Vliegende Insect Detectie en classificatie met goedkope sensoren
15 oktober 2014
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.
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.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Deze studie presenteert een systeem dat gebruikmaakt van goedkope, niet-invasieve pseudo-akoestische optische sensoren om vliegende insecten te detecteren, te classificeren en te tellen op basis van hun vleugelslaaggeluiden. De methode biedt een digitaal alternatief voor traditionele technieken voor insectmonitoring, wat resulteert in een hogere nauwkeurigheid en real-time gegevens.
Belangrijkste studiecomponenten
Wetenschappelijk vakgebied
- Insectenmonitoring
- Akoestische sensortechnologie
- Soortenclassificatie
Achtergrond
- Traditionele methoden voor insectenmonitoring omvatten plakvallen en onderscheppingsvallen.
- Deze methoden kunnen beperkt zijn in nauwkeurigheid en real-time gegevensverzameling.
- Vooruitgang in akoestische sensortechnologie biedt nieuwe mogelijkheden voor de detectie van insecten.
- Inzicht in insectenpopulaties is cruciaal voor ecologische studies en ongediertebestrijding.
Doel van de studie
- Het ontwikkelen van een systeem voor de automatische detectie van geluiden van vliegende insecten.
- Het classificeren van gedetecteerde geluiden om insectensoorten en het geslacht te identificeren.
- Het aantonen van de voordelen van deze methode ten opzichte van traditionele monitoringtechnieken.
Gebruikte methoden
- Continue registratie van geluid met behulp van pseudo-akoestische sensoren in een experimentele kamer.
- Automatische detectie van vlieggeluiden van insecten vanuit ruwe audio-opnamen.
- Classificatie van gedetecteerde geluiden om soort en geslacht te bepalen.
- Gebruik van figuren en tabellen om de resultaten van de classificatienauwkeurigheid te presenteren.
Belangrijkste resultaten
- Het systeem heeft verschillende vliegende insectensoorten succesvol gedetecteerd en geclassificeerd.
- De resultaten wezen op een hogere nauwkeurigheid in vergelijking met traditionele methoden.
- De mogelijkheden voor real-time monitoring zijn aangetoond.
- De methode is kosteneffectief en eenvoudig te implementeren.
Conclusies
- Deze studie presenteert een levensvatbaar alternatief voor insectenmonitoring.
- Het voorgestelde systeem verbetert de nauwkeurigheid en efficiëntie bij het detecteren van vliegende insecten.
- Toekomstige toepassingen kunnen leiden tot verbeterde ecologische monitoring en strategieën voor plaagbestrijding.
Veelgestelde vragen
Industriële relevantie voor directie
Dit werk demonstreert een kosteneffectief, niet-invasief sensorsysteem voor het detecteren en classificeren van vliegende insecten op basis van vleugelslaggeluiden, wat een schaalbaar alternatief biedt voor traditionele entomologische monitoringmethoden. De aanpak levert realtime gegevens met een hoge nauwkeurigheid die vectorbewakings- en ongediertebestrijdingsprogramma's in de agrarische en medische entomologie kunnen ondersteunen. Door continue monitoring met minimale infrastructuur mogelijk te maken, vergroot het systeem het voorspellende vertrouwen bij de validatie van doelen in een vroeg stadium voor interventies die gericht zijn op het verminderen van ziekteoverdracht of oogstverlies.
Strategische toepassingen in biofarmaceutische R&D
Vroege Ontdekking & Targetvalidatie
- Wetenschappelijke waarde: Maakt het mogelijk om gedragstypen van insecten te onderzoeken door middel van continue, niet-invasieve monitoring van vleugelslagpatronen.
- Operationele waarde: Ondersteunt hypothesetesten in onderzoek naar vectorbestrijding door het leveren van kwantitatieve, soort- en geslachtsspecifieke activiteitsgegevens.
- Voorspellende waarde: Verhoogt de betrouwbaarheid bij de selectie van doelwitten door insectenactiviteit te correleren met omgevingsvariabelen of interventievariabelen.
Screening & assayontwikkeling
- Wetenschappelijke waarde: Genereert robuuste, reproduceerbare akoestische handtekeningen die dienen als fenotypische read-outs voor de classificatie van insecten.
- Operationele waarde: Standardiseert de gegevensverzameling over verschillende experimentele kamers, waardoor de variabiliteit in longitudinale studies wordt verminderd.
- Schaalbaarheid: Maakt high-throughput monitoring van grote insectencohorten over langere perioden mogelijk, zoals aangetoond in opnames over meerdere dagen.
Translationeel & Preklinisch Onderzoek
- Translationele continuïteit: Slaat een brug tussen laboratoriumgebaseerde studies naar insectengedrag en in het veld toepasbare surveillance-instrumenten voor modellen van door vectoren overdraagbare ziekten.
- Mechanistische risicoreductie: Maakt real-time beoordeling mogelijk van de impact van interventies op insectenpopulaties, ter ondersteuning van go/no-go-beslissingen in de preklinische ontwikkeling.
- Ziekte-relevant systeem: Biedt een platform om vectorcompetentie en gastheerzoekend gedrag onder gecontroleerde omstandigheden te evalueren.
Integratie van Pipeline & Workflow
De methode past binnen het ontdekkingscontinuüm, van vroege vectorbiologie tot preklinische evaluatie van beheersstrategieën, met name waar real-time, soortspecifieke monitoring bijdraagt aan het mechanistische begrip en de effectiviteit van interventies.
- Discovery Biology: Faciliteert hypothese-gestuurde studies naar het vlieggedrag van insecten, circadiane activiteit en reacties op stimuli.
- Screening: Levert assay-ready, kwantitatieve output (vleugelslagfrequentie, amplitudemodulatie) die geschikt is voor fenotypische screening met een hoge resolutie.
- Analytics: Maakt statistische vergelijking van insectenpopulaties onder verschillende condities mogelijk, met classificatienauwkeurigheid en detectiesnelheden als belangrijkste meetwaarden.
- Translationeel onderzoek: Ondersteunt de continuïteit van laboratorium naar veld door het valideren van monitoringtools die kunnen worden ingezet in endemische omgevingen.
- Enterprise hergebruik: Vormt een herbruikbaar sensorplatform dat aanpasbaar is aan meerdere insectensoorten en omgevingscontexten.
Operationele & Bedrijfsimpact
- Wetenschappelijke waarde: Verhoogt het voorspellend vertrouwen bij targetvalidatie door ambiguïteit in insectfenotypering en gedragsresponsen te verminderen.
- Operationele waarde: Biedt gestandaardiseerde real-time monitoring met minimale verbruiksartikelen, waardoor de operationele belasting lager is in vergelijking met plakvallen of interceptievallen.
- Strategische waarde: Verbetert de kapitaalefficiëntie door snelle iteraties in screeningscampagnes voor vectorenbestrijding mogelijk te maken via onmiddellijke feedback over de effecten van interventies.
- Impact op de portfolio: Ondersteunt risicogebaseerde prioritering van kandidaten voor vectorenbestrijding door vroege, meetbare biomarkers van populatiesuppressie te verschaffen.
Overwegingen voor implementatie
- Vereist expertise in bio-akoestiek, signaalverwerking en het ontwerp van entomologische assays.
- Is afhankelijk van stabiele optische en audio-instrumentatie, waaronder laser-fotodiodematrices en omgevingscontroles.
- Vereist standaardisatie tussen teams voor data-annotatie, soortverificatie en het trainen van classificatiemodellen.
- Aanpassing aan verschillende modelsystemen kan een herkalibratie van de sensorgevoeligheid en parameters voor kenmerkextractie vereisen.
- Praktische beperkingen omvatten gevoeligheid voor omgevingsgeluid en omgevingsvibraties, wat de detectiegetrouwheid in veldomstandigheden kan beïnvloeden.
