Name: Fliegen-Insekt Erkennung und Klassifizierung mit preiswerten Sensoren (Video) | JoVE Journal
Uploaded: 2014-10-15T15:00:00.000+00:00
Duration: 5 min 16 s
Description: Erfahren Sie die automatische Erkennung und Klassifizierung von Fluginsekten mit kostengünstigen pseudo-akustischen optischen Sensoren. Diese Methode ermöglicht Echtzeit-Monitoring mit höherer Genauigkeit als herkömmliche Verfahren.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Wir möchten die Vodafone Americas Foundation, der Bill-und-Melinda-Gates-Stiftung, und der São Paulo Research Foundation (FAPESP) für die Förderung dieses Forschungs danken. Wir möchten auch die vielen Mitglieder der Fakultät von der Abteilung für Entomologie an der Universität von Kalifornien, Riverside, danke ich für ihren Rat an diesem Projekt.

1. Insektenkolonie und Aufzucht <ol><li> Moskito Kolonie und Aufzucht <ol><li> Hinter Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma und Aedes aegypti Erwachsene aus Labor Kolonien, die aus Wildfänge stammen. </li><li> Hintermückenlarven in Emaille Pfannen unter Standardlaborbedingungen (27 ° C, 16: 8 Stunden Licht: dunkel [LD] Zyklus mit 1 Stunde der Dämmerung / Dämmerung Zeiten), und füttern sie ad libitum auf einer Mischung von Boden Nagerfutter und Bierhefe (3: 1, v: v). </li><li> Moskito sammeln Puppen in 200 ml Becher, und legen Sie sie in Versuchskammern. Alternativ aspirieren die erwachsenen Mücken in Versuchskammern innerhalb 1 Woche nach Entstehung. Stellen Sie sicher, jeder Experimentierkammer enthält von 20 bis 40 Individuen der gleichen Art / Sex. </li><li> Feed erwachsenen Mücken ad libitum auf einem 10% Saccharose-Wasser-Gemisch. Ersetzen Lebensmittel wöchentlich. </li><li> Befeuchten Baumwolle Handtücher zweimal pro Woche und place sie oben auf den Versuchskammern, um Feuchtigkeit in dem Käfig zu halten. Darüber hinaus legen Sie eine Tasse 200 ml Leitungswasser in der Kammer zu allen Zeiten zu helfen, die Gesamtfeuchtigkeitsniveau. </li><li> Pflegen Sie die Versuchskammern auf einem 16: 8 Stunden Licht: dunkel [LD] Zyklus 20,5-22 ° C und 30-50% RH für die Dauer des Experiments. </li></ol></li><li> Haus-Fliege und Fruit Fly Kolonie und Aufzucht <ol><li> Hinter Musca domestica von einem Labor-Kolonie, abgeleitet aus Wildfänge. Fangen wilde Drosophila simulans Personen und Hinter sie in den Versuchskammern. </li><li> Hinter Musca domestica-Larven in Plastikwannen unter Standard-Laborbedingungen (00.12 h Licht: Dunkelheit [LD] Zyklus, 26 ° C, 40% RH) in einem Gemisch aus Wasser, Kleie Mahlzeit, Luzerne, Hefe und Milchpulver. Hinter Drosophila simulans Larven in einem Aufzuchtraum und füttern sie ad libitum auf einer Mischung von FäulnisObst. </li><li> Absaugen Erwachsenen Musca domestica in Versuchskammern innerhalb 1 Woche nach Entstehung. Erwachsene Drosophila simulans können direkt in den Versuchskammern aufgezogen werden. Vor der Datenerhebung, sicherzustellen, dass jeder Versuchskammer nicht mehr als 10-15 Einzel Musca domestica oder 20-30 einzelnen Drosophila simulans. </li><li> Füttern Erwachsenen Musca domestica ad libitum auf einer Mischung aus Zucker und fettarme Trockenmilch, mit freiem Zugang zu Wasser. Feed erwachsenen Drosophila simulans ad libitum auf einer Mischung von faulenden Früchten. Ersetzen Lebensmittel wöchentlich. </li><li> Pflegen Versuchskammern auf einem 16: 8 Stunden Licht: dunkel [LD] Zyklus 20,5-22 ° C und 30-50% RH für die Dauer des Experiments. </li></ol></li></ol> 2. Notieren Fliegen Sounds in Versuchskammern <ol><li> Versuchskammer-Setup Hinweis: Ein &quot;Versuchs cHamber &quot;den Käfig in unserem Labor entwickelt, in denen die Daten aufgezeichnet wurden. Der Sensor ist relativ kostengünstig. Wenn in Groß gebaut, könnte ein Satz für weniger als $ 10 hergestellt werden. <ol><li> Konstruieren Sie einen Experimentierkammer, eine der größeren Größe: 67 cm L x 22 cm B x 24,75 cm H oder der geringeren Größe: 30 cm L x 20 cm B x 20 cm H. Die Experimentierkammer besteht aus einem Fototransistor und einem Array Laserlinie zeigt auf den Fototransistor-Array. HINWEIS: Zusätzlich kann die Kammer aus Kritter Wächter, die modifiziert sind, um die Sensorvorrichtung sowie eine Hülse mit einem Stück PVC-Rohr befestigt ist, um Zugang zu den Insekten gehören ermöglichen. </li><li> Schließen Sie den Fototransistor-Array zu einem elektronischen Bord. Die Ausgabe des elektronischen Bord-Feeds in eine digitale Audio-Recorder und wird als Audio-Daten im MP3-Format aufgezeichnet. Die Logik Aufbau des Sensors in Abbildung 1.II und einer physikalischen Ausführung der Kammer in 1.I. </li><li&gt; Ändern Sie die Deckel der Versuchskammern mit einem Stück Mesh-Stoff an der Innenseite befestigt, um ein Entweichen der Insekten zu verhindern. HINWEIS: Wenn ein Insekt fliegt über den Laserstrahl, der seine Flügel teilweise das Licht zu verschließen, so dass kleine Lichtschwankungen. Die Lichtschwankungen werden durch den Fototransistor-Array als Stromänderungen erfasst, und das Signal wird durch die kundenspezifische Elektronik-Platine gefiltert und verstärkt. </li></ol></li><li> Einrichten des Systems zum Treffer Sounds Produziert von fliegenden Insekten <ol><li> Verbinden der Experimentierkammer mit einer Stromversorgung. Schalten Sie das Gerät ein. </li><li> Auf der Experimentierkammer, finden Sie die Laser-Licht und photoarray. Richten Sie die Laser-Licht auf die photoarray. Um die korrekte Ausrichtung zu erreichen, stellen die photoarray mit den Magneten an der Außenseite der Versuchskammer, die mit den Magneten an der photoarray im Inneren der Kammer angebracht entsprechen, bis das Laserlicht wird auf allen der individuellen photodiod zentriertES. </li><li> Führen Sie zwei Gültigkeitsprüfungen, um sicherzustellen, dass das System ordnungsgemäß eingerichtet ist. Hinweis: Der erste Schritt besteht darin, sicherzustellen, dass das System mit Strom versorgt wird, werden alle Leitungen ordnungsgemäß angeschlossen sind, und der Laser auf dem Foto-Array zeigt. Der zweite Schritt ist die weitere Kontrolle der Laserausrichtung durchführen, um sicherzustellen, dass sie den Klang der Insekten Flügelschläge zu erfassen. <ol><li> Schließen Sie einen Kopfhörer (nicht die Recorder) in die Audio-Buchse. Tauchen Sie ein in der Hand und aus der Experimentierkammer, in der Nähe des photoarray, um das Flugzeug des Laserlichts zu brechen. Stellen Sie sicher, dass das Laserlicht an ist (es wird ein roter Lichtstrahl sein) und dass Sie der Lichtebene ein paar Mal mit der Hand zu brechen. Hören Sie auf Veränderungen im Geräuschpegel der Hand geht in die und aus der Lichtstrahl. Wenn Sie einen hörbaren Unterschied zu erkennen, ist der Sensor in der Lage, Geräusche durch die Bewegung der großen Objekten hergestellt zu erfassen. Wenn dies gelingt, gehen Sie zum nächsten Plausibilitätsprüfung, sonst prüfen, ob die Kopfhörer richtig angeschlossen ist undob der Laser den photoarray zeigt. Stellen Sie die photoarray entsprechend, bis der Ton der Hand bewegt sich in und aus der Experimentierkammer zu hören ist. </li><li> Bringen Sie ein dünnes Stück von elektrischen Leitungen, um eine automatische Zahnbürste. Schalten Sie die Zahnbürste und tauchen die Verdrahtung in und aus der Experimentierkammer in der Nähe des phototarray. Sicherstellen, dass das Laserlicht trifft das Stück Verdrahtung wie es sich bewegt. Wenn Sie einen hörbaren Frequenzänderung zu erkennen, wenn das Stück von Verdrahtungs bricht das Flugzeug von Laserlicht, das System ist dann bereit, die durch die Bewegung der winzigen Objekte, dh, Insekten Klänge erzeugten Klänge zu erfassen. Wenn Sie nicht einen hörbaren Unterschied zu erkennen, gehen Sie zurück zu Schritt 2.2.2 neu ausrichten Laser-Licht und die photoarray. </li></ol></li><li> Nachdem das System ordnungsgemäß eingerichtet ist, den Deckel schließen und fügen Sie die Insekten. </li></ol></li><li> Datensammlung: Rekord Sounds Produziert von fliegenden Insekten <ol><li> Schalten Sie den Recorder und einen voicE-Annotation, die folgende Informationen enthält: Name der Art in der Versuchskammer, Alter der Insekten, Datum und Uhrzeit, aktuelle Umgebungs RT, und die relative Luftfeuchtigkeit. Unterbrechen Sie die Aufnahme. </li><li> Schließen Sie den Recorder an das System, über das Audio-Kabel, und setzen Sie die Aufnahme. Lassen Sie den Recorder für 3 Tage aufnehmen, dann stoppen Sie die Aufnahme. </li><li> Laden Sie die Daten vom Rekorder in einen neuen Ordner auf einem PC. Leeren Sie den Recorder durch das Löschen der Daten. </li><li> Wiederholen des obigen Aufzeichnungsverfahren, bis die verbleibenden Insekten ab und starb es nicht mehr als 5 Insekten leben in den Käfig verlassen. </li></ol></li></ol> 3. Sensordatenverarbeitung und Erkennung von Sounds Produziert von fliegenden Insekten <ol><li> Verwenden Sie Software, um Sounds Produziert von fliegenden Insekten zu erkennen. Hinweis: Die Software (Erkennungsalgorithmus) ist viel schneller als Echtzeit. Es dauert weniger als 3 h, um eine Aufzeichnungssitzung zu verarbeiten, das heißt, drei Tage von DATa, auf einem Standard-Maschine mit Intel (R) Core ™ Prozessor mit 2,00 GHz und 8 GB RAM. <ol><li> Für jeden Ordner mit Daten aus einer Aufnahme-Session, führen Sie den Erkennungssoftware, um Insektengeräusche zu erkennen. So führen Sie die Software, Open MATLAB, und geben Sie &quot;circandian_wbf (DataDir)&quot; im Befehlsfenster, wo DataDir ist das Verzeichnis der Aufnahmedaten. Dann &quot;Enter&quot; drücken, um zu beginnen. HINWEIS: Laden Sie die Software zur Erkennung von Referenz circadian_wbf # 16. </li><li> Warten, bis der Algorithmus terminiert, dann überprüfen Sie die Erkennungsergebnisse. Der Algorithmus gibt alle erkannt Insektengeräusche in einem neuen Ordner mit dem Namen &quot;DataDir _extf&quot;, wo DataDir ist die gleiche wie im vorherigen Schritt. Jeder Sound-Datei ist eine 1 Sekunde lange Audioclip ursprünglich aus dem Roh-Aufnahme extrahiert, mit einem digitalen Filter angewendet, um Rauschen zu entfernen. Die Auftrittszeit von jedem erkannten Ton wird in einer Datei namens &quot;DataDir _time.mat &amp; gerettet# 8221 ;. Am Beispiel eines erfassten Schallinsekten beobachten in 2. </li></ol></li><li> Erkennungsalgorithmus <ol><li> Verwenden Sie einen 0,1 s lang Schiebefenster, durch die Aufnahme gleiten. Das Schiebefenster beginnt mit dem Beginn der Aufzeichnung. Für jedes Fenster, die folgenden Schritte aus. <ol><li> Berechnen Sie die Grundfrequenz des aktuellen Fensters. </li><li> Wenn die Grundfrequenz ist im Bereich von 100 Hz bis 1200 Hz, dann tun Sie das folgende: <ol><li> Entpacken Sie die 1-Sekunden-langen Audio-Clip Zentrierung auf das aktuelle Fenster aus der Aufnahme; gelten ein Digitalfilter, um den Lärm in den Clip entfernen und den gefilterten Audio in den Ordner &quot;DataDir _extf&quot;. </li><li> Speichern Sie die Eintrittszeit des aktuellen Fensters in die Datei &quot;DataDir _time&quot;. </li><li> Bewegen Sie den Schiebefenster auf den Punkt, die unmittelbar auf die extrahierten Audioclip. </li></ol></li><li> Wenn der Grund frequency ist NICHT im Bereich von 100 Hz bis 1200 Hz, bewegen Sie einfach den Schiebefenster 0,01 sec nach vorne. </li></ol></li><li> Vorgang wiederholen, bis das Schiebefenster am Ende der Aufzeichnung erreicht. </li></ol></li></ol> 4. Insekten Klassifizierung <ol><li> Bayes-Klassifizierung mit den einfach das Fliegen Ton Hinweis: Bayes-Klassifikator ist eine probabilistische Klassifikator, die ein Objekt um seine wahrscheinlichste Klasse klassifiziert. <ol><li> Sound-Funktion Berechnung <ol><li> Für jedes Insekt Ton, zu berechnen, das Frequenzspektrum des Klangs mit Hilfe der diskreten Fourier-Transformation (DFT). Abzuschneiden das Frequenzspektrum nur diejenigen Datenpunkte entsprechend dem Frequenzbereich sind: 100 Hz bis 2.000 Hz ist. Der Kegelfrequenzspektrum wird dann in der Klassifizierung als &quot;Vertreter&quot; der Insekten Ton verwendet. HINWEIS: Die DFT ist ein Algorithmus, der Signale in der Zeitdomäne transformiert in den Frequenzbereich. Es ist ein Built-in-Funktion in den meisten Programmiersprachen Bibliotheken, und kann im Programm mit nur einer Codezeile aufgerufen werden. </li></ol></li><li> Zug ein Bayes-Klassifikator <ol><li> Verwenden Sie die KNN Dichte Schätzansatz 14, um die hinteren Wahrscheinlichkeitsverteilung mit Hilfe des Sound-Funktion zu erlernen. Mit der KNN-Ansatz ist das Trainingsphase, um eine Trainingsdatenmenge zu bauen. <ol><li> Zufällig probieren eine Reihe von Insekten Klänge aus den für die einzelnen Arten von Insekten gesammelt werden. </li><li> Folgen Sie den Schritten in Abschnitt 4.1.1 und berechnen die abgeschnittenen Frequenzspektrum für jeden abgetasteten Klang. Die verkürzten Spektren zusammen mit Klasse Etiketten der Proben &quot;(Insektenarten Name) komponierte die Trainingsdatenmenge. </li></ol></li></ol></li><li> Verwenden Sie den Bayes-Klassifikator, um einen unbekannten Insekt klassifizieren <ol><li> Berechnen Sie die abgeschnittenen Frequenzspektrum des unbekannten Insekten Sound. </li><li> Berechnen Sie die euklidische Distanz zwischen den Kegel Spektrum der unknown Objekt und alle die abgeschnittenen Spektren in der Trainingsdatenmenge. </li><li> Finden Sie die Top-k (k = 8 in diesem Beitrag) nächsten Nachbarn des unbekannten Objekts in der Trainingsdatenmenge. Berechnen Sie die Wahrscheinlichkeit, dass der hintere unbekannte Insekten Sound gehört zu einer Klasse als der Anteil der Top-k nächsten Nachbarn, die als Klasse gekennzeichnet sind. </li><li> Bewerte das unbekannte Objekt in die Klasse, die die höchste Wahrscheinlichkeit hat posterior. </li></ol></li></ol></li><li> Fügen Sie eine Funktion, um die Classifier: Insektenzirkadianen Rhythmus <ol><li> Lernen Sie die Klasse Anlage Verteilungen der Auftrittszeit von Insekten-Sound, das heißt, die zirkadianen Rhythmus für jede Art von Insekten. <ol><li> Besorgen Sie sich die Auftrittszeit der einzelnen Ton von den Detektionsergebnisse (siehe Abschnitt 3.2). </li><li> Für jede Art, bauen ein Histogramm der Insekten Sound Auftrittszeit. </li><li> Normalisieren des Histogramms, so dass der Bereich des Histogramms gehört. Die normaleized Histogramm ist der circadiane Rhythmus der gegebenen Spezies. Es sagt die Wahrscheinlichkeit der Beobachtung eines Insekts der betreffenden Art im Flug innerhalb eines bestimmten Zeitraums. </li></ol></li><li> Klassifizieren eine unbekannte &quot;Insekt Sound&quot; durch die Kombination der &quot;Insekten Sound&quot; und den zirkadianen Rhythmus <ol><li> Angesichts der besonderen Punkt in der Zeit, in der die unbekannten Insekten Sound aufgetreten ist, erhalten die Wahrscheinlichkeit der Beobachtung ein Insekt der Klasse auf der Grundlage des zirkadianen Rhythmus der Klasse. HINWEIS: Der zirkadiane Rhythmus ist eine Wahrscheinlichkeitsverteilung. Es ist ein Array, das die Wahrscheinlichkeit der Erfassung eines Schall, durch eine bestimmte Insektenarten erzeugt, zu einer bestimmten Zeit des Tages. Also einmal eine Zeit gegeben ist, kann man einfach überprüfen, das Array, um die Wahrscheinlichkeit zu erhalten. </li><li> Folgen Sie den Schritten in Abschnitt 4.1.2, um die spätere Wahrscheinlichkeit, dass die unbekannte Klang gehört zur Klasse unter Verwendung der Sound-Funktionen berechnen. Multiplizieren Sie die spätere Wahrscheinlichkeit zu den Ergebnissen herm den vorherigen Schritt, um die neue spätere Wahrscheinlichkeit zu erhalten. </li><li> Klassifizieren Sie die &quot;unbekannten Sound&quot; auf die Klasse, die die höchste Wahrscheinlichkeit hat neue Hinter. </li></ol></li></ol></li><li> Fügen Sie eine weitere Funktion, um die Classifier: Insekten Geographic Verteilung <ol><li> Lernen Sie die geographische Verteilung der Spezies von Interesse, entweder von Daten in historischen Aufzeichnungen veröffentlicht, einschlägige Literatur oder einfach sammeln die Wissen aus erster Hand von Feldtechniker / Biologen. Zu Demonstrationszwecken verwenden eine Simulation der Grafik Verteilung, wie in Abbildung 7 gezeigt. </li><li> Klassifizieren &quot;Unbekanntes Insekt Sound&quot; mit &quot;fliegenden Sound&quot; und die beiden zusätzlichen Funktionen. <ol><li> Angesichts der geografischen Lage, wo das Insekt Sound abgefangen wurde, berechnen die Wahrscheinlichkeit der Beobachtung ein Insekt aus der Klasse an diesem bestimmten Ort über die grafische Verteilung der Arten. <ol><li> Folgen Sie den Schritten in Abschnitt 4.2.2 einnd berechnen die Wahrscheinlichkeit, dass der posteriore &quot;unbekannten Sound&quot; gehört zu Klasse unter Verwendung der Sound-Features und die zirkadianen Rhythmen. Multiplizieren das Ergebnis dieses Schritts der Ergebnisse aus dem vorherigen Schritt, um den neuen spätere Wahrscheinlichkeit zu erhalten. </li></ol></li><li> Klassifizieren Sie die &quot;unbekannten Sound&quot; auf die Klasse, die die höchste Wahrscheinlichkeit hat neue Hinter. </li></ol></li></ol></li><li> Eines allgemeinen Rahmens für Hinzufügen von Funktionen <ol><li> Betrachten Sie die Bayes-Klassifikator, der gerade Sound-Funktionen als primäre Klassifizierer verwendet. Folgen Sie den Schritten unten, um neue Funktionen, die den Klassifikator hinzuzufügen. <ol><li> In der Trainingsphase, lernen die Klasse Anlage Dichtefunktionen der neuen Funktion. </li><li> In der Klassifizierungsphase, angesichts der neuen Funktion des &quot;unbekannten Sound&quot;, berechnen Sie die Wahrscheinlichkeit der Beobachtung der Funktion in der Klasse mit den Dichtefunktionen im vorherigen Schritt gelernt. Multiplizieren Sie die neue Wahrscheinlichkeit auf die previous spätere Wahrscheinlichkeit entsprechend dem &quot;unbekannten Sound&quot;, um Klasse gehören, die der auf Basis wurden nur die ungeraden Funktionen, um die neue spätere Wahrscheinlichkeit zu erhalten. Bewerte das unbekannte Objekt in die höchste Klasse, die neue Hinter Wahrscheinlichkeit hat. </li></ol></li></ol></li></ol>

<ol><li>Kahn, M. C., Celestin, W., Offenhauser, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Recording+of+sounds+produced+by+certain+disease-carrying+mosquitoes%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Recording of sounds produced by certain disease-carrying mosquitoes.</a> Science. 101 (2622), 335-336 (1945).</li>
<li>Reed, S. C., Williams, C. M., Chadwick, L. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Frequency+of+wing-beat+as+a+character+for+separating+species+races+and+geographic+varieties+of+Drosophila%5BTitle%5D)+AND+%22Genetics%22%5BJournal%5D)">Frequency of wing-beat as a character for separating species races and geographic varieties of Drosophila.</a> Genetics. 27 (3), 349(1942).</li>
<li>Belton, P., Costello, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Flight+sounds+of+the+females+of+some+mosquitoes+of+Western+Canada%5BTitle%5D)+AND+%22Entomologia+experimentalis+et+applicata%22%5BJournal%5D)">Flight sounds of the females of some mosquitoes of Western Canada.</a> Entomologia experimentalis et applicata. 26 (1), 105-114 (1979).</li>
<li>Mankin, R. W., Machan, R., Field Jones, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((testing+of+a+prototype+acoustic+device+for+detection+of+Mediterranean+fruit+flies+flying+into+a+trap%5BTitle%5D)+AND+%22Proc.+7th+Int+Symp+Fruit+Flies+of+Economic+Importance%22%5BJournal%5D)">testing of a prototype acoustic device for detection of Mediterranean fruit flies flying into a trap.</a> Proc. 7th Int Symp Fruit Flies of Economic Importance. , 10-15 (2006).</li>
<li>Raman, D. R., Gerhardt, R. R., Wilkerson, J. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detecting+insect+flight+sounds+in+the+field+Implications+for+acoustical+counting+of+mosquitoes%5BTitle%5D)+AND+%22Transactions+of+the+ASABE%22%5BJournal%5D)">Detecting insect flight sounds in the field Implications for acoustical counting of mosquitoes.</a> Transactions of the ASABE. 50 (4), 1481Forthcoming.</li>
<li>Moore, A., Miller, J. R., Tabashnik, B. E., Gage, S. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+identification+of+flying+insects+by+analysis+of+wingbeat+frequencies%5BTitle%5D)+AND+%22Journal+of+economic+entomology%22%5BJournal%5D)">Automated identification of flying insects by analysis of wingbeat frequencies.</a> Journal of economic entomology. 79 (6), 1703-1706 (1986).</li>
<li>Moore, A., Miller, R. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+identification+of+optically+sensed+aphid+%28Homoptera%3A+Aphidae%29+wingbeat+waveforms%5BTitle%5D)+AND+%22Annals+of+the+Entomological+Society+of+America%22%5BJournal%5D)">Automated identification of optically sensed aphid (Homoptera: Aphidae) wingbeat waveforms.</a> Annals of the Entomological Society of America. 95 (1), 1-8 (2002).</li>
<li>Li, Z., Zhou, Z., Shen, Z., Yao, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+identification+of+mosquito+%28diptera%3A+Culicidae%29+wingbeat+waveform+by+artificial+neural+network%5BTitle%5D)+AND+%22Artificial+Intelligence+Applications+and+Innovations%22%5BJournal%5D)">Automated identification of mosquito (diptera: Culicidae) wingbeat waveform by artificial neural network.</a> Artificial Intelligence Applications and Innovations. , 483-489 (2005).</li>
<li>Moore, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Artificial+neural+network+trained+to+identify+mosquitoes+in+flight%5BTitle%5D)+AND+%22Journal+of+insect+behavior%22%5BJournal%5D)">Artificial neural network trained to identify mosquitoes in flight.</a> Journal of insect behavior. 4 (3), 391-396 (1991).</li>
<li>Halevy, A., Norvig, P., Pereira, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+unreasonable+effectiveness+of+data%5BTitle%5D)+AND+%22Intelligent+Systems%2C+IEEE%22%5BJournal%5D)">The unreasonable effectiveness of data.</a> Intelligent Systems, IEEE. 24 (2), 8-12 (2009).</li>
<li>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).</li>
<li>Shotton, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Real-time+human+pose+recognition+in+parts+from+single+depth+images%5BTitle%5D)+AND+%22Communications+of+the+ACM%22%5BJournal%5D)">Real-time human pose recognition in parts from single depth images.</a> Communications of the ACM. 56 (1), 116-124 (2013).</li>
<li>Ilyas, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Classifying+insects+on+the+fly%5BTitle%5D)+AND+%22Ecological+Informatics%22%5BJournal%5D)">Classifying insects on the fly.</a> Ecological Informatics. , (2013).</li>
<li>Mack, Y. P., Rosenblatt, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multivariate+k-nearest+neighbor+density+estimates%5BTitle%5D)+AND+%22Journal+of+Multivariate+Analysis%22%5BJournal%5D)">Multivariate k-nearest neighbor density estimates.</a> Journal of Multivariate Analysis. 9 (1), 1-15 (1979).</li>
<li>Benedict, M., Robinson, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+first+releases+of+transgenic+mosquitoes+an+argument+for+the+sterile+insect+technique%5BTitle%5D)+AND+%22TRENDS+in+Parasitology%22%5BJournal%5D)">The first releases of transgenic mosquitoes an argument for the sterile insect technique.</a> TRENDS in Parasitology. 19 (8), 349-355 (2003).</li>
<li>Chen, Y. Supporting Materials. , Available from: 
 <a target="_blank" href="https://sites.google.com/site/insectclassification">https://sites.google.com/site/insectclassification</a> Forthcoming.</li>
<li>Chen, Y., Why, A., Batista, G., Mafra-Neto, A., Keogh, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Flying+Insect+Classification+with+Inexpensive+Sensors%5BTitle%5D)+AND+%22Journal+of+Insect%22%5BJournal%5D)">Flying Insect Classification with Inexpensive Sensors.</a> Journal of Insect. 27 (5), 657-677 (2014).</li>
</ol>

Die Autoren erklären, dass sie keine finanziellen Interessen konkurrieren.

Die hier beschriebene Sensor / Classification Framework ermöglicht die kostengünstige und skalierbare Klassifikation von fliegenden Insekten. Die vom System erreichbaren Genauigkeiten sind gut genug, um die Entwicklung kommerzieller Produkte ermöglichen und könnte ein nützliches Werkzeug in der entomologischen Forschung sein. Die Fähigkeit, preiswert, nicht-invasiven Sensoren verwenden, um präzise und automatisch zu klassifizieren fliegenden Insekten würde erhebliche Auswirkungen auf die ent...

Die Idee der automatischen Klassifizierung von Insekten mit dem Neben Klang ihrer Flug stammt aus den frühen Tagen der Computer und handelsüblichen Audio-Aufnahmegeräte 1. Allerdings hat kaum Fortschritte auf dieses Problem in den folgenden Jahrzehnten gemacht worden. Der mangelnde Fortschritt in diesem Streben kann auf mehrere Faktoren zurückgeführt werden verwandten. Erstens hat das Fehlen einer wirksamen Sensoren Datenerfassung erschwert. Die meisten Versuche, die Daten zu sammeln haben akustische Mikrofone 2-5 verwendet. Solche Vorrichtungen sind sehr empfindlich gegenüber Rauschen und Umgebungsrauschen Wind in der Umgebung, was zu sehr spärlich und Daten geringer Qualität. Zweitens Compoundierung diese Datenqualitätsprobleme ist die Tatsache, dass viele Forscher haben versucht, sehr kompliziert Klassifikationsmodelle, insbesondere neuronale Netze 6-8 zu lernen. Der Versuch, komplizierte Klassifikationsmodelle zu lernen, mit gerade einmal zehn Beispiele,ist ein Rezept für Überanpassung. Drittens, die schwer zu erhalten, Daten dazu geführt, dass viele Forscher als 300 Fällen 9 oder weniger versucht, Klassifikationsmodelle mit sehr begrenzte Daten zu bauen, da nur wenige. Es ist jedoch bekannt, dass für den Aufbau eine genaue Klassifizierungsmodelle, besser 10-13 mehr Daten. Diese Arbeit richtet sich an alle drei Fragen. Optische (und nicht akustisch) Sensoren können verwendet werden, um die Aufnahme &quot;Sound&quot; der Insektenflug von Meter entfernt, mit kompletter Invarianz gegen Windgeräusche und Umgebungsgeräusche. Diese Sensoren haben die Aufnahme von Millionen von markierten Trainingsinstanzen, weit mehr Daten als alle bisherigen Bemühungen kombiniert erlaubt, und so dazu beitragen, die Überanpassung geplagt hat, dass vorherige Forschungsanstrengungen zu vermeiden. Eine prinzipielle Verfahren wird unten gezeigt, dass ermöglicht den Einbau von zusätzlichen Informationen in die Klassifikationsmodell. Diese zusätzlichen Informationen können als alltägliche und als seineinfach zu erhalten, als die Zeit der Tage, doch erzeugen erhebliche Gewinne in der Genauigkeit des Modells. Schließlich wird gezeigt, dass die enormen Mengen an Daten, die wir gesammelt erlauben es uns, die Vorteile von &quot;The unvernünftig Wirksamkeit der Daten&quot; 10, um einfache, genaue und robuste Klassifikatoren zu produzieren. Zusammenfassend hat Fluginsekten Klassifizierung über die zweifelhafte Ansprüche im Forschungslabor erstellt verschoben und ist nun bereit für die realen Einsatz. Die Sensoren und Software in dieser Arbeit vorgestellt werden Forscher weltweit bieten robuste Werkzeuge, um ihre Forschung zu beschleunigen.

<table><tbody><tr><td>Audiorecorder: ICD-PX312</td><td>Sony</td><td>4-267-065-11(2)</td><td>Mit einem zusätzlichen microSD-Speicher von 8 GB</td></tr><tr><td>Insectary</td><td>Lee's Aquarium & Produkte für Haustiere.</td><td>20088 HerpHaven&reg;, Großes Rechteck</td><td>14 1/2" lang x 8 3/4" breit x 9 3/4" hoch. Modifiziert, um Insekten zu beherbergen.</td></tr><tr><td>Laserliniengenerator, 650 nm (rot)</td><td>Apinex (www.apinex.com)</td><td>LN60-650</td><td>5 mW. Hierbei handelt es sich um einen Laser mit geringer Leistung, ähnlich dem Laserpointer eines Lehrers</td></tr><tr><td>Fotodioden-Array</td><td>VISHAY SEMICONDUCTOR TEFD4300&nbsp; PIN-FOTODIODE, 650 NM, 20 Grad, T1</td><td>TEFD4300</td><td>Wir haben ein benutzerdefiniertes Array von 15 dieser Fotodioden hergestellt, die parallel geschaltet sind.</td></tr><tr><td>Integrierte Analog-Digital-Wandler-Schaltung</td><td>Sonderanfertigung in unserem Labor</td><td></td><td>Wir haben diesen Artikel selbst hergestellt, aber ein leicht erhältliches kommerzielles Produkt, Gino PCF8591 AD/DA-Wandler, bietet die gleiche Funktionalität.</td></tr></tbody></table>

fliegen-insekt erkennung und klassifizierung mit preiswerten sensoren

Flying Insect Detection and Classification with Inexpensive Sensors

Eine preiswerte, nicht-invasive System, das genau zu klassifizieren könnte fliegenden Insekten würden wichtige Implikationen für die entomologische Forschung haben, und damit für die Entwicklung von vielen nützlichen Anwendungen in Vektor-und Schädlingsbekämpfung für medizinische und landwirtschaftliche Entomologie. Angesichts dieser, haben die letzten 60 Jahre viele Forschungsanstrengungen dieser Aufgabe gewidmet gesehen. Bis heute ist jedoch keine dieser Forschung hat einen bleibenden Einfluss hatte. In dieser Arbeit zeigen wir, dass Pseudo-akustisch-optische Sensoren überlegen Daten zu erzeugen; dass zusätzliche Funktionen, sowohl intrinsische als auch extrinsische, um das Flugverhalten der Insekten, kann der Angreifer ausnutzen, um Insekten Klassifizierung zu verbessern; dass ein Bayes-Klassifizierung Ansatz erlaubt es, Klassifikationsmodelle, die sehr robust zu Überanpassung sind effizient zu lernen, und eine allgemeine Klassifizierung Rahmen erlaubt es, einfach zu integrieren beliebige Anzahl von Funktionen. Wir zeigen die Ergebnisse mit großen Experimente, die in den Schatten stellen alle bisherigen Werke combiNed, wie durch die Anzahl der Insekten und der Anzahl der betrachteten Spezies gemessen.

Zwei Experimente werden hier vorgestellt. Für beide Experimente wurden die verwendeten Daten zufällig aus einer Datenmenge, die über 100.000 Objekte enthält abgetastet. Das erste Experiment zeigt die Fähigkeit der vorgeschlagenen Klassifizierer genau klassifizieren verschiedene Arten / Geschlechtern der Insekten. Da die Klassifikationsgenauigkeit hängt von den Insekten klassifiziert werden, wird eine einzige absolute Wert für Klassifikationsgenauigkeit nicht geben dem Leser eine gute Intuiti...

Wir haben vorgeschlagen, ein System, das preiswert, nicht-invasive Pseudo-akustisch-optische Sensoren verwendet, um automatisch und genau zu erfassen, zu zählen und zu klassifizieren fliegenden Insekten basierend auf ihren fliegenden Sound.

Fliegen-Insekt Erkennung und Klassifizierung mit preiswerten Sensoren

An inexpensive, noninvasive system that could accurately classify flying insects would have important implications for entomological research, and allow ...

Das übergeordnete Ziel dieses Verfahrens ist es, fliegende Insekten anhand ihres Flügelschlaggeräuschs zu erkennen und zu identifizieren. Dies wird erreicht, indem zunächst ein pseudoakustischer Sensor verwendet wird, um den Schall in einer Experimentierkammer kontinuierlich aufzuzeichnen. Der zweite Schritt besteht darin, die Fluggeräusche der Insekten aus der Rohaufnahme automatisch zu erkennen.Der letzte Schritt besteht darin, die erkannten Fluggeräusche automatisch zu klassifizieren, um die Insektenart und das Geschlecht zu identifizieren. Letztendlich werden Abbildungen und Tabellen verwendet, um die Genauigkeit der Klassifizierung zu zeigen. Der Hauptvorteil dieser Technik besteht darin, dass sie einfach und kostengünstig ist und so allgegenwärtig gemacht werden kann wie aktuelle Methoden wie Sticky Trips und Interbition Trips, aber mit digitalen Vorteilen wie höherer Genauigkeit und Echtzeitüberwachung.Zu Beginn des Experiments züchten Sie Mückenlarven in Emaillepfannen unter normalen Laborbedingungen. Füttern Sie sie mit einer Mischung aus gemahlenem Nagetierfutter und Bierhefe im Verhältnis drei zu eins. Sammeln Sie als Nächstes Mückenpuppen in 200-Milliliter-Bechern oder sammeln Sie erwachsene Mücken und legen Sie sie in Versuchskammern.Stellen Sie sicher, dass jede Versuchskammer 20 bis 40 Individuen der gleichen Art und des gleichen Geschlechts enthält. Essen Sie erwachsene Mücken, eine Mischung aus 10 % Saccharose und Wasser, und ersetzen Sie das Futter einmal pro Woche, feuchte und Baumwollhandtücher zweimal pro Woche und legen Sie sie auf die Versuchskammern, um die Luftfeuchtigkeit aufrechtzuerhalten. Halten Sie außerdem immer eine 200-Milliliter-Tasse Leitungswasser in der Kammer.Halten Sie die Versuchskammern für die Dauer des Experiments in einem 16- bis achtstündigen Hell-Dunkel-Zyklus bei 20,5 bis 22 Grad Celsius und 30 bis 50 % Luftfeuchtigkeit. Schließen Sie die Experimentierkammer an eine Stromversorgung an und schalten Sie sie ein. Richten Sie die Laserlichter auf das Fotoarray aus, indem Sie die Magnete so einstellen, dass der Laser auf allen einzelnen Fotodioden zentriert ist.Führen Sie als Nächstes zwei Plausibilitätsprüfungen durch, indem Sie zunächst sicherstellen, dass das System mit Strom versorgt ist und der Laser auf das Fotoarray zeigt. Schließen Sie dann den Lautsprecher an die Audiobuchse an, um zu überprüfen, ob die Ausrichtung des Lasers und des Fotoarrays in der Lage ist, Ton aufzunehmen. Tauchen Sie eine Hand in der Nähe des Endes der Laserquelle in den Käfig ein und wieder heraus.Stellen Sie sicher, dass sich das Laserlicht auf der Hand befindet, und hören Sie, ob sich der Klang ändert. Wenn die Hand ein- und ausgeht, befestigen Sie eine Schnur an einer elektronischen Zahnbürste und schalten Sie die Zahnbürste ein. Stellen Sie sicher, dass das Laserlicht eingeschaltet ist.Bewegen Sie dann die Saite in die Laserebene und hören Sie, ob sich der Klang verändert. Nachdem das System richtig eingerichtet ist, fügen Sie Insekten in den Käfig ein und schließen Sie den Deckel. Um mit der Datenerfassung zu beginnen, schalten Sie den Rekorder ein, erstellen Sie eine Sprachanmerkung, die die folgenden Informationen enthält, und halten Sie die Aufzeichnung an.Schließen Sie anschließend den Rekorder an das System an und setzen Sie die Aufnahme drei Tage lang fort. Laden Sie die Daten vom Rekorder in einen neuen Ordner herunter und leeren Sie den Rekorder, indem Sie die Daten löschen. Wiederholen Sie den Aufzeichnungsvorgang, bis die verbleibenden Insekten abgestorben sind und sich nicht mehr als fünf Insekten im Käfig befinden.Um die Daten zu verarbeiten, führen Sie die zirkadiane WBF-Erkennungssoftware für jeden Ordner aus, der Daten aus einer Aufzeichnungssitzung enthält, öffnen Sie MATLAB und geben Sie in das Befehlsfenster ein, um das MATLAB-Arbeitsverzeichnis in das Codeverzeichnis zu ändern und den Code circadian WBF auszuführen. Drücken Sie dann die Eingabetaste, um zu starten. Sobald der Algorithmus beendet ist, überprüfen Sie die Erkennungsergebnisse, die der Algorithmus in einem neuen Ordner ausgibt, der Klassifikator erreicht eine Genauigkeit von mehr als 96 %, wenn nicht mehr als fünf Insektenarten klassifiziert werden, wie in der Tabelle gezeigt, die die Klassifizierungsgenauigkeit anzeigt, die mit zunehmender Anzahl von Klassen erreicht wird.Wenn die Anzahl der Klassen auf 10 steigt, ist die Genauigkeit nie niedriger als 79 %Dieses Tannin kann helfen, Krankheiten wie Material zu bekämpfen, indem es echte Informationen erzeugt, die zur effektiven Planung des Trennprogramms verwendet werden können. Es kann den Landwirten auch helfen, die Ausbreitung von Unfallschäden auf ihren Kulturen zu begrenzen, indem es die Schädlinge auf dem Feld überwacht.

flying-insect-detection-and-classification-with-inexpensive-sensors

Research

Forschung

JoVE Journal

Bioengineering

Biotechnik

Wir präsentieren ein neuartiges chirurgisches Verfahren zur Implantation von Elektroden in Manduca sexta während ihrer frühen metamorphen Stadien. Diese Technik ermöglicht eine mechanisch stabile und elektrisch zuverlässige Kopplung mit dem neuromuskulären Gewebe, um die Dynamik der Flugneurophysiologie zu untersuchen. Wir stellen auch eine neuartige Magnetschwebeplattform für angebundene Studien des Insektengierens vor.

Frühe Metamorphic Insertion Technologie für Fluginsektenverhaltensüberwachung

Wir beschreiben ein Protokoll für die Verwendung von Insektenantennen in Form von Elektroantennogrammen (EAGs) auf autonomen Robotern. Unser experimentelles Design ermöglicht stabile Aufzeichnungen innerhalb eines Tages und löst einzelne Geruchspatches bis zu 10 Hz auf. Die Effizienz von EAG-Sensoren für die olfaktorische Suche wird demonstriert, indem ein Roboter zu einer Geruchsquelle gefahren wird.

Mit Insekten Elektroantennogramm Sensoren auf Autonome Roboter für Riech Suchen

Der Flug von Insekten wird von einer Reihe von Faktoren beeinflusst und die Neigung zur Ausbreitung ist eine wichtige Variable für das Verständnis der Insektenökologie und biologischer Bekämpfungsstrategien. Wir beschreiben den Aufbau und den Einsatz einer einfachen, relativ kostengünstigen und flexiblen Flugmühle zur Messung von Parametern des Fesselfluges bei Insekten.

Ein einfacher Flug Mühle für das Studium der Flug Tethered in Insekten

Die Fähigkeit, eine Geruchsquelle zu lokalisieren, ist für Insekten Überleben notwendig und wird voraussichtlich künstlichen geruchs Tracking anwendbar. Das Insekt gesteuerte Roboter wird von einem tatsächlichen silkmoth angetrieben und ermöglicht es uns, die geruchs Tracking-Fähigkeit von Insekten durch eine Roboterplattform zu bewerten.

Insekt gesteuerte Roboter: Ein mobiler Roboter-Plattform, die geruchs Tracking-Fähigkeit eines Insekts zur Bewertung

Wir Entwicklung eine low-cost und kleine Flug-Mühle mit handelsüblichen Produkten und leicht in Experimenten verwendet. Verwenden dieses Gerät, haben wir die Flug-Fähigkeit eine Ambrosia-Käfer, Platypus Quercivorusgemessen.

Messung der Flug Fähigkeit des Käfers Ambrosia, Platypus Quercivorus (Murayama), mit einem Low-Cost, klein und leicht konstruierte Flug Mühle

Messung von Insekten entstehen Muster ist Präzision gefragt. Bestehenden Systeme sind nur semi-automatischen und Probe Größe begrenzt ist. Wir behandelten diese Themen durch die Gestaltung eines Systems mit Mikrocontrollern, um die Zeit der Entstehung einer großen Zahl von aufstrebenden Insekten genau zu messen.

Eine präzise und autonomen System zur Erkennung von Insekten entstehen Muster

Hier beschreiben wir den Bau und Betrieb eines Windkanals für Geruch Behavioral Assays mit Insekten vermittelt. Der Windkanal-Design erleichtert die Freigabe der Geruch Quellen durch verschiedene Methoden, mit und ohne visuelle Reize. Windkanal-Experimente sind wichtige Methoden, verhaltensorientierte aktive flüchtige Chemikalien zu identifizieren.

Ein Windkanal für Geruch vermittelt Insekt Behavioral Assays

Dieses Protokoll verwendet dreidimensionale (3D) Drucker und Laserschneider, die in Makerspaces zu finden sind, um ein flexibleres Flugmühlendesign zu erstellen. Durch den Einsatz dieser Technologie können Forscher Kosten senken, die Designflexibilität erhöhen und reproduzierbare Arbeit beim Bau ihrer Flugmühlen für angebundene Insektenflugstudien generieren.

Bau einer verbesserten Flugmühle für die Untersuchung des Fluges mit angebundenen Insekten

Diese Studie stellt experimentelle Protokolle für eine biohybride Geruchserkennungsdrohne vor, die auf Seidenmottenantennen basiert. Der Betrieb eines experimentellen Elektroantennennogramms mit Seidenmottenantennen wird vorgestellt, zusätzlich zur Struktur einer Bio-Hybrid-Drohne, die für die Lokalisierung von Geruchsquellen mit dem Spiral-Surge-Algorithmus entwickelt wurde.

Elektroantennen-basierte Bio-Hybrid-Geruchserkennungsdrohne mit Seidenmottenantennen zur Lokalisierung von Geruchsquellen

Um die Auswirkungen von künstlichem Licht in der Nacht (ALAN) auf nachtaktive fliegende Insekten zu untersuchen, muss die Probenahme auf die Nacht beschränkt werden. Das Protokoll beschreibt eine kostengünstige automatisierte Flugabfangfalle, die es Forschern ermöglicht, in benutzerdefinierten Zeiträumen mit erhöhter Replikation Proben zu nehmen.

Kostengünstige automatisierte Flugabfangfalle für die zeitliche Teilprobenahme von fliegenden Insekten, die nachts von künstlichem Licht angezogen werden

Dieses Protokoll stellt die Methoden zum Erstellen, Anbringen und Verfolgen von harmonischen Radarmarken für Insekten vor.

Harmonische Radar-Tags für die Insektenverfolgung: Leicht, kostengünstig und zugänglich

Erfahren Sie die automatische Erkennung und Klassifizierung von Fluginsekten mit kostengünstigen pseudo-akustischen optischen Sensoren. Diese Methode ermöglicht Echtzeit-Monitoring mit höherer Genauigkeit als herkömmliche Verfahren.

Fliegen-Insekt Erkennung und Klassifizierung mit preiswerten Sensoren

Weitere Videos entdecken