Name: Vliegende Insect Detectie en classificatie met goedkope sensoren (Video) | JoVE Journal
Uploaded: 2014-10-15T15:00:00.000+00:00
Duration: 5 min 16 s
Description: Leer vliegende insecten detecteren en classificeren met goedkope pseudo-akoestische optische sensoren op basis van vleugelslaggeluid. Deze methode biedt nauwkeurige real-time monitoring voor ecologisch onderzoek en plagenbeheer.

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

We willen graag de Vodafone Americas Foundation, de Bill en Melinda Gates Foundation, en de São Paulo Research Foundation (FAPESP) bedanken voor de financiering van dit onderzoek. We willen ook graag de vele docenten van de afdeling Entomologie aan de Universiteit van California, Riverside, bedanken voor hun advies over dit project.

1 Insect Kolonie en Steigerend <ol><li> Mosquito Kolonie en Steigerend <ol><li> Achter Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma en Aedes aegypti volwassenen uit lab kolonies, die afkomstig is uit het wild gevangen individuen. </li><li> Achter muggenlarven in emaille pannen onder standaard laboratorium omstandigheden (27 ° C, 16: 8 uur licht: donker [LD] cyclus met 1 hr dusk / dawn periodes), en voer ze ad libitum op een mengsel van gemalen knaagdieren chow en biergist (3: 1, v: v). </li><li> Verzamel mug poppen in 200 ml bekers, en plaats ze in de experimentele kamers. Als alternatief, zuigen de volwassen muggen in experimentele kamers binnen 1 week na opkomst. Zorg ervoor dat elke experimentele kamer bevat 20 tot 40 individuen van dezelfde soort / geslacht. </li><li> Feed volwassen muskieten ad libitum op een 10% sucrose en water mengsel. Vervang voedsel per week. </li><li> Bevochtig katoenen handdoeken twee keer per week en place deze naar de experimentele kamers om vochtigheid in de kooi te houden. Daarnaast plaatst u een kopje van 200 ml kraanwater in de kamer te allen tijde te helpen de algehele luchtvochtigheid op peil te houden. </li><li> Handhaaf de experimentele kamers op een 16: 8 uur licht: donker [LD] gaan, 20,5-22 ° C en 30-50% RV gedurende de duur van het experiment. </li></ol></li><li> Huisvlieg en Fruit Fly Kolonie en Steigerend <ol><li> Achter Musca domestica uit een lab kolonie, afkomstig van in het wild gevangen individuen. Vangen wilde Drosophila simulans individuen en achter hen in de experimentele kamers. </li><li> Tandwiel Musca domestica larven in plastic kuipjes onder standaard laboratoriumomstandigheden (12:12 uur licht: donker [LD] cyclus, 26 ° C, 40% RV) in een mengsel van water, zemelen, alfalfa, gist, en melkpoeder. Achter Drosophila simulans larven in een steigerend kamer en voer ze ad libitum op een mengsel van rottendfruit. </li><li> Zuig volwassen Musca domestica in experimentele kamers binnen 1 week na opkomst. Adult Drosophila simulans kan direct worden gefokt in de experimentele kamers. Voorafgaand aan het verzamelen van gegevens, zorg ervoor dat elke experimentele kamer bevat niet meer dan 10-15 individuele Musca domestica of 20-30 individuele Drosophila simulans. </li><li> Feed volwassen Musca domestica ad libitum op een mengsel van suiker en magere melkpoeder, met vrije toegang tot water. Feed volwassen Drosophila simulans ad libitum op een mengsel van rottend fruit. Vervang voedsel per week. </li><li> Aanvullen experimentele kamers op een 16: 8 uur licht: donker [LD] gaan, 20,5-22 ° C en 30-50% RV gedurende de duur van het experiment. </li></ol></li></ol> 2 Record Flying Sounds in Experimental Chambers <ol><li> Experimentele Kamer Setup Opmerking: een &quot;experimentele cHamber &quot;duidt de kooi gemaakt in ons laboratorium, waarin de gegevens zijn opgenomen. De sensor is vrij goedkoop. Wanneer gebouwd in bulk, kan een set worden vervaardigd voor minder dan $ 10. <ol><li> Construct een experimentele kamer, een van de grotere omvang: 67 cm L x 22 cm B x 24.75 cm H, of de kleinere omvang: 30 cm L x 20 cm B x 20 cm H. Het experimentele kamer bestaat uit een fototransistor array en een laserlijn wijzend op de fototransistor array. OPMERKING: Daarnaast is de kamer uit Kritter houders die daar aangepast aan de sensor inrichting en een huls aan een stuk PVC leidingen toegang tot de insecten mogelijk zijn. </li><li> Sluit de fototransistor array om een ​​elektronisch bord. De output van de elektronische kaart feeds in een digitale geluidsrecorder en wordt geregistreerd als audio data in het MP3-formaat. Zie het logisch ontwerp van de sensor in figuur 1, deel II en een fysieke versie van de kamer in figuur 1.Ik. </li><li&gt; Wijzig de deksels van de experimentele kamers met een stuk gaas doek bevestigd aan de binnenzijde om ontsnapping van de insecten te voorkomen. OPMERKING: Wanneer een insect vliegt over de laserstraal, zijn vleugels gedeeltelijk af te sluiten het licht, waardoor kleine lichte schommelingen. De lichte schommelingen worden opgevangen door de fototransistor-array als veranderingen in de huidige, en het signaal wordt gefilterd en versterkt door de op maat ontworpen elektronische kaart. </li></ol></li><li> Het systeem heeft ingesteld om Record Sounds Geproduceerd door vliegende insecten <ol><li> Sluit de experimentele kamer op een voeding. Schakel de stroom in. </li><li> Op de experimentele kamer, vind het laserlicht en photoarray. Lijn de laser lichten om de photoarray. Om de juiste uitlijning te bereiken, past het photoarray met de magneten op de buitenzijde van de experimentele kamer die overeenkomen met de magneten aan de photoarray het inwendige van de kamer tot het laserlicht is gericht op alle individuele photodiodes. </li><li> Voer twee sanity checks om te zorgen dat het systeem goed is ingesteld. Opmerking: De eerste stap is om ervoor te zorgen dat het systeem is ingeschakeld, alle kabels goed zijn aangesloten en de laser is niet goed op de foto array. De tweede stap is om verdere controles uit te voeren op de laser uitlijning om ervoor te zorgen dat u het geluid van de vleugelslagen van de insecten te vangen. <ol><li> Plug hoofdtelefoons (in plaats van de recorder) aan op de audio-aansluiting. Dompel hand in en uit de experimentele kamer, bij photoarray, aan het vlak van het laserlicht breken. Zorg ervoor dat het laserlicht is op (het zal een rode lichtstraal te zijn) en dat je het vlak van licht breken een paar keer met je hand. Luister voor veranderingen in geluidsniveau als je hand gaat in en uit van de lichtbundel. Als u een hoorbare verschil detecteert de sensor geschikt is signalen geproduceerd door de beweging van grote voorwerpen. Als dat lukt, ga dan naar de volgende sanity check, anders is, controleer dan of de hoofdtelefoon goed is aangesloten enof de laser is wijzend op de photoarray. Pas de photoarray dienovereenkomstig tot het geluid van de hand in en uit van de experimentele kamer kan worden gehoord. </li><li> Bevestig een dun stuk van elektrische bedrading om een ​​automatische tandenborstel. Zet de tandenborstel en dompelen de bedrading in en uit de experimentele kamer dichtbij de phototarray. Zorg ervoor dat het laserlicht wordt het raken van het stuk van de bedrading als het beweegt. Als u een hoorbare verandering in frequentie te detecteren, wanneer het stuk bedrading breekt het vlak van laserlicht, het systeem is dan klaar om de door de beweging van kleine objecten, dus, insect geluiden geluiden vast te leggen. Als je niet een hoorbaar verschil te ontdekken, ga dan terug naar stap 2.2.2 opnieuw uitlijnen van de laser verlichting en de photoarray. </li></ol></li><li> Nadat het systeem goed is ingesteld, sluit het deksel en voeg de insecten. </li></ol></li><li> Data Collection: Record Sounds Geproduceerd door vliegende insecten <ol><li> Schakel de recorder en maak een voice annotatie dat de volgende informatie bevat: naam van de soort in de experimentele kamer, leeftijd van de insekten, datum en tijd, de huidige omgevingstemperatuur RT, en de relatieve vochtigheid. Pauzeer de opname. </li><li> Sluit de recorder aan het systeem, via de audio-kabel, en de opname te hervatten. Laat de recorder om op te nemen voor 3 dagen, dan is de opname te stoppen. </li><li> Download de gegevens van de recorder in een nieuwe map op een pc. Leeg de recorder door het verwijderen van de gegevens. </li><li> Herhaal het bovenstaande opnameproces, totdat de resterende insecten zijn afgestorven en er niet meer dan 5 insecten in leven in de kooi. </li></ol></li></ol> 3 Sensor Data Processing en Detectie van Sounds Geproduceerd door vliegende insecten <ol><li> Gebruik Software om Sounds Geproduceerd door vliegende insecten waar. Opmerking: De software (algoritme) is veel sneller dan real-time. Het duurt minder dan 3 uur om een opnamesessie te verwerken, dat wil zeggen, drie dagen van DATeen, op een standaard machine met Intel (R) Core ™ processor op 2,00 GHz en 8 GB RAM. <ol><li> Voor elke map met gegevens uit een opnamesessie, voert u de detectie software om insecten geluiden detecteren. Om de software open MATLAB Uitvoeren en typ &quot;circandian_wbf (datadir)&quot; in het commando venster, waar datadir is de directory van de opgenomen gegevens. Klik vervolgens op &quot;Enter&quot; om te beginnen. OPMERKING: Download de detectie software circadian_wbf van referentie # 16. </li><li> Wacht tot het algoritme wordt beëindigd, controleer dan de detectie resultaten. Het algoritme uitgangen alle gedetecteerde insect geluiden in een nieuwe map &quot;datadir _extf&quot;, waarbij datadir is hetzelfde als in de vorige stap. Elk geluidsbestand is een 1 sec lang geluidsfragment oorspronkelijk gewonnen uit de ruwe opname, met een digitaal filter toegepast om ruis te verwijderen. Het optreden tijd van elke gedetecteerde geluid wordt opgeslagen in een bestand met de naam &quot;datadir _time.mat &amp;# 8221 ;. Neem het voorbeeld van een gedetecteerde insect geluid in figuur 2. </li></ol></li><li> Detection Algorithm <ol><li> Gebruik een 0,1 sec lang schuifraam te glijden door de opname. Het schuifraam start vanaf het begin van de opname. Voor elk raam, volg de onderstaande stappen. <ol><li> Bereken de fundamentele frequentie van het huidige venster. </li><li> Als de fundamentele frequentie binnen het bereik van 100 Hz tot 1200 Hz, doe dan het volgende: <ol><li> Pak de 1-sec lang geluidsfragment centreren op het huidige venster van de opname; toepassing van een digitaal filter om de ruis in de clip te verwijderen en op te slaan het gefilterde geluid in de map &quot;DATADIR _extf&quot;. </li><li> Spaar het optreden van het huidige venster in het bestand &quot;DATADIR _time&quot;. </li><li> Verplaats het schuifraam tot het punt dat het gewonnen audiofragment onmiddellijk volgt. </li></ol></li><li> Als de fundamentele frequency is niet binnen het bereik van 100 Hz tot 1200 Hz, zet u eenvoudig met het schuifraam 0.01 sec vooruit. </li></ol></li><li> Herhaal dit proces tot de schuifvenster het einde van de opname bereikt. </li></ol></li></ol> 4 Insect Classificatie <ol><li> Bayesiaanse classificatie met alleen de Flying Sound Opmerking: Bayesian classifier is een probabilistische classifier dat een voorwerp classificeert haar meest waarschijnlijke klasse. <ol><li> Sound Feature Berekening <ol><li> Voor elk insect geluid berekenen het frequentiespectrum van het geluid met de Discrete Fourier Transformatie (DFT). Maak het frequentiespectrum uitsluitend de gegevens die corresponderen met een frequentiebereik onder 100 Hz tot 2000 Hz. De afgeknotte frequentiespectrum wordt dan gebruikt in de classificatie als &quot;vertegenwoordiger&quot; van het insect geluid. OPMERKING: De DFT is een algoritme die signalen omzet in tijdsdomein naar het frequentiedomein. Het is een built-functie in de meeste programmeertalen bibliotheken, en kan worden genoemd in het programma met slechts een regel code. </li></ol></li><li> Train een Bayesian classifier <ol><li> Gebruik de KNN dichtheid ramingsaanpak 14 naar de achterste kansverdeling met behulp van het geluid functie te leren. Met de KNN aanpak, de trainingsfase is om een ​​training dataset op te bouwen. <ol><li> Willekeurig genieten van een aantal insecten geluiden uit de verzamelde voor elke soort van insecten gegevens. </li><li> Volg de stappen in paragraaf 4.1.1 en bereken de afgeknotte frequentiespectrum per bemonsterde geluid. De afgeknotte spectra samen met klasse labels de monsters &#39;(insect soortnaam) bestaat de training dataset. </li></ol></li></ol></li><li> Gebruik de Bayesiaanse classifier tot een onbekende insect classificeren <ol><li> Bereken de afgeknotte frequentiespectrum van de onbekende insect geluid. </li><li> Bereken de Euclidische afstand tussen de afgeknotte spectrum van de onbekenden bezwaar en alle afgeknotte spectra in de training dataset. </li><li> Vind de top k (k = 8 in deze paper) naaste buren van het onbekende object in de training dataset. Bereken de latere kans van het onbekende geluid insecten behoren tot een klasse als de fractie van de top k buren die volgens het klasse. </li><li> Classificeren het onbekende object aan de klas die het hoogste posterior kans heeft. </li></ol></li></ol></li><li> Voeg een functie om de classifier: Insect circadiaanse ritmes <ol><li> Leer de klasse voorziene verdelingen van de tijd optreden van insecten geluid, dat is, het circadiane ritme voor elke soort insecten. <ol><li> Verkrijgen van het optreden tijd van elk geluid uit de detectie resultaten (zie paragraaf 3.2). </li><li> Voor elke soort, het bouwen van een histogram van het insect geluid voorval tijd. </li><li> Normaliseren van de histogram zodat het gebied van het histogram is een. De normaleseerd histogram is het circadiane ritme van de betrokken soort. Het vertelt de waarschijnlijkheid om een ​​insect, van die soort, in de vlucht binnen een bepaalde periode. </li></ol></li><li> Classificeren een onbekende &quot;insect geluid&quot; door het combineren van de &quot;insect sound&quot; en het circadiane ritme <ol><li> Gezien de specifieke tijdstip waarop de onbekende insect geluid voorgedaan, krijgen de waarschijnlijkheid om een ​​insect klasse gebaseerd op het circadiane ritme klasse. OPMERKING: Het circadiaan ritme is een kansverdeling. Het is een matrix waarin de waarschijnlijkheid dat een geluid geproduceerd door een bepaald soort van insecten, op een bepaald tijdstip. Dus eens een tijd wordt gegeven, kan men eenvoudig controleren van de array om de kans te krijgen. </li><li> Volg de stappen in paragraaf 4.1.2 aan de posterior kans dat het onbekende geluid behoort tot de klasse met het geluid functies te berekenen. Vermenigvuldig de latere kans om de resultaten weerm de vorige stap aan de nieuwe latere kans krijgen. </li><li> Classificeren van de &quot;onbekende geluid&quot; aan de klas die de hoogste nieuwe posterior kans heeft. </li></ol></li></ol></li><li> Voeg nog een voorziening om de classifier: Insect Geografische Distributie <ol><li> Leer de geografische spreiding van de soorten van belang zijn, hetzij van gegevens die zijn gepubliceerd in historische documenten, relevante literatuur, of gewoon de eerste hand kennis te verzamelen van technici / biologen. Ter demonstratie, gebruik een simulatie van de grafische verdeling, zoals weergegeven in figuur 7. </li><li> Classificeren van een &quot;onbekend insect sound&quot; met behulp van &quot;vliegende geluid&quot; en de twee extra functies. <ol><li> Gezien de geografische locatie waar de insect geluid werd onderschept, bereken de waarschijnlijkheid om een ​​insect uit de klas op die specifieke locatie met behulp van de grafische verspreiding van soorten. <ol><li> Volg de stappen in paragraaf 4.2.2 eennd berekenen de latere kans dat de &#39;onbekende geluid &quot;behoort tot de klasse met het geluid functies en de circadiane ritmes. Vermenigvuldig het resultaat van deze stap om de resultaten van de vorige stap, teneinde de nieuwe latere kans krijgen. </li></ol></li><li> Classificeren van de &quot;onbekende geluid&quot; aan de klas die de hoogste nieuwe posterior kans heeft. </li></ol></li></ol></li><li> Een algemeen kader voor het toevoegen van functies <ol><li> Denk aan de Bayesiaanse classifier die net geluid functies gebruikt als de primaire classifier. Volg de onderstaande stappen om nieuwe functies toe te voegen aan de classifier. <ol><li> In de trainingsfase, leren dichtheidsfuncties de klasse van airconditioning van de nieuwe functie. </li><li> In de classificatie fase, gezien de nieuwe functie van het &quot;onbekende geluid&quot; bereken de waarschijnlijkheid om de functie in klasse met de functie dichtheid geleerd in de vorige stap. Vermenigvuldig de nieuwe kans om de previous latere kans overeenkomt met de &quot;onbekende geluid&quot; uit categorie die zijn berekend op basis van alleen de eigenaardigheden, de nieuwe latere kans krijgen. Classificeren het onbekende object naar de klasse die hoogste nieuwe posterior kans heeft. </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>

De auteurs verklaren dat zij geen concurrerende financiële belangen.

De sensor / klassificatiekader hier beschreven maakt het goedkoop en schaalbaar classificatie van vliegende insecten. De nauwkeurigheden bereikt door het systeem zijn goed genoeg om de ontwikkeling van commerciële producten toe en als een bruikbaar entomologisch onderzoek zou zijn. De mogelijkheid om goedkope, niet-invasieve sensoren gebruiken om nauwkeurig en automatisch classificeren vliegende insecten zou aanzienlijke gevolgen hebben voor de entomologische onderzoek. Bijvoorbeeld door inv...

Het idee van het automatisch classificeren van insecten met behulp van het incidentele geluid van hun vlucht gaat terug tot de vroegste dagen van de computers en de handel verkrijgbare audio-opname-apparatuur 1. Er is echter weinig vooruitgang geboekt op dit probleem in de tussenliggende decennia. Het gebrek aan vooruitgang in dit streven kan worden toegeschreven aan een aantal gerelateerde factoren. Ten eerste is het gebrek aan effectieve sensoren verzamelen gegevens bemoeilijkt. De meeste inspanningen om gegevens te verzamelen zijn akoestische microfoons 2-5 gebruikt. Dergelijke apparaten zijn uiterst gevoelig voor ruis en omgevingsgeluid wind in het milieu, wat resulteert in zeer schaars en lage kwaliteit van de gegevens. Tweede compounding deze databank kwaliteitsproblemen is dat veel onderzoekers hebben geprobeerd zeer gecompliceerd classificatiemodellen, vooral neurale netwerken 6-8 leren. Proberen om te leren ingewikkelde indeling modellen, met slechts tientallen voorbeelden,is een recept voor over-fitting. Ten derde, de moeilijkheid van het verkrijgen van gegevens heeft ertoe geleid dat veel onderzoekers hebben geprobeerd om de indeling modellen te bouwen met zeer beperkte gegevens, zo weinig als 300 exemplaren 9 of minder. Het is echter bekend dat voor het bouwen accurate classificatiemodellen meer gegevens beter 10-13. Dit werk richt zich op alle drie punten. Optische sensoren (in plaats van akoestische) kan worden gebruikt om op te nemen van de &quot;sound&quot; van insecten vlucht vanuit meter afstand, met volledige onveranderlijkheid van lawaai en ambient geluiden wind. Deze sensoren hebben toegelaten dat de opname van miljoenen gelabeld training gevallen, veel meer gegevens dan alle eerdere inspanningen gecombineerd, en zo helpen voorkomen dat de over-fitting die is geplaagd eerdere onderzoeksinspanningen. Een principiële methode wordt hieronder getoond dat maakt de integratie van aanvullende informatie in de classificatie-model. Deze extra informatie kan net zo alledaags en alsgemakkelijk te verkrijgen als de tijd van de dag, maar produceren nog steeds aanzienlijke winst in nauwkeurigheid van het model. Tenslotte is aangetoond dat de enorme hoeveelheden data die we verzameld kunnen we gebruik maken van de &quot;onredelijke effectiviteit van data&quot; 10 eenvoudige, nauwkeurige en robuuste classifiers produceren. Samengevat heeft vliegend insect indeling buiten de dubieuze vorderingen gemaakt in het onderzoek lab verplaatst en is nu klaar voor de echte wereld inzet. De sensoren en software die in dit werk zal onderzoekers wereldwijd bieden krachtige hulpmiddelen om hun onderzoek te versnellen.

<table><tbody><tr><td>Audio recorder: ICD-PX312</td><td>Sony</td><td>4-267-065-11(2)</td><td>Met een 8 GB microSD extra geheugen</td></tr><tr><td>Insectary</td><td>Lee's Aquarium &amp; Pet Products.</td><td>20088 HerpHaven&reg;, Large Rectangle</td><td>14 1/2" lang x 8 3/4" breed x 9 3/4" hoog. Gewijzigd om insecten te huisvesten.</td></tr><tr><td>Laser lijn generator, 650 nm (rood)</td><td>Apinex (www.apinex.com)</td><td>LN60-650</td><td>5 mW. Dit is een laag vermogen laser, vergelijkbaar met een laserpointer van een leraar</td></tr><tr><td>Fotodiode array</td><td>VISHAY SEMICONDUCTOR&nbsp; TEFD4300&nbsp; PIN FOTODIODE, 650NM, 20DEG, T1</td><td>TEFD4300</td><td>We hebben een aangepaste array gemaakt van 15 van deze fotodioden, parallel bedraad.</td></tr><tr><td>Analoge naar digitale convertor geïntegreerde schakeling</td><td>Op maat gemaakt in ons lab</td><td></td><td>We hebben dit item zelf gemaakt, maar een gemakkelijk verkrijgbaar commercieel product, Gino PCF8591 AD/DA Converter, biedt dezelfde functionaliteit.</td></tr></tbody></table>

vliegende insect detectie en classificatie met goedkope sensoren

Flying Insect Detection and Classification with Inexpensive Sensors

Een goedkope, niet-invasieve systeem dat nauwkeurig kan classificeren vliegende insecten zouden belangrijke implicaties voor entomologische onderzoek hebben, en zorgen voor de ontwikkeling van vele nuttige toepassingen in vector-en ongediertebestrijding voor zowel de medische en agrarische entomologie. Gezien dit, hebben de afgelopen zestig jaar veel onderzoek inspanningen met betrekking tot deze taak gezien. Tot op heden echter niets van dit onderzoek heeft een blijvende invloed gehad. In dit werk wordt aangetoond dat pseudo-akoestische optische sensoren superieure data kan produceren; die extra functies, zowel intrinsieke en extrinsieke naar vlieggedrag van het insect, kan worden benut om insecten classificatie te verbeteren; dat een Bayesiaanse classificatie aanpak maakt het mogelijk om efficiënt te leren classificatie modellen die zeer robuust zijn om over-montage, en een algemeen klassement raamwerk maakt het mogelijk om willekeurig aantal functies gemakkelijk op te nemen. We tonen de bevindingen met grootschalige experimenten die dwerg alle eerdere werken combined, zoals gemeten door het aantal insecten en het aantal soorten beschouwd.

Twee experimenten worden hier gepresenteerd. Voor beide experimenten werden de gegevens gebruikt worden willekeurig getrokken uit een dataset die meer dan 100.000 objecten bevat. Het eerste experiment toont het vermogen van de voorgestelde classifier nauwkeurig classificeren verschillende soorten / geslacht insecten. Omdat de nauwkeurigheid classificatie is afhankelijk van de insecten worden ingedeeld, zal een enkele absolute waarde voor de nauwkeurigheid classificatie niet de lezer een goed...

We stelden een systeem dat goedkope, niet-invasieve pseudo-akoestische optische sensoren gebruikt om automatisch en nauwkeurig te detecteren, te tellen en classificeren vliegende insecten op basis van hun vliegende geluid.

Vliegende Insect Detectie en classificatie met goedkope sensoren

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

Het algemene doel van deze procedure is om vliegende insecten te detecteren en identificeren op basis van hun vleugelslaggeluid. Dit wordt bereikt door eerst een pseudo-akoestische sensor te gebruiken om geluid continu op te nemen in een experimentele kamer. De tweede stap is het automatisch detecteren van de geluiden van vliegende insecten uit de ruwe opname.De laatste stap is om de gedetecteerde vlieggeluid automatisch te classificeren om de insectensoort en het geslacht te identificeren. Uiteindelijk worden figuren en tabellen gebruikt om de classificatie-nauwkeurigheid te tonen. Het belangrijkste voordeel van deze techniek is dat het eenvoudig, goedkoop is en het kan net zo alomtegenwoordig zijn als huidige methoden zoals plakvallen en interventievallen, maar met digitale voordelen zoals hogere nauwkeurigheid en realtime bewaking.Om het experiment te beginnen, kweekt u muggenlarven in emaillen schalen onder standaard laboratoriumomstandigheden. Voer ze een mengsel van gemalen knaagdiervoer en biergist in een verhouding van drie op één. Verzamel vervolgens muggenpoppen in 200 milliliter bekers of verzamel volwassen muggen en plaats ze in experimentele kamers.Zorg ervoor dat elke experimentele kamer 20 tot 40 exemplaren van dezelfde soort en geslacht bevat. Voer volwassen muggen een 10% suiker en water mengsel, en vervang het voedsel eenmaal per week, vochtige en katoenen handdoeken twee keer per week, en plaats ze bovenop de experimentele kamers om de luchtvochtigheid te handhaven. Houd bovendien een 200 milliliter beker met kraanwater altijd in de kamer.Behoud de experimentele kamers gedurende de duur van het experiment op een 16 tot 8 uur licht-donker cyclus bij 20,5 tot 22 graden Celsius en 30 tot 50% luchtvochtigheid. Sluit de experimentele kamer aan op een stroomvoorziening en zet de stroom aan. Lijn de laserlichten uit naar de foto-array door de magneten aan te passen tot de laser gecentreerd is op alle individuele fotodiodes.Voer vervolgens twee gezondheidscontroles uit door eerst te controleren of het systeem is ingeschakeld en de laser op de foto-array is gericht. Verbind vervolgens de luidspreker op de audio-aansluiting om te controleren of de uitlijningen van de laser en de foto-array geluid kunnen vastleggen. Dompel een hand in en uit de kooi in de buurt van de laserbron uiteinde.Zorg ervoor dat het laserlicht op de hand is en luister of het geluid verandert. Terwijl de hand in en uit gaat, bevestig een draad aan een elektrische tandenborstel en zet de tandenborstel aan. Zorg ervoor dat het laserlicht aan is.Vervolgens verplaatst u de draad in het laservlak en luister of het geluid verandert. Nadat het systeem correct is ingesteld, voegt u insecten toe aan de kooi en sluit u het deksel. Om de gegevensverzameling te starten, zet u de recorder aan en maakt u een spraakannotatie die de volgende informatie bevat en pauzeert u de opname.Verbind vervolgens de recorder met het systeem en hervat de opname gedurende drie dagen. Download de gegevens van de recorder naar een nieuwe map en maak de recorder leeg door de gegevens te verwijderen. Herhaal het opnameproces totdat de resterende insecten zijn gestorven en er niet meer dan vijf insecten levend in de kooi zijn achtergebleven.Om de gegevens te verwerken, voert u de circadiane WBF-detectiesoftware uit voor elke map met gegevens van een opname-sessie, opent u MATLAB en typt u in het opdrachtvenster om de MATLAB-werkmap te wijzigen naar de codemap en voert u de code circadian WBF uit. Druk vervolgens op enter om te beginnen. Zodra het algoritme is afgelopen, controleert u de detectieresultaten die het algoritme in een nieuwe map uitvoert, de classificator bereikt meer dan 96% nauwkeurigheid bij het classificeren van niet meer dan vijf soorten insecten zoals aangetoond door de tabel, die de classificatie-nauwkeurigheid toont die is verkregen met toenemend aantal klassen.Wanneer het aantal klassen toeneemt tot 10, is de nauwkeurigheid nooit lager dan 79%Deze tannine kan helpen om opgeblazen ziekten zoals materiaal te bestrijden door realistische informatie te produceren die kan worden gebruikt om het scheidingsprogramma effectief te plannen. Het kan ook de boeren helpen de verspreiding van incidentschade op hun gewassen te beperken door de plagen in het veld te monitoren.

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

Research

JoVE Journal

Bioengineering

Bio-engineering

We presenteren een nieuwe chirurgische procedure om elektroden te implanteren in Manduca sexta tijdens de vroege metamorfe stadia. Deze techniek maakt mechanisch stabiele en elektrisch betrouwbare koppeling mogelijk met het neuromusculaire weefsel om de neurofysiologiedynamiek van de vlucht te bestuderen. We presenteren ook een nieuwe magnetische levitatieplatform voor getouwd onderzoek van insectenyaw.

Vroege Metamorfe Insertion technologie voor Insect Flight Behavior Monitoring

We beschrijven een protocol voor het gebruik van insectantennes in de vorm van elektroantennogrammen (EAG's) op autonome robots. Ons experimentele ontwerp maakt stabiele opnames binnen een dag mogelijk en lost individuele geurvlakken op tot 10 Hz op. De efficiëntie van EAG-sensoren voor olfactorische zoekopdrachten wordt gedemonstreerd bij het besturen van een robot naar een geurbron.

Met behulp van Insect Electroantennogram Sensoren op autonome robots voor olfactorische zoekopdrachten

De vlucht bij insecten wordt beïnvloed door een aantal factoren en de neiging om zich te verspreiden is een belangrijke variabele bij het begrijpen van de ecologie van insecten en biologische bestrijdingsstrategieën. We beschrijven de constructie en het gebruik van een eenvoudige, relatief goedkope en flexibele vliegmolen voor het meten van parameters van gebonden vlucht bij insecten.

Een eenvoudige Flight Mill voor de studie van Tethered Flight in Insecten

De mogelijkheid een geurbron lokaliseren is noodzakelijk voor insecten overleven en zal gelden voor geurstof-volgen is. Het insect bestuurbare robot wordt aangedreven door een feitelijke silkmoth en stelt ons in staat om de geur volgen vermogen van insecten te evalueren door middel van een robot platform.

Insect-gecontroleerde Robot: Een mobiele robot platform om de geur-tracking-vermogen van een insect Evalueer

Wij ontwikkeld van een low-cost en kleine vlucht molen, gebouwd met algemeen beschikbare items en gemakkelijk gebruikt in experimenten. Met behulp van dit apparaat, we het vermogen van de vlucht van een ambrosia kever, Platypus quercivorusgemeten.

Meten van het vermogen van de vlucht van de Ambrosia kever, Platypus Quercivorus (Murayama), met behulp van een Low-Cost, kleine en eenvoudig geconstrueerd vlucht molen

Meting van insecten ontstaan patronen vereist precisie. Bestaande systemen zijn alleen semi-automatische en steekproef-grootte is beperkt. We hebben behandeld deze kwesties door het ontwerpen van een systeem met behulp van microcontrollers precies meten de tijd van de totstandkoming van grote aantallen opkomende insecten.

Een precieze en autonome systeem voor het opsporen van insecten ontstaan patronen

We beschrijven hier, de bouw en het gebruik van een windtunnel voor geur gedrags testen met insecten gemedieerde. De windtunnel ontwerp vergemakkelijkt de vrijlating van geur bronnen door verschillende methoden, met en zonder visuele stimuli. Windtunnel experimenten zijn belangrijke methoden te identificeren gedragsgestoorde actieve vluchtige stoffen.

Een windtunnel voor geur gemedieerde Insect gedrags Assays

Dit protocol maakt gebruik van driedimensionale (3D) printers en lasersnijders in makerspaces om een flexibeler ontwerp van de vluchtmolen te creëren. Door deze technologie te gebruiken, kunnen onderzoekers de kosten verlagen, de ontwerpflexibiliteit verbeteren en reproduceerbaar werk genereren bij het bouwen van hun vluchtmolens voor aangebonden insectenvluchtstudies.

Het bouwen van een verbeterde vluchtmolen voor de studie van vastgebonden insectenvlucht

Deze studie introduceert experimentele protocollen voor een bio-hybride geurdetectiedrone op basis van silkmoth-antennes. De werking van een experimenteel elektroantennogramapparaat met zijdemoth-antennes wordt gepresenteerd, naast de structuur van een bio-hybride drone die is ontworpen voor lokalisatie van geurbronnen met behulp van het spiraal-surge-algoritme.

Op elektroantennografie gebaseerde bio-hybride geurdetectiedrone met behulp van Silkmoth-antennes voor lokalisatie van geurbronnen

Om de effecten van kunstlicht 's nachts (ALAN) op nachtelijke vliegende insecten te bestuderen, moet de bemonstering worden beperkt tot 's nachts. Het protocol beschrijft een goedkope geautomatiseerde vluchtonderscheppingsval waarmee onderzoekers kunnen monsters nemen op door de gebruiker gedefinieerde perioden met verhoogde replicatie.

Goedkope geautomatiseerde vluchtonderscheppingsval voor de tijdelijke subbemonstering van vliegende insecten die 's nachts worden aangetrokken door kunstlicht

Dit protocol presenteert de methoden voor het maken, bevestigen en volgen van harmonische radartags voor insecten.

Harmonische radartags voor insectentracking: lichtgewicht, kosteneffectief en toegankelijk

Leer vliegende insecten detecteren en classificeren met goedkope pseudo-akoestische optische sensoren op basis van vleugelslaggeluid. Deze methode biedt nauwkeurige real-time monitoring voor ecologisch onderzoek en plagenbeheer.

Vliegende Insect Detectie en classificatie met goedkope sensoren

Meer video's verkennen