂群行為監測方法及應用國內外研究現狀，本文以“蜜蜂監測”、“自動化”、“行為”作為關鍵詞開展2005—2019年文獻檢索，從蜂巢圖像、溫濕度、聲音和蜂巢重量等巢內監測信息和蜂巢口蜜蜂數量、蜂群的進出量情況及外部環境要素等巢外監測信息為研究點，總結蜂群行為監測方法的研究現狀和發展趨勢，旨在為蜂業信息技術應用提供指導。

1 巢內監測研究

蜂群巢內的監測研究最早可以追溯至1994年，比利時Struye通過在蜂箱內部安裝傳感設備采集多種信息，采用信息處理技術對數據分析和智能決策后反饋到控制端進行調整或提示蜂農人工處理，實現巢內蜂群穩定性、健康性的有效控制[3]。如：根據箱內蜂群聲音信息變化判定蜂群狀態和行為、通過巢內溫濕度指標變化反應蜂群及其生活環境的穩定情況、巢內圖像幫助蜂農非開箱下觀察蜂群繁育與患病狀況等，也有研究在此基礎上對蜜蜂貼加標簽分析巢內蜜蜂的群體行為、通過蜂群重量變化情況，預測越冬期和春繁期蜂群的強勢性和流蜜期的蜂蜜含量。

巢內監測的信息類型、信息處理方法和信息應用總結如表1所示。

表1 巢內監測信息處理及應用Table 1 Processing and application of monitoring information in hive

1.1 巢內聲音監測研究

蜜蜂發出的聲音是蜂群交流機制重要組成部分，蜂群的多種疾病、覓食活動以及群體事件都能在聲音上有所體現。通過巢內聲音監測分析蜂群行為的研究起始于20世紀90年代，巢內蜂群聲音監測能夠有效幫助蜂農識別蜂群健康性、群體強勢性，還可以預測分蜂、盜蜂、蜂王死亡等蜂群異常行為，是實現精準管理蜂群的重要手段之一[3]。

通過對蜂群聲音信息開展研究可以了解巢內蜂群活動是否處于穩定狀態。Kulyukin等[4-5]采用傅里葉變換處理連續采集的蜂群聲音數據，并將其轉化成A440的鋼琴音符序列信號，通過該信號基于群體活動量變化規律性判斷蜂群穩定狀況；Amlathe[6]采用邏輯回歸、支持向量機(Support vector machine)等機器學習方法處理蜂群聲音并構建模型來評價巢內蜂群健康狀況；Mezquida等[7]將蜂群聲音強度與群體活動建立了聯系，實現對蜂群規模化測定，并針對蜂群的強勢性和蜂群產量開展相關性研究。

同時分蜂、失王等蜂群異常行為也可以通過對蜂群聲音信息開展分析，并為養殖過程中提供問題早期預警服務。Murphy等[8-9]對蜂群聲音濾波后開展噪聲分析，發現如果噪聲長時間增加，屬于異常行為并發送告警信息；不同聲音信息變化可以反應蜂群躁動程度，Vancata[10]和Ferrari等[11]通過對蜂群聲音的音調(聲音強度)分析，發現音調的提升規律變化可以有效防范分蜂行為；Bencsik等[12]利用主成分分析方法提取8個月巢內聲音特征，可以實現分蜂的預測；劉一博等[13]利用提取的聲音特征對蜂群是否失王進行判斷，同時對巢內蜂王的老、新情況進行了區分。

疾病感染會導致整個蜂群衰敗，因此通過對蜂群聲音信息來分析蜂群疾病情況也是一個重要研究方向。Qandou等[14]利用線性判別分析、主成分分析對蜂群聲音進行降維，結合SVM構建模型實現蜂群感染疾病與否的檢測。Kulyukin等[15]用CNN(卷積神經網絡)、邏輯回歸、K近鄰等機器學習的方法同時對蜂群常見幾種異常行為構建模型和判別，為聲音信息的應用打開了新的途徑。

1.2 巢內圖像監測研究

傳統蜜蜂養殖中，蜂農進行巢內蜂群行為監測主要通過逐個開箱進行蜂箱內巢脾檢查來掌握內部情況，如蜂群數量、蜂群繁育情況和疾病感染等。采用傳統方法進行巢內蜂群檢查不但耗時耗力而且容易對蜂群正常生產造成干擾。采用圖像監測技術對巢內蜂群進行監測，可以通過非接觸式、不開箱的手段獲取巢內蜂群圖像，實現蜜蜂健康狀況的檢查和判斷。

巢內圖像監測手段包括人眼直接觀察、紅外相機拍攝等方法來獲取巢內蜂群的活動信息。Murphy等[8]設計了一種自動監測系統并使用紅外相機拍攝巢內圖像；譚慶忠等[16]利用紅外光線拍攝巢內圖像，便于蜂農封箱檢查；Knauer等[17]對獲取的巢內圖像采用背景模型法，檢測圖像上巢脾未加蓋的幼蟲，幫助培育人員進行抗性蜜蜂的篩選；Larissa等[18]使用CNN對巢內蜜蜂感染的螨蟲進行識別并對感染程度進行判斷。

同時部分研究利用標簽識別、圖像識別技術等技術對蜂群的個體、群體之間的行為與關系進行探索研究。Hendriks等[21]在蜜蜂身上粘貼標簽，研究蜜蜂的位置、速度和互相作用探究群體間關系；Tsai等[22]描繪蜜蜂運動軌跡后，總結不同的運動方式，探究不同年齡不同角色的蜜蜂行為；Benjamin等[23]采用深度卷積神經網絡對貼有標簽的巢內蜜蜂圖像實現了行為分析的前期識別工作，此方法提高了對標簽的識別精度；Maitra等[19]在改進粒子濾波跟蹤基礎上分析蜜蜂個體與群體的關系；Kimura等[20]采用矢量量化方法識別和跟蹤蜜蜂，研究其社會行為如分工、搖擺舞等。使用標簽與否的示意圖及優缺點見表2。

1.3 巢內溫濕度監測研究

巢內溫濕度與蜜蜂生長發育、行為活動、生理代謝、群勢增長等密切相關，是影響蜜蜂生產生活的重要指標。蜂農能根據巢內溫度信息對食物消耗量、育雛狀態、蜂群穩定狀況和蜂群死亡情況等進行判斷和預測[24]。巢內濕度則對蜜蜂胚胎期、胚后期發育以及對蜂巢內的溫度皆有影響，如濕度過大會導致蜜蜂幼蟲生病、巢中儲存的花粉霉變。因此掌握蜂群巢內溫濕度變化規律對研究蜜蜂種群動態、蜂群多樣性、蜜蜂發育與生殖行為、豐富昆蟲發育生物學和蜜蜂生態學具有重要意義，也對科學養蜂具有指導作用。

對巢內溫度監測應用主要包括蜂群穩定性和異常性監測、蜂場內部控溫機理監測2個方面。一方面，一個健康的、穩定的蜂群其溫度具有穩定性、規律性，部分學者基于上述關系對蜂群穩定性開展監控和異常警示研究。馮賓[25]和譚慶忠等[16]用單片機結合溫度傳感器測定巢內溫度值，當超過閾值時進行報警，結合連續溫度數據在時間軸上的變化性考慮，當出現急劇變化時，監測系統會自動縮短時間間隔對溫度值進行監控并進行提醒；Kridi等[26]使用聚類方法結合巢內與巢外的溫度，對蜂群的出逃行為與溫度的關系進行研究，并認為溫度因素是蜜蜂出逃的主要因素；Evans[27]和Meikle 等[28]根據溫度變化趨勢與繁殖的穩定性、幼蟲的規模建立聯系。另一方面，對蜂巢內部控溫機理進行研究是對于巢內溫度監測數據的進階分析工作。呂俊峰[29]設計開發了蜂箱內部多點溫度測量，完成蜂箱內溫度分布規律探究；Sanchez等[30]設置傳統蜂箱底板和底板開口2 種情況，根據監測的溫度變化研究蜂群熱調節能力；李想等[31]采集巢內三維空間多點溫度，閆宇等[32]同時對巢內多點及巢外溫度采集，根據不同區域溫度分布和變化規律，探究巢內恒溫機制。

表2 獲取的巢內圖像類別和特點Table 2 Category and characteristic of nest picture

巢內濕度監測在早期依賴于巢頂端設置隔離空間安裝濕度計模擬器，隨著近年來傳感器硬件技術的發展，巢內濕度監測設備變得更加小型化和具有應用價值。目前，巢內濕度監測應用主要有兩個方面：1)通過巢內濕度監測反演巢內蜂群的分布狀況。巢內的濕度分布和蜂群分布緊密聯系，付月生[33]對巢內多點濕度信息與巢外溫度進行相關性分析，結果表明外界溫度較高時，巢內各點的濕度幾乎相等，說明內部蜜蜂均勻分布；溫度較低時，濕度從巢脾中間區域向外層遞減，說明蜜蜂聚集在蜂巢中間，這給蜂農通過濕度信息掌握巢內蜂群分布情況提供新的策略；2)通過巢內濕度觀測開展蜂群內部的控濕機理研究。Human等[34]在自然環境狀態下獲取巢內多個點濕度，分析結果揭示了工蜂對內部濕度控制的重要性；Evans[27]通過將濕度變化曲線和蜂群扇風活動聯系，當內部溫度過高或者其他干擾因素出現時，工蜂進行扇風降低濕度，可幫助在春繁時期調控育雛時間；此外,馬德貴等[35]其設計的一套聲音信息的遠程采集、無線傳輸、儲存維護系統，為開展濕度應用研究奠定較好數據基礎。

1.4 蜂群重量監測研究

蜂群重量是巢內蜂群監測的重要特征指標，蜂群重量包括成年蜜蜂群體、幼蟲、蜂蜜以及花粉等主要蜂群元素，是衡量蜂群強度的關鍵指標之一。蜂群重量變化可以準確反應巢內蜂群的生產力、健康性、強勢性等狀況，通過對蜂群重量變化監測可實現蜂群的數字化管理，例如在越冬期可通過對蜂群重量監測來給出蜂群是否需要補充喂養、蜂群規模發展大小等管理方案。

蜂群重量信息獲取常采用專業電子天平或電子稱對蜂箱、巢脾、成年蜜蜂等進行整體稱重。重量信息應用多以對蜂群的穩健性、強勢性進行監控，Fitzgerald等[36]和Evans[27]對重量日變化情況與外出活動進行相關性分析，當蜂群外出活動增加時，重量數據會隨之增加，基于這種關系對蜂群的外出狀況、采集效率評估；Meikle[38]等利用重量數據構建蜂群的食物儲存變化曲線，通過振幅估算蜂群消耗，在食耗角度上監測蜂群整體穩定狀況，根據重量的變化趨勢和成年蜜蜂數量的正相關關系對群體增長穩定性評估，在多個月份獲得連續重量數據基礎上，采用分段回歸法構建多時期蜂群日活動重量模型，得出蜂群日活動周期開始和結束時間、夜間蜂箱變化特點、外出和采集歸巢對重量增幅等結論[28，37]。

2 巢外監測研究

巢內監測研究發展時間長、實際應用廣泛，但也存在著一些問題與不足，如較多傳感器以及相關設備使成本居高不下，設備安裝、維修更換等不便捷。因此，蜂群監測由巢內轉到巢外成為蜂群監控新的需求。隨著人工智能和機器視覺等相關技術發展，直接獲取蜂箱外部的蜂群活動信息成為可能，基于計算機視覺的巢外監控方法，大大縮減了對于傳感器的依賴、降低了監測系統的安裝需求、避免了對原始蜂箱的改造,降低了應用中的難度與成本。

蜂群在巢門附近的活動取決于天氣、溫度、群體健康以及食物供應狀況等多種因素，通過巢外信息監測分析可以為蜂群行為判斷提供理論依據?；趫D像的蜂群巢外監測技術是近期開展的一個研究熱點，相關研究工作主要包含對蜂箱巢門區域蜂群數量檢測和巢門口蜜蜂進出數量統計2 個方面：1)巢門區域蜜蜂數量反應蜂群出勤是否正常、巢內環境狀況是否正常，一個正常健康、穩定健壯的蜂群在巢門附近數量有時間規律特性；2)巢門口蜜蜂進出數量統計則重點體現蜂群規模、出勤采集積極性和群體穩定狀況。

2.1 巢門區域蜜蜂數量統計研究

巢門區域蜜蜂數量是蜂群活動情況重要特征指標，蜜蜂在蜂箱周圍正?；顒邮欠淙籂顟B良好的一個健康標志，因此對蜜蜂活動進行定量測量非常重要。近年來巢門區域蜜蜂數量統計主要通過圖像處理技術對巢門區域連續圖像或視頻進行處理識別，具體流程包括蜜蜂檢測和蜜蜂數量統計2個階段：蜜蜂檢測方法主要有輪廓檢測法[12]、背景減除法[41-43]、像素分離法[12，39-40]；數量統計方法主要有平均像素法[12，39-40]、HARR波峰法[44]、信噪比估計法[41-42]、模板匹配法[43]。

在平均像素法研究方面，Kulyukin等[12]采用輪廓檢測法和像素分離法分別對圖像中蜜蜂進行檢測，用平均像素法對蜜蜂檢測結果統計，其中像素分離法效果較好達到平均準確率73%；Kulyukin等[39]和Reka[40]在另一個試驗中將圖像處理空間從RGB轉換到HSV，增加蜂箱白色起降臺環境對比，在H通道中對目標進行背景分離，平均像素法統計結果顯示，以綠色起降臺環境80.5%、白色起降臺環境85.5%的準確率優于第一次試驗。在信噪比估計法研究方面，Ghadiri等[41,42]在背景減除法檢測蜜蜂后，采用平均像素值法對蜜蜂進行數量預測，同時將背景圖像建模為實際信號，將圖像中的蜜蜂建模為噪聲，通過信噪比的值分別與蜜蜂實際數量值和平均像素法預測的數量值觀察曲線關系，結果表明在數量不多的時候信噪比估計法數量能對巢門蜜蜂數量進行很好的預測，但是當數量較大時，信噪會發生逆轉關系，預測的數量與實際數量出入變大。在模板匹配法研究方面，Campbell等[43]采用背景減除法獲取目標區域，構建橢圓形蜜蜂模板對前景目標匹配并計數。在HARR波峰法研究方面， Kulyukin[44]在檢測中引入一維Harr小波波峰，用上下和下上峰值覆蓋的所有像素計數，結果顯示在計數誤差5以內的準確率為63%、誤差10以內準確率為94%。

2.2 蜂群進出量統計研究

蜂群進出量統計是蜂群一定時間段中進巢數量和出巢數量的計數，階段進出數量是蜂巢健康狀況的重要指標，可以分析蜂群的工作積極性、預測判定分蜂行為等。人工觀測準確可靠，但耗時耗力、實際可操作性差，所以近年來蜂群進出量統計研究的熱點主要在自動化監測獲取方面。

當前使用自動化監測手段開展蜂群進出量統計研究，采用的輔助設備主要包括射頻識別標簽(RFID)、電容傳感器、光電傳感器以及攝像頭，表4針對每一種輔助采集設備，展示了不同設備獲取的圖像和主要優缺點。

射頻標簽識別(RFID)：RFID蜜蜂識別技術是將標簽貼于成年蜜蜂上，利用巢門安裝的探測器識別標簽并對蜜蜂的進出進行判斷，同時射頻識別系統可以提供蜜蜂預期壽命、覓食時間等信息。Streit等[45]采用RFID技術進行蜜蜂進出統計，不過RFID檢測器和標簽昂貴，標簽粘貼不便，蜜蜂生存周期較短且蜂群數量龐大，在實際中應用存在局限性。

電容傳感器：電容傳感器是利用電容橋感應原理對通過的目標檢測，同時獲取目標大小和速度信息。Campbell等[46]用電容傳感器對蜜蜂進出實現統計，但該技術在安裝、適用范圍、價格上存在不足，實際生產中應用困難。

表4 蜂箱蜜蜂進出統計方法和特點Table 4 Statistical methods and characteristics of honeybee in and out of beehive

光電傳感器：光電傳感器利用光學原理根據遮擋前后信號變化實現計數。Struye等[47]構建了蜜蜂進出計數平臺，平臺的蜜蜂入口由允許單只蜜蜂通過的32個管道組成，通道前后各自安裝一個光電傳感器，蜜蜂運動方向由前后傳感器光束中斷順序決定，從而完成蜜蜂進出統計；類似的工作還有王德朝[48]、Chen等[49]分別在傳感器和入口巢門對蜜蜂進出進行了研究改進；柴秋子等[50]結合單片機和光電傳感器，應用到草莓園授粉蜜蜂計數中，統計和檢測授粉蜜蜂的活動規律并判斷其活力。隨著傳感器的不斷升級以及對影響條件限定，Jiang等[51]的研究中計數準確率有所提高，進巢與出巢計數準確率分別達到84.92%和85.95%。但基于光電傳感器存在2 個無法克服的不足：第一個是計數裝置對蜂箱改造大，改變了傳統的蜜蜂進出方式；第二個是傳感器受蜂群影響嚴重，如分泌物的覆蓋、以及生產垃圾及死蜂對通道的堵塞，需要對計數裝置進行高頻的清理工作。

攝像頭：攝像頭的使用是獲取巢門區域連續照片或視頻，利用計算機視覺技術進行處理，實現蜜蜂進出巢統計，這種方法較于利用傳感器可獲得更多數據，如計算蜂巢入口處靜態蜜蜂數量，這也是蜂群穩定性監測的指標之一；對入侵者進行檢驗，如甲蟲、胡蜂等。使用攝像頭設備數據獲取簡單、數據可分析空間充足，在計算機視覺快速發展下，近幾年利用此技術統計蜜蜂進出巢數量研究興起。已有研究中，區別主要是蜜蜂跟蹤策略不同，其中，Campbell等[43]使用背景減除法對蜜蜂進行檢測，為檢測到的蜜蜂設定橢圓匹配模板，采用最大化二部圖加權跟蹤策略，用常見的運動模型(游蕩、爬行、飛入、飛出)對蜜蜂活動進行描述和進出統計。Salas等[52]將SVM作為分類器檢測巢門蜜蜂，使用貝葉斯跟蹤器對檢測的蜜蜂進行跟蹤，完成進出計數。David等[53]結合背景減除法和blob分析法提取蜜蜂區域后，采用光流法和卡爾曼濾波法跟蹤蜜蜂，結果中卡爾曼跟蹤效果更好，在進出估計中誤差最小時為4%，誤差最大時為20%。Tu等[54]設計一種恒定光照條件的蜜蜂進出蜂箱，限定單層蜜蜂通行，對獲取圖像分割提取蜜蜂區域，采用上下幀間圓形搜索法描繪蜜蜂行為軌跡，進而判斷和統計蜜蜂進出。Chen等[55]設計了蜜蜂單只通行通道并使用蜜蜂標簽，霍夫變換法檢測標簽后采用SVM對標簽分類識別，基于標簽的唯一性實現計數，類比巢內圖像蜜蜂標簽識別具有的缺點，不能在實際生產中推廣。

隨著機器視覺、深度學習等人工智能技術的發展，蜂群的巢外監測將逐漸減少對傳感器的依賴程度，推進低成本、易應用的設備研制，使得蜂群巢外觀測技術可以更好服務于現代化蜂業發展。

3 討 論

自動化蜂群行為監測方式和傳統監測方式相比具有穩定性、不驚擾蜂群、高效率、可靠性等優勢，可以有效提升蜂業現代化和智能化、提高蜂農工作效率，從長遠來看是蜂業發展大的趨勢，但是在應用推廣方面仍然存在一些問題和不足。

3.1 蜂群監測存在問題

當前蜂群行為監測主要在信息分析、環境數據利用、養殖輔助決策等方面還存在一些不足之處：

1)信息分析關聯性較弱：目前蜂群監測研究多偏向于以單一信息為監測指標來開展蜂群活動、蜂群行為、蜂群狀態判斷。多數研究針對聲音、溫濕度等單類信息進行蜂群行為處理，并利用相關性分析與蜜蜂正常、異常行為等建立聯系，在結論方面可能會存在群體普適性、時間延展性上、判斷準確性和分析有效性等方面的問題。

2)環境數據利用不足：對蜂群行為相關特征指標信息采集充足，覆蓋巢內監測、巢外監測等數據信息，但是缺少對蜜蜂生活環境信息的采集和利用，而溫度、濕度、風況、天氣狀況等蜜蜂的生活環境也是蜂群研究的關鍵信息，會對其行為特性、群體穩定性研究產生一定影響。

3)養殖輔助決策功能欠缺：對采集的蜂群信息分析得出結論后，需為蜂農提出可行的養殖輔助決策建議，例如在蜂行為使巢內蜂群躁動、活動量增加溫度上升等情況下，應提醒蜂農開展及時人工干預；在判定螨蟲疾病時可提醒蜂農給予噴灑藥物和物理除螨設備安裝建議等。

3.2 蜂群監測的發展趨勢

整體來看蜂群的蜂群行為監測將向多信息協同分析、蜂群與環境數據結合研究和養殖智能輔助決策等方面開展下一步的研究工作：

1)多信息協同分析：巢內圖像、溫濕度、聲音，巢外采集的入口處蜜蜂數量、蜂群進出統計量，它們之間互相聯系，是蜂群本身行為在不同方式上的體現。單一信息分析容易陷入結論過擬合，隨著監測研究發展和實際應用需求增加，監測信息應用會朝多種信息協同分析發展，對行為判斷、異常狀況預警得出具有更強普適性的結論。

2)蜂群數據、環境數據結合研究：環境與蜂群數據是影響和被影響的關系，兩類數據的結合分析能夠找到蜂群行為產生更合理原因，提出更全面、更準確的解決措施。此外，蜂群對環境具有較強敏感性，外部環境數據的采集與應用結合蜂群行為，能對環境進行監測，也給予蜂農良好養蜂環境的選擇和建議。

3)養殖輔助智能管理：養蜂業對自動化控制、自動化管理需求不斷增加，隨著人工智能的快速發展并在多領域的成功應用，信息分析方法不斷創新和發展，問題處理策略趨于智能化和多樣化結合，養殖智能輔助決策將向養殖過程智能獲取、智能分析、智能處理解決方向邁進。

4 結束語

隨著監測設備的小型化、智能化發展，蜂群連續自動監測將很成為養蜂作業和研究中的核心技術，在計算機視覺和人工智能等技術發展下，蜂群行為識別和信息分析方法在識別速度、識別準確率等方面都會有所提高。結合蜂群行為的自動監測、準確識別、生產智能決策為一體的終端設備和養殖技術會逐步替代傳統養殖方式，技術應用將有效提高蜂群管理效率、蜂農經濟效益和蜂場管理水平，有效促進我國蜂業現代化發展水平。