مقالة منهجية

تحلق كشف وتصنيف الحشرات مع مجسات رخيصة

DOI:

10.3791/52111

⸱

أكتوبر 15, 2014

 ,  ,  ,  , 
1Department of Computer Science and Engineering, University of California, Riverside, 2Department of Entomology, University of California, Riverside, 3Institute of Mathematics and Computer Sciences, University of São Paulo - USP, 4ISCA Technologies

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

اقترحنا نظام يستخدم غير مكلفة، موسع أجهزة الاستشعار البصرية الزائفة الصوتية تلقائيا وبدقة لكشف والعد، وتصنيف الحشرات الطائرة على أساس الصوت سفرهم.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ومن شأن نظام موسع وغير مكلفة يمكن أن تصنف بدقة الحشرات الطائرة لها انعكاسات هامة على الأبحاث الحشري، والسماح لتطوير العديد من التطبيقات المفيدة في النواقل ومكافحة الآفات لكل من علم الحشرات الطبي والزراعي. ونظرا لهذا، شهدت السنوات الستين الماضية العديد من الجهود البحثية المكرسة لهذه المهمة. حتى الآن، ومع ذلك، كان لا شيء من هذا البحث تأثير دائم. في هذا العمل، وتبين لنا أن أجهزة الاستشعار البصرية الزائفة الصوتية يمكن أن تنتج بيانات متفوقة. أن ميزات إضافية، سواء جوهري وخارجي لسلوك رحلة الحشرة، يمكن استغلالها لتحسين تصنيف الحشرات. أن النهج تصنيف النظرية الافتراضية يتيح للتعلم بكفاءة تصنيف النماذج التي هي قوية جدا إلى أكثر من تركيب، وإطار التصنيف العام يسمح لدمج بسهولة التعسفي عدد من الميزات. نحن لشرح النتائج مع التجارب واسعة النطاق التي تقزم جميع الأعمال السابقة كومبيNED، كما يقاس بعدد من الحشرات وعدد الأنواع التي تعتبر.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

فكرة تصنيف الحشرات تلقائيا باستخدام الصوت عرضية من رحلتهم يعود تاريخها إلى الأيام الأولى من أجهزة الكمبيوتر المتاحة تجاريا ومعدات تسجيل الصوت 1. ومع ذلك، فقد تم إحراز تقدم ضئيل على هذه المشكلة في العقود الفاصلة. ويمكن أن يعزى عدم إحراز تقدم في هذا السعي إلى عدة عوامل ذات الصلة.

أولا، جعلت قلة من أجهزة الاستشعار فعالة لجمع البيانات صعبا. وقد استخدمت معظم الجهود لجمع البيانات الميكروفونات الصوتية 2-5. هذه الأجهزة هي حساسة للغاية لتصفية الضجيج والضوضاء المحيطة في البيئة، مما أدى إلى بيانات ضئيلة جدا وذات جودة منخفضة.

الثانية، مما يضاعف هذه القضايا جودة البيانات هو حقيقة أن العديد من الباحثين قد حاولوا معرفة تصنيف نماذج معقدة للغاية، وخاصة الشبكات العصبية 6-8. محاولة لمعرفة نماذج تصنيف معقدة، مع مجرد عشرات الأمثلة،وصفة لالإفراط في تركيب.

ثالثا، صعوبة الحصول على البيانات يعني أن حاول العديد من الباحثين على بناء نماذج تصنيف مع بيانات محدودة جدا، عدد قليل من الحالات 9 300 أو أقل. ومع ذلك، فمن المعروف أن لبناء نماذج تصنيف دقيقة، والمزيد من بيانات أفضل 10-13.

ويتناول هذا العمل جميع القضايا الثلاث. البصرية (بدلا من الصوتية) يمكن استخدام أجهزة الاستشعار لتسجيل "سليمة" للطيران الحشرات من متر، مع الثابتية الكامل لتصفية الضوضاء والأصوات المحيطة. وقد سمحت هذه المجسات لتسجيل الملايين من حالات التدريب المسمى، أكثر بكثير من البيانات كل الجهود السابقة مجتمعة، وبالتالي يساعد على تجنب الجهود البحثية السابقة الإفراط المناسب التي يعاني منها. وهناك طريقة المبدئي هو مبين أدناه أن يسمح بإدراج معلومات إضافية في نموذج التصنيف. يمكن أن تكون هذه المعلومات الإضافية كما اليومية المعتادة كما وسهلة والحصول على الوقت من اليوم، ومع ذلك لا تزال تنتج مكاسب كبيرة في دقة النموذج. وأخيرا، أظهرت أن كميات هائلة من البيانات التي تم جمعها تسمح لنا للاستفادة من "فاعلية غير معقولة من البيانات" 10 لإنتاج المصنفات بسيطة ودقيقة وقوية.

باختصار، انتقلت تحلق تصنيف الحشرات وراء مطالبات مشكوك فيها تم إنشاؤها في مختبر البحوث وجاهز الآن للنشر في العالم الحقيقي. وأجهزة الاستشعار والبرمجيات المقدمة في هذا العمل توفر أدوات قوية الباحثين في جميع أنحاء العالم لتسريع أبحاثهم.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. الحشرات مستعمرة وتربية

  1. البعوض مستعمرة وتربية
    1. ترصي الخلفية الكيولكس، كوينكيفاسكياتس الكيولكس، stigmatosoma الكيولكس، الزاعجة المصرية والبالغين من المستعمرات المختبر، والتي نشأت من البرية اشتعلت الأفراد.
    2. الخلفية يرقات البعوض في المقالي المينا تحت ظروف المختبر القياسية (27 درجة مئوية، 16: 8 ساعة ضوء: الظلام [LD] دورة مع 1 ساعة فترات الغسق / الفجر)، وإطعامهم libitum الإعلانية على مزيج من القوارض الأرض طعام وعلى بريور الخميرة (3: 1، والخامس: ت).
    3. جمع البعوض الشرانق إلى 200 مل أكواب، ووضعها في غرف التجريبية. بدلا من ذلك، نضح البعوض البالغ إلى غرف التجريبية ضمن 1 أسبوع من ظهور. تأكد من أن كل غرفة تحتوي التجريبية 20 إلى 40 أفراد من نفس النوع / الجنس.
    4. تغذية البعوض البالغ libitum الإعلانية على السكروز بنسبة 10٪ وخليط الماء. استبدال أسبوعيا الغذاء.
    5. بلل المناشف القطنية مرتين في الأسبوع وررالآس منهم على رأس الدوائر التجريبية للحفاظ على الرطوبة داخل القفص. بالإضافة إلى ذلك، وضع كوب 200 مل من ماء الصنبور في غرفة في جميع الأوقات للمساعدة في الحفاظ على مستوى الرطوبة بشكل عام.
    6. الحفاظ على غرف التجريبية على 16: ضوء 8 ساعة: مظلمة [LD] دورة، 20،5 حتي 22 درجة مئوية و 30-50٪ RH طوال مدة التجربة.
  2. بيت يطير ويطير مستعمرة الفاكهة وتربية
    1. الخلفي DOMESTICA موسكا من مستعمرة المختبر، والمستمدة من البرية اشتعلت الأفراد. قبض البرية ذبابة الفاكهة simulans الأفراد والخلف منهم في غرف التجريبية.
    2. الخلفية يرقات الذبابة المنزلية في عبوات بلاستيكية تحت ظروف المختبر القياسية (12:12 ساعة ضوء: الظلام [LD] دورة، 26 ° C، 40٪ RH) في خليط من الماء وجبة النخالة والبرسيم، والخميرة، والحليب المجفف. الخلفي ذبابة الفاكهة simulans اليرقات في غرفة تربية وإطعامهم libitum الإعلانية على مزيج من التعفنالفاكهة.
    3. نضح الكبار الذبابة المنزلية إلى غرف التجريبية ضمن 1 أسبوع من ظهور. simulans ذبابة الفاكهة البالغين يمكن تربيتها مباشرة في غرف التجريبية. قبل جمع البيانات، تأكد تحتوي كل غرفة تجريبية لا يزيد عن 10-15 الفردية DOMESTICA موسكا أو الفردي simulans 20-30 ذبابة الفاكهة.
    4. إطعام الكبار الذبابة المنزلية الإعلانية libitum على خليط من السكر وقليل الدسم الحليب المجفف، مع حرية الوصول إلى المياه. تغذية الكبار ذبابة الفاكهة simulans libitum الإعلانية على مزيج من الفواكه المتعفنة. استبدال أسبوعيا الغذاء.
    5. الحفاظ على غرف التجريبية على 16: 8 ساعة ضوء: دورة الظلام [LD]، 20،5 حتي 22 درجة مئوية و 30-50٪ RH طوال مدة التجربة.

2. سجل تحلق صوتية في الغرف التجريبية

  1. إعداد غرفة التجريبية
    ملاحظة: إن "ج التجريبيةهامبر "يدل على القفص صممت في مختبرنا، حيث تم تسجيل البيانات. مستشعر غير مكلفة إلى حد ما. عندما بنيت بكميات كبيرة، ويمكن أن تصنع مجموعة وتصل لأقل من 10 دولارا.
    1. بناء على الغرفة التجريبية، سواء من حجم أكبر: 67 سم × 22 سم L W X 24.75 سم H، أو حجم أصغر: 30 سم الطول × 20 سم × 20 سم W H. وتتكون الغرفة التجريبية من مجموعة الترانزستور الضوئي و خط ليزر لافتا في مجموعة الترانزستور الضوئي.
      ملاحظة: بالإضافة إلى ذلك، تتكون الغرفة من Kritter حراسة المرمى التي يتم تعديلها لتشمل أجهزة استشعار فضلا عن كم تعلق على قطعة من الأنابيب البلاستيكية للسماح بالوصول إلى الحشرات.
    2. ربط مجموعة الترانزستور الضوئي إلى لوحة إلكترونية. إخراج اللوحة الإلكترونية تغذي مسجل الصوت الرقمي ويتم تسجيل البيانات والصوت في شكل MP3. رؤية تصميم منطق استشعار في الشكل 1.II ونسخة المادي للغرفة في الشكل 1.I.
      3. تعديل أغطية غرف التجريبية مع قطعة من القماش شبكة الملصقة على الداخل من أجل منع هروب من الحشرات.
      ملاحظة: عند الذباب حشرة عبر شعاع الليزر، أجنحتها انسداد جزئي للضوء، مما تسبب تقلبات ضوء صغيرة. يتم التقاط تقلبات الضوء من قبل مجموعة الترانزستور الضوئي والتغيرات في التيار، ويتم تصفية إشارة وتضخيمها من قبل العرف تصميم اللوحة الإلكترونية.
  2. إعداد نظام لتسجيل الأصوات التي تنتجها الحشرات الطائرة
    1. ربط الغرفة التجريبية لإمدادات الطاقة. بدوره على السلطة.
    2. على الغرفة التجريبية، والعثور على أضواء الليزر وphotoarray. محاذاة أضواء الليزر إلى photoarray. ولتحقيق المحاذاة الصحيحة، وضبط photoarray باستخدام المغناطيس على الجزء الخارجي من الغرفة التجريبية التي تتوافق مع مغناطيس تعلق على photoarray على المناطق الداخلية من غرفة حتى يتركز ضوء الليزر على كل فرد photodiodوفاق.
    3. أداء اثنين من الشيكات التعقل للتأكد من وضع هذا النظام بشكل صحيح حتى.
      ملاحظة: الخطوة الأولى هي التأكد من أن النظام هو مدعوم، وترتبط جميع الأسلاك بشكل صحيح والليزر يشير في مجموعة الصور. الخطوة الثانية هي إجراء مزيد من الفحوص على محاذاة الليزر للتأكد من أنه يمكن التقاط الصوت من wingbeats الحشرات.
      1. توصيل سماعات الرأس (بدلا من مسجل) إلى مقبس الصوت. يغرق ناحية الدخول والخروج من الغرفة التجريبية، بالقرب من photoarray، لكسر الطائرة من ضوء الليزر. تأكد من أن ضوء الليزر على (سيكون شعاع من الضوء الأحمر) وأنك كسر مستوى الضوء عدة مرات مع يدك. الاستماع للتغيرات في مستوى الضوضاء ما يذهب يدك والخروج من شعاع ضوء. إذا كنت الكشف عن الفرق مسموع، واستشعار قادرة على التقاط الأصوات التي تنتجها حركة الأجسام الكبيرة. في حال نجاحها، والانتقال إلى الاختيار التعقل المقبل، وإلا، معرفة ما اذا كان يتم توصيل سماعة صحيح وإذا كان ليزر يشير في photoarray. ضبط photoarray وفقا لذلك حتى الصوت من جهة تتحرك ويخرجون من الغرفة التجريبية يمكن أن يسمع.
      2. نعلق قطعة رقيقة من الأسلاك الكهربائية إلى فرشاة أسنان التلقائي. بدوره على فرشاة الأسنان، ويغرق الأسلاك ويخرجون من الغرفة التجريبية قريبة من phototarray. تأكد من أن ضوء الليزر هو ضرب قطعة من الأسلاك وهي تتحرك. إذا كنت الكشف عن تغيير في وتيرة مسموع، عندما قطعة من الأسلاك يكسر الطائرة من ضوء الليزر، والنظام جاهز لالتقاط الأصوات التي تنتجها حركة الأجسام الصغيرة، أي أصوات الحشرات ثم. إذا لم يكن الكشف عن الفرق مسموع، انتقل إلى الخطوة 2.2.2 لإعادة محاذاة-أضواء الليزر وphotoarray.
    4. بعد تعيين النظام بشكل صحيح حتى، أغلق الغطاء وتضاف الحشرات.
  3. جمع البيانات: تسجيل الأصوات التي تنتجها الحشرات الطائرة
    1. بدوره على مسجل وتقديم VOICالشرح البريد الذي يتضمن المعلومات التالية: اسم الأنواع في الغرفة التجريبية، عمر الحشرات، التاريخ والوقت، RT المحيطة الحالي، والرطوبة النسبية. إيقاف التسجيل.
    2. ربط مسجل على النظام، عن طريق كابل الصوت، واستئناف التسجيل. مغادرة مسجل لتسجيل لمدة 3 أيام، ثم توقف التسجيل.
    3. تحميل البيانات من مسجل إلى مجلد جديد على جهاز كمبيوتر. إفراغ مسجل عن طريق حذف البيانات.
    4. تكرار عملية التسجيل المذكورة أعلاه، حتى لقوا حتفهم الحشرات المتبقية قبالة وليس هناك أكثر من 5 الحشرات غادر على قيد الحياة في القفص.

تجهيز 3. بيانات الاستشعار والكشف عن تأثيرات صوتية تنتجها الحشرات الطائرة

  1. استخدام برنامج لكشف تأثيرات صوتية تنتجها الحشرات الطائرة.
    ملاحظة: البرنامج (خوارزمية الكشف) هو أسرع بكثير من الوقت الحقيقي. فإنه يأخذ أقل من 3 ساعة لمعالجة جلسة تسجيل، أي ثلاثة أيام من داتلذلك، على آلة القياسية مع إنتل (R) Core ™ من وحدة المعالجة المركزية عند 2.00 غيغاهرتز و 8 غيغابايت من ذاكرة الوصول العشوائي.
    1. لكل مجلد يحتوي على بيانات من جلسة تسجيل، تشغيل برنامج الكشف عن الكشف عن أصوات الحشرات. لتشغيل البرنامج، وفتح MATLAB، واكتب "circandian_wbf (DATADIR)" في نافذة الأوامر، حيث DATADIR هو الدليل من تسجيل البيانات. ثم اضغط على "أدخل" لبدء.
      ملاحظة: تحميل برنامج الكشف عن circadian_wbf من إشارة رقم 16.
    2. الانتظار حتى تنتهي الخوارزمية، ثم تحقق من نتائج الكشف. مخرجات الخوارزمية جميع الحشرات الكشف عن الأصوات في مجلد جديد اسمه "DATADIR _extf"، حيث DATADIR هو نفسه كما في الخطوة السابقة. كل ملف صوتي هو 1 ثانية مقطع صوتي طويل المستخرجة أصلا من تسجيل الخام، مع تطبيق فلتر رقمي لإزالة الضوضاء. يتم حفظ وقت حدوث كل صوت في الكشف عن ملف اسمه "DATADIR _time.mat و# 8221؛. نلاحظ مثال صوت الحشرات في الكشف عن الشكل 2.
  2. كشف خوارزمية
    1. استخدام 0.1 ثانية نافذة انزلاق طويلة إلى الشريحة من خلال التسجيل. يبدأ نافذة انزلاق من بداية التسجيل. لكل نافذة، اتبع الخطوات التالية.
      1. حساب التردد الأساسي من النافذة الحالية.
      2. إذا كان التردد الأساسي هو ضمن مجموعة من 100 هرتز إلى 1200 هرتز، ثم قم بما يلي:
        1. استخراج مقطع الصوت 1 ثانية طويلة تركز في الإطار الحالي من التسجيل؛ تطبيق فلتر رقمي لإزالة الضجيج في مقطع وحفظ الصوت تصفيتها إلى مجلد "DATADIR _extf".
        2. توفير الوقت قوع الإطار الحالي في ملف "DATADIR _time".
        3. نقل الإطار الانزلاق إلى النقطة التي تلي مباشرة مقطع الصوت المستخرج.
      3. إذا كان الاب الأساسيequency ليست ضمن مجموعة من 100 هرتز إلى 1200 هرتز، ببساطة تحريك نافذة انزلاق 0.01 ثانية إلى الأمام.
    2. كرر العملية حتى تصل إلى نافذة انزلاق نهاية التسجيل.

4. تصنيف الحشرات

  1. تصنيف النظرية الافتراضية عن طريق الصوت فقط الطائر
    ملاحظة: المصنف النظرية الافتراضية هو المصنف احتمالي أن يصنف كائن إلى فئتها الأكثر احتمالا.
    1. الصوت ميزة الحساب
      1. لكل صوت الحشرات، حساب الطيف الترددي للصوت باستخدام المنفصلة تحويل فورييه (DFT). اقتطاع الطيف الترددي لتشمل فقط تلك النقاط البيانات المقابلة لنطاق التردد: 100 هرتز إلى 2000 هرتز. ثم يتم استخدام الطيف الترددي اقتطاع في تصنيف باسم "ممثل" للصوت الحشرات.
        ملاحظة: إن DFT هو خوارزمية التي تحول الإشارات في مجال الزمن إلى مجال التردد. وهو بوييمكن استدعاء الوظائف لتر في معظم المكتبات في البرمجة، وفي برنامج مع سطر واحد فقط من التعليمات البرمجية.
    2. تدريب المصنف بييز
      1. استخدام نهج تقدير الكثافة KNN 14 لتعلم التوزيع الخلفي احتمال باستخدام ميزة الصوت. مع اقتراب KNN، مرحلة التدريب هو بناء مجموعة بيانات التدريب.
        1. عينة عشوائيا عدد من الأصوات الحشرات من البيانات التي تم جمعها عن كل نوع من الحشرات.
        2. اتبع الخطوات في القسم 4.1.1 وحساب الطيف الترددي اقتطاع عينات لكل صوت. أطياف اقتطاع جنبا إلى جنب مع العلامات الدرجة عينات '(اسم أنواع الحشرات) تتكون مجموعة البيانات التدريب.
    3. استخدام المصنف النظرية الافتراضية لتصنيف حشرة مجهولة
      1. حساب الطيف الترددي اقتطاع من صوت الحشرة غير معروف.
      2. حساب المسافة الإقليدية بين الطيف المقتطعة من أونكنوون الكائن وكافة أطياف اقتطاع في مجموعة البيانات التدريب.
      3. العثور على كبار ك (ك = 8 في هذه الورقة) أقرب الجيران للكائن غير معروف في مجموعة البيانات التدريب. حساب احتمال الخلفي من صوت الحشرة غير معروف الانتماء إلى الطبقة باعتبارها جزء من كبار ك أقرب الجيران التي وصفت بأنها الطبقة.
      4. تصنيف الكائن غير معروف إلى الفئة التي لديها أعلى احتمال الخلفي.
  2. إضافة إلى ميزة المصنف: الحشرات الساعة البيولوجية إيقاع
    1. تعلم توزيعات مكيفة فئة من الوقت حدوث صوت الحشرات، وهذا هو، على إيقاع الساعة البيولوجية لكل نوع من الحشرات.
      1. الحصول على وقت حدوث كل صوت من نتائج الكشف (CF القسم 3.2).
      2. لكل نوع، وبناء الرسم البياني للصوت الحشرات وقت حدوثها.
      3. تطبيع الرسم البياني بحيث مجال الرسم البياني هي واحدة. العاديالرسم البياني أوتوماتيكية هو إيقاع الساعة البيولوجية من نوع معين. ويحكي احتمال مراقبة حشرة، من أن الأنواع، في رحلة خلال فترة زمنية معينة.
    2. تصنيف مجهول "صوت الحشرات" من خلال الجمع بين "صوت الحشرة" وإيقاع الساعة البيولوجية
      1. بالنظر إلى نقطة محددة في الوقت الذي وقع فيه صوت الحشرة غير معروف، يجب الحصول على احتمال مراقبة حشرة من الدرجة بناء على إيقاع الساعة البيولوجية من الدرجة.
        ملاحظة: إن إيقاع الساعة البيولوجية هو التوزيع الاحتمالي. هو مجموعة تحديد احتمال الكشف عن الصوت، التي تنتجها أنواع معينة من الحشرات، في وقت معين من اليوم. ذلك مرة واحدة يعطى وقت واحد، يمكن للمرء أن تحقق ببساطة مجموعة للحصول على الاحتمالات.
      2. اتبع الخطوات الموجودة في القسم 4.1.2 لحساب احتمال الخلفي الذي ينتمي الصوت غير معروف إلى الطبقة باستخدام ميزات الصوت. مضاعفة احتمال الخلفي لنتائج جيئة وذهابام الخطوة السابقة للحصول على احتمال الخلفي الجديد.
      3. تصنيف "صوت غير معروف" إلى الفئة التي لديها أعلى احتمال الخلفي الجديد.
  3. إضافة واحد أكثر ميزة في المصنف: توزيع الحشرات الجغرافية
    1. معرفة التوزيع الجغرافي للأنواع المصالح، سواء من البيانات المنشورة في السجلات التاريخية، المؤلفات ذات الصلة، أو لمجرد جمع معرفة مباشرة من حقل الفنيين / البيولوجيين. لأغراض العرض التوضيحي، واستخدام المحاكاة لتوزيع الجرافيكي، كما هو مبين في الشكل 7.
    2. تصنيف على "صوت الحشرات غير معروف" باستخدام "صوت الطائرة" واثنين من الميزات الإضافية.
      1. نظرا للموقع الجغرافي حيث تم اعتراضها صوت الحشرات، حساب احتمال مراقبة حشرة من الطبقة في ذلك موقع معين باستخدام الرسوم البيانية توزيع الأنواع.
        1. اتبع الخطوات الموجودة في القسم 4.2.2 لالثانية حساب احتمال الخلفي أن "الصوت غير معروف" ينتمي إلى فئة باستخدام ميزات الصوت والإيقاع اليومي. مضاعفة نتائج هذه الخطوة الى نتائج من الخطوة السابقة، من أجل الحصول على احتمال الخلفي الجديد.
      2. تصنيف "صوت غير معروف" إلى الفئة التي لديها أعلى احتمال الخلفي الجديد.
  4. إطار عام لإضافة الميزات
    1. النظر في المصنف النظرية الافتراضية التي تستخدم ميزات سليمة تماما كما المصنف الابتدائي. اتبع الخطوات التالية لإضافة ميزات جديدة إلى المصنف.
      1. في مرحلة التدريب، وتعلم وظائف كثافة مكيفة فئة من الميزة الجديدة.
      2. في مرحلة التصنيف، ونظرا لميزة جديدة من "صوت غير معروف"، حساب احتمال مراعاة الميزة في فئة باستخدام وظائف تعلمت في الخطوة السابقة الكثافة. مضاعفة احتمال جديد إلى العلاقات العامةevious احتمال الخلفية المقابلة ل"صوت غير معروف" الانتماء إلى الطبقة التي حسبت على أساس مجرد ملامح غريبة، للحصول على احتمال الخلفي الجديد. تصنيف الكائن غير معروف إلى الفئة التي لديها أعلى احتمال الخلفي الجديد.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يتم عرض تجربتين هنا. لكل من التجارب، والبيانات المستخدمة وتم أخذ عينات بشكل عشوائي من مجموعة البيانات التي تحتوي على أكثر من 100،000 الكائنات.

وتظهر التجربة الأولى قدرة المصنف المقترحة لتصنيف الأنواع المختلفة بدقة / الجنسين من الحشرات. وتعتمد دقة التصنيف على الحشرات لتصنيفها، وقيمة مطلقة واحدة لدقة التصنيف لا يعطي القارئ حدس جيدة حول أداء النظام. بدلا من ذلك، بدلا من الإبلاغ عن دقة المصنف على مجموعة ثابتة من الحش...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الإطار الاستشعار / تصنيف الموصوفة هنا يسمح للتصنيف غير مكلفة وقابلة للمن الحشرات الطائرة. على دقة قابلة للتحقيق من قبل النظام هي جيدة بما فيه الكفاية للسماح تطوير المنتجات التجارية ويمكن أن تكون أداة مفيدة في البحث الحشري.

إن القدرة على استخدام غير مكلفة، وأجهزة الاستشعار موسع لبدقة وبشكل تلقائي تصنيف الحشرات الطائرة لها انعكاسات مهمة البحث الحشري. على سبيل المثال، عن طريق نشر النظام في مجال الاعتماد وتصنيف الحشر...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تعلن الكتاب أنه ليس لديهم المصالح المالية المتنافسة.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نود أن نشكر مؤسسة فودافون الأمريكتين، ومؤسسة بيل وميليندا غيتس، ومؤسسة أبحاث ساو باولو (FAPESP) لتمويل هذا البحث. ونود أيضا أن نشكر العديد من أعضاء هيئة التدريس من قسم علم الحشرات في جامعة كاليفورنيا، ريفرسايد، لنصائحهم في هذا المشروع.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
مسجل الصوت: ICD-PX312Sony4-267-065-11 (2)مع ذاكرة microSD إضافية بسعة 8 جيجابايت
InsectaryLee's Aquarium & منتجات الأليفة.20088 HerpHaven & reg ؛ مستطيل كبير14 1/2 بوصة طول × 8 3/4 بوصة عرض × 9 3/4 بوصة ارتفاع. تم تعديله لإيواء الحشرات.
مولد خط الليزر ، 650 نانومتر (أحمر)Apinex (www.apinex.com)LN60-6505 ميجاوات. هذا ليزر منخفض الطاقة ، على غرار مجموعة الثنائي الضوئي لمؤشر الليزر للمعلم
VISHAY SEMICONDUCTOR & nbsp ؛ TEFD4300  الصمام الثنائي الضوئي للدبوس ، 650 نانومتر ، 20 درجة ، T1TEFD4300لقد صنعنا مجموعة مخصصة من 15 من هذه الثنائيات الضوئية السلكية بالتوازي.
دائرة متكاملة من التناظرية إلى الرقميةفي مختبرنالقد صنعنا هذا العنصر بأنفسنا ، ولكن المنتج التجاري المتاح بسهولة ، Gino PCF8591 AD / DA Converter ، يوفر نفس الوظيفة.
مخصصة

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kahn, M. C., Celestin, W., Offenhauser, W. Recording of sounds produced by certain disease-carrying mosquitoes. Science. 101 (2622), 335-336 (1945).
  2. Reed, S. C., Williams, C. M., Chadwick, L. E. Frequency of wing-beat as a character for separating species races and geographic varieties of Drosophila. Genetics. 27 (3), 349(1942).
  3. Belton, P., Costello, R. A. Flight sounds of the females of some mosquitoes of Western Canada. Entomologia experimentalis et applicata. 26 (1), 105-114 (1979).
  4. Mankin, R. W., Machan, R., Field Jones, R. testing of a prototype acoustic device for detection of Mediterranean fruit flies flying into a trap. Proc. 7th Int Symp Fruit Flies of Economic Importance. , 10-15 (2006).
  5. Raman, D. R., Gerhardt, R. R., Wilkerson, J. B. Detecting insect flight sounds in the field Implications for acoustical counting of mosquitoes. Transactions of the ASABE. 50 (4), 1481Forthcoming.
  6. Moore, A., Miller, J. R., Tabashnik, B. E., Gage, S. H. Automated identification of flying insects by analysis of wingbeat frequencies. Journal of economic entomology. 79 (6), 1703-1706 (1986).
  7. Moore, A., Miller, R. H. Automated identification of optically sensed aphid (Homoptera: Aphidae) wingbeat waveforms. Annals of the Entomological Society of America. 95 (1), 1-8 (2002).
  8. Li, Z., Zhou, Z., Shen, Z., Yao, Q. Automated identification of mosquito (diptera: Culicidae) wingbeat waveform by artificial neural network. Artificial Intelligence Applications and Innovations. , 483-489 (2005).
  9. Moore, A. Artificial neural network trained to identify mosquitoes in flight. Journal of insect behavior. 4 (3), 391-396 (1991).
  10. Halevy, A., Norvig, P., Pereira, F. The unreasonable effectiveness of data. Intelligent Systems, IEEE. 24 (2), 8-12 (2009).
  11. Mitigating the paucity-of-data problem exploring the effect of training corpus size on classifier performance for natural language processing. Banko, M., Brill, E. Proceedings of the first international conference on Human language technology research, , Association for Computational Linguistics. Stroudburg, PA. 1-5 (2001).
  12. Shotton, J., et al. Real-time human pose recognition in parts from single depth images. Communications of the ACM. 56 (1), 116-124 (2013).
  13. Ilyas, P. Classifying insects on the fly. Ecological Informatics. , (2013).
  14. Mack, Y. P., Rosenblatt, M. Multivariate k-nearest neighbor density estimates. Journal of Multivariate Analysis. 9 (1), 1-15 (1979).
  15. Benedict, M., Robinson, A. The first releases of transgenic mosquitoes an argument for the sterile insect technique. TRENDS in Parasitology. 19 (8), 349-355 (2003).
  16. Chen, Y. Supporting Materials. , Available from: https://sites.google.com/site/insectclassification Forthcoming.
  17. Chen, Y., Why, A., Batista, G., Mafra-Neto, A., Keogh, E. Flying Insect Classification with Inexpensive Sensors. Journal of Insect. 27 (5), 657-677 (2014).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة