Artykuł metodologiczny

Wykrywanie i klasyfikacja owadów latających za pomocą niedrogich czujników

DOI:

10.3791/52111

⸱

15 października 2014

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

W tym artykule

Podsumowanie

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

Zaproponowaliśmy system, który wykorzystuje niedrogie, nieinwazyjne pseudoakustyczne czujniki optyczne do automatycznego i dokładnego wykrywania, liczenia i klasyfikowania owadów latających na podstawie ich dźwięku lotu.

Streszczenie

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

Niedrogi, nieinwazyjny system, który mógłby dokładnie klasyfikować owady latające, miałby ważne implikacje dla badań entomologicznych i pozwoliłby na rozwój wielu użytecznych zastosowań w zwalczaniu wektorów i szkodników zarówno w entomologii medycznej, jak i rolniczej. Biorąc to pod uwagę, w ciągu ostatnich sześćdziesięciu lat podjęto wiele wysiłków badawczych poświęconych temu zadaniu. Do tej pory jednak żadne z tych badań nie wywarło trwałego wpływu. W tej pracy pokazujemy, że pseudoakustyczne czujniki optyczne mogą generować lepsze dane; że dodatkowe cechy, zarówno wewnętrzne, jak i zewnętrzne związane z zachowaniem owadów w locie, mogą być wykorzystane do poprawy klasyfikacji owadów; że podejście klasyfikacyjne Bayesowskie pozwala na efektywne uczenie się modeli klasyfikacji, które są bardzo odporne na nadmierne dopasowanie, a ogólne ramy klasyfikacji pozwalają na łatwe włączenie dowolnej liczby cech. Demonstrujemy wyniki za pomocą eksperymentów na dużą skalę, które przyćmiewają wszystkie poprzednie prace razem wzięte, mierzone liczbą owadów i liczbą rozważanych gatunków.

Wprowadzenie

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

Pomysł automatycznego klasyfikowania owadów na podstawie przypadkowego dźwięku ich lotu sięga najwcześniejszych dni komputerów i dostępnych na rynku urządzeń do nagrywania dźwięku1. W ciągu ostatnich dziesięcioleci poczyniono jednak niewielkie postępy w tej kwestii. Brak postępów w tym dążeniu można przypisać kilku powiązanym czynnikom.

Po pierwsze, brak skutecznych czujników utrudnia zbieranie danych. W większości prób zebrania danych wykorzystano mikrofony akustyczne2-5. Takie urządzenia są niezwykle wrażliwe na szum wiatru i hałas otoczenia w środowisku, co skutkuje bardzo rzadkimi i niskiej jakości danymi.

Po drugie, problemy z jakością danych potęguje fakt, że wielu badaczy próbowało nauczyć się bardzo skomplikowanych modeli klasyfikacji, zwłaszcza sieci neuronowych6-8. Próba nauczenia się skomplikowanych modeli klasyfikacyjnych, na podstawie zaledwie kilkudziesięciu przykładów, jest receptą na nadmierne dopasowanie.

Po trzecie, trudności w uzyskaniu danych sprawiły, że wielu badaczy próbowało zbudować modele klasyfikacyjne z bardzo ograniczonymi danymi, zaledwie 300 instancjami9 lub mniej. Wiadomo jednak, że do budowania dokładnych modeli klasyfikacyjnych im więcej danych tym lepiej10-13.

Ta praca porusza wszystkie trzy kwestie. Czujniki optyczne (a nie akustyczne) mogą być używane do rejestrowania "dźwięku" lotu owadów z odległości kilku metrów, z całkowitą niezmiennością dla szumu wiatru i dźwięków otoczenia. Czujniki te pozwoliły na zarejestrowanie milionów oznaczonych instancji treningowych, znacznie więcej danych niż wszystkie poprzednie wysiłki razem wzięte, a tym samym pomagają uniknąć nadmiernego dopasowania, które nękało poprzednie wysiłki badawcze. Poniżej przedstawiono zasadniczą metodę, która umożliwia włączenie dodatkowych informacji do modelu klasyfikacji. Te dodatkowe informacje mogą być tak codzienne i łatwe do uzyskania, jak pora dnia, a mimo to powodować znaczny wzrost dokładności modelu. Wreszcie, wykazano, że ogromne ilości danych, które zebraliśmy, pozwalają nam wykorzystać "nieuzasadnioną skuteczność danych"10 do tworzenia prostych, dokładnych i solidnych klasyfikatorów.

Podsumowując, klasyfikacja owadów latających wykracza poza wątpliwe twierdzenia stworzone w laboratorium badawczym i jest teraz gotowa do zastosowania w świecie rzeczywistym. Czujniki i oprogramowanie zaprezentowane w ramach tych prac dostarczą naukowcom na całym świecie solidnych narzędzi do przyspieszenia ich badań.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

1. Kolonia i hodowla owadów

  1. Kolonia i hodowla komarów
    1. Tylne osobniki Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma i Aedes aegypti z kolonii laboratoryjnych, które pochodzą od dziko żyjących osobników.
    2. Hodować larwy komarów w emaliowanych naczyniach w standardowych warunkach laboratoryjnych (27 °C, 16:8 godzin cyklu światło: ciemność [LD] z 1-godzinnymi okresami zmierzchu/świtu) i karmić je ad libitum mieszanką mielonej karmy dla gryzoni i drożdży piwnych (3:1, v:v).
    3. Zbierz poczwarki komarów do kubków o pojemności 200 ml i umieść je w komorach doświadczalnych. Alternatywnie, zassać dorosłe komary do komór doświadczalnych w ciągu 1 tygodnia od pojawienia się. Upewnij się, że w każdej komorze doświadczalnej znajduje się od 20 do 40 osobników tego samego gatunku/płci.
    4. Karm dorosłe komary ad libitum 10% mieszanką sacharozy i wody. Wymieniaj jedzenie co tydzień.
    5. Zwilż bawełniane ręczniki dwa razy w tygodniu i umieść je na komorach doświadczalnych, aby utrzymać wilgotność w klatce. Ponadto przez cały czas umieszczaj w komorze szklankę 200 ml wody z kranu, aby utrzymać ogólny poziom wilgotności.
    6. Utrzymuj komory eksperymentalne w cyklu 16:8 godzin światło: ciemność [LD], 20,5-22 °C i 30-50% wilgotności względnej przez cały czas trwania eksperymentu.
  2. Kolonia i hodowla much domowych i owocowych
    1. Tylny Musca domestica z kolonii laboratoryjnej, pochodzący z dziko żyjących osobników. Złap dzikie osobniki Drosophila simulans i hoduj je w komorach doświadczalnych.
    2. Hodować larwy Musca domestica w plastikowych pojemnikach w standardowych warunkach laboratoryjnych (12:12 godz. cyklu światło:ciemność [LD], 26 °C, 40% wilgotności względnej) w mieszaninie wody, mączki z otrębów, lucerny, drożdży i mleka w proszku. Hoduj larwy Drosophila simulans w komorze hodowlanej i karmić je ad libitum mieszanką gnijących owoców.
    3. Dorosłego Musca domestica należy odessać do komór doświadczalnych w ciągu 1 tygodnia od pojawienia się. Dorosłe symulatory Drosophila mogą być hodowane bezpośrednio w komorach doświadczalnych. Przed zebraniem danych upewnij się, że każda komora doświadczalna zawiera nie więcej niż 10-15 osobników Musca domestica lub 20-30 pojedynczych symulanów Drosophila.
    4. Dorosły Musca domestica należy karmić mieszanką cukru i niskotłuszczowego mleka w proszku, z swobodnym dostępem do wody. Nakarm dorosłe Drosophila simulans ad libitum mieszanką gnijących owoców. Wymieniaj jedzenie co tydzień.
    5. Utrzymuj komory eksperymentalne w cyklu 16:8 godzin światło:ciemność [LD], 20,5-22 °C i 30-50% wilgotności względnej przez cały czas trwania eksperymentu.

2. Nagrywaj odgłosy latania w komorach doświadczalnych

  1. Konfiguracja komory eksperymentalnej
    Uwaga: "Komora doświadczalna" oznacza klatkę zaprojektowaną w naszym laboratorium, w której zarejestrowano dane. Czujnik jest dość niedrogi. Po zbudowaniu luzem, konfiguracja może być produkowana za mniej niż 10 USD.
    1. Zbuduj komorę doświadczalną o większych wymiarach: 67 cm dł. x 22 cm szer. x 24,75 cm wys., lub o mniejszych wymiarach: 30 cm dł. x 20 cm szer. x 20 cm wys. Komora doświadczalna składa się z układu fototranzystorów i linii laserowej skierowanej na matrycę fototranzystorów.
      UWAGA: Dodatkowo komora składa się z Kritter Keepers, które są zmodyfikowane tak, aby zawierały aparaturę czujnikową, a także tuleję przymocowaną do kawałka rury PVC, aby umożliwić dostęp do owadów.
    2. Podłącz matrycę fototranzystorów do płytki elektronicznej. Wyjście z płytki elektronicznej jest przesyłane do cyfrowego rejestratora dźwięku i jest rejestrowane jako dane audio w formacie MP3. Patrz konstrukcja logiczna czujnika na rysunku 1.II oraz fizyczna wersja komory na rysunku 1.I.
    3. Zmodyfikować pokrywy komór doświadczalnych za pomocą kawałka siatki przymocowanej do wewnątrz, aby zapobiec ucieczce owadów.
      UWAGA: Kiedy owad przelatuje przez wiązkę laserową, jego skrzydła częściowo zasłaniają światło, powodując niewielkie wahania światła. Fluktuacje światła są wychwytywane przez matrycę fototranzystorów jako zmiany prądu, a sygnał jest filtrowany i wzmacniany przez specjalnie zaprojektowaną płytkę elektroniczną.
  2. Skonfiguruj system do nagrywania dźwięków wytwarzanych przez latające owady
    1. Podłącz komorę doświadczalną do źródła zasilania. Włącz zasilanie.
    2. W komorze doświadczalnej znajdź światła laserowe i tablicę zdjęciową. Dopasuj światła lasera do matrycy fotograficznej. Aby uzyskać prawidłowe wyrównanie, wyreguluj fotomatrycę za pomocą magnesów na zewnątrz komory doświadczalnej, które odpowiadają magnesom przymocowanym do fotomatrycy we wnętrzu komory, aż światło lasera zostanie wyśrodkowane na wszystkich poszczególnych fotodiodach.
    3. Wykonaj dwie kontrole poprawności, aby upewnić się, że system jest poprawnie skonfigurowany.
      Uwaga: Pierwszym krokiem jest upewnienie się, że system jest zasilany, wszystkie przewody są prawidłowo podłączone, a laser jest skierowany na matrycę zdjęć. Drugim krokiem jest przeprowadzenie dalszych kontroli ustawienia lasera, aby upewnić się, że może on uchwycić dźwięk uderzeń skrzydeł owadów.
      1. Podłącz słuchawki (a nie nagrywarkę) do gniazda audio. Zanurz rękę w komorze eksperymentalnej, w pobliżu matrycy fotograficznej, aby przełamać płaszczyznę światła laserowego. Upewnij się, że światło lasera jest włączone (będzie to czerwona wiązka światła) i że kilkakrotnie przełamiesz płaszczyznę światła ręką. Słuchaj zmian poziomu hałasu, gdy ręka wchodzi i wychodzi z wiązki światła. Jeśli wykryjesz słyszalną różnicę, czujnik jest w stanie wychwycić dźwięki wytwarzane przez ruch dużych obiektów. Jeśli się powiedzie, przejdź do następnego sprawdzenia poprawności, w przeciwnym razie sprawdź, czy słuchawki są prawidłowo podłączone i czy laser jest skierowany na matrycę zdjęciową. Dostosuj odpowiednio fotomatrycę, aż będzie słyszalny dźwięk ręki wchodzącej i wychodzącej z komory doświadczalnej.
      2. Podłącz cienki kawałek przewodu elektrycznego do automatycznej szczoteczki do zębów. Włącz szczoteczkę do zębów i zanurz przewody w komorze eksperymentalnej w pobliżu fotosmoły. Upewnij się, że światło lasera pada na kawałek okablowania podczas jego ruchu. Jeśli wykryjesz słyszalną zmianę częstotliwości, gdy kawałek okablowania przerwie płaszczyznę światła laserowego, system jest gotowy do wychwycenia dźwięków wytwarzanych przez ruch małych obiektów, np. odgłosów owadów. Jeśli nie zauważysz słyszalnej różnicy, wróć do kroku 2.2.2, aby ponownie wyrównać światła lasera i matrycę fotograficzną.
    4. Po prawidłowym skonfigurowaniu systemu zamknij pokrywę i dodaj owady.
  3. Gromadzenie danych: nagrywanie dźwięków wytwarzanych przez latające owady
    1. Włącz dyktafon i wykonaj adnotację głosową, która zawiera następujące informacje: nazwę gatunku w komorze doświadczalnej, wiek owadów, datę i godzinę, aktualny RT otoczenia i wilgotność względną. Wstrzymaj nagrywanie.
    2. Podłącz rejestrator do systemu za pomocą audio i wznów nagrywanie. Pozostaw rejestrator do nagrywania na 3 dni, a następnie zatrzymaj nagrywanie.
    3. Pobierz dane z rejestratora do nowego folderu na komputerze. Opróżnij rejestrator, usuwając dane.
    4. Powtarzaj powyższy proces nagrywania, aż pozostałe owady wymrą i w klatce pozostanie przy życiu nie więcej niż 5 owadów
      5. .

3. Przetwarzanie danych z czujników i wykrywanie dźwięków wytwarzanych przez latające owady

  1. Użyj oprogramowania do wykrywania dźwięków wytwarzanych przez latające owady.
    Uwaga: Oprogramowanie (algorytm wykrywania) jest znacznie szybsze niż w czasie rzeczywistym. Przetworzenie sesji nagraniowej, czyli danych z trzech dni, zajmuje mniej niż 3 godziny na standardowej maszynie z procesorem Intel(R) Core™ o częstotliwości 2,00 GHz i 8 GB pamięci RAM.
    1. Dla każdego folderu zawierającego dane z sesji nagraniowej uruchom oprogramowanie wykrywające, aby wykryć odgłosy owadów. Aby uruchomić oprogramowanie, otwórz MATLAB i wpisz "circandian_wbf (dataDir)" w oknie poleceń, gdzie dataDir jest katalogiem danych nagrania. Następnie naciśnij "Enter", aby rozpocząć.
      UWAGA: Pobierz oprogramowanie wykrywające circadian_wbf z odnośnika #16.
    2. Poczekaj, aż algorytm zakończy działanie, a następnie sprawdź wyniki wykrywania. Algorytm wyprowadza wszystkie wykryte dźwięki owadów do nowego folderu o nazwie "dataDir_extf", gdzie dataDir jest taki sam jak w poprzednim kroku. Każdy plik dźwiękowy to 1-sekundowy klip audio oryginalnie wyodrębniony z surowego nagrania, z zastosowanym filtrem cyfrowym w celu usunięcia szumów. Czas wystąpienia każdego wykrytego dźwięku jest zapisywany w pliku o nazwie "dataDir_time.mat". Zwróć uwagę na przykład wykrytego dźwięku owada na rysunku 2.
  2. Algorytm detekcji
    1. Użyj przesuwanego okna o długości 0,1 sekundy, aby przesunąć się przez nagranie. Przesuwane okno rozpoczyna się od początku nagrania. Dla każdego okna wykonaj poniższe czynności.
      1. Obliczanie podstawowej częstotliwości bieżącego okna.
      2. Jeśli częstotliwość podstawowa mieści się w zakresie od 100 Hz do 1,200 Hz, wykonaj następujące czynności:
        1. Wyodrębnij z nagrania 1-sekundowy klip audio wyśrodkowany w bieżącym oknie; zastosuj filtr cyfrowy, aby usunąć szum z klipu i zapisz przefiltrowany dźwięk w folderze "dataDir_extf".
        2. Zapisz czas wystąpienia bieżącego okna w pliku "dataDir_time".
        3. Przesuń przesuwane okno do punktu, który następuje bezpośrednio po wyodrębnionym klipie audio.
      3. Jeśli częstotliwość podstawowa NIE mieści się w zakresie od 100 Hz do 1,200 Hz, po prostu przesuń okno przesuwne o 0,01 sekundy do przodu.
    2. Powtarzaj proces, aż przesuwane okno dotrze do końca nagrania.

4. Klasyfikacja owadów

  1. Klasyfikacja bayesowska przy użyciu tylko lecącego dźwięku
    Uwaga: Klasyfikator bayesowski to klasyfikator probabilistyczny, który klasyfikuje obiekt do jego najbardziej prawdopodobnej klasy.
    1. Obliczanie cech dźwiękowych
      1. Dla każdego dźwięku owada oblicz spektrum częstotliwości dźwięku za pomocą dyskretnej transformaty Fouriera (DFT). Skróć widmo częstotliwości, aby uwzględnić tylko te punkty danych, które odpowiadają zakresowi częstotliwości: od 100 Hz do 2 000 Hz. Skrócone spektrum częstotliwości jest następnie wykorzystywane w klasyfikacji jako "reprezentatywne" dla dźwięku owadów.
        UWAGA: DFT to algorytm, który przekształca sygnały w dziedzinie czasu na dziedzinę częstotliwości. Jest to funkcja wbudowana w większość bibliotek programistycznych i może być wywoływana w programie za pomocą tylko jednej linii kodu.
    2. Trenowanie klasyfikatora bayesowskiego
      1. Użyj podejścia do szacowania gęstości kNN14, aby poznać rozkład prawdopodobieństwa a posteriori za pomocą funkcji dźwięku. W przypadku podejścia kNN faza trenowania polega na zbudowaniu zestawu danych treningowych.
        1. Losowo należy pobrać pewną liczbę odgłosów odgłosów owadów z danych zebranych dla każdego gatunku owadów.
        2. Postępuj zgodnie z instrukcjami podanymi w sekcji 4.1.1 i oblicz obcięte widmo częstotliwości dla każdego próbkowanego dźwięku. Okrojone widma wraz z etykietami klas próbek (nazwa gatunku owadów) złożyły się na zestaw danych treningowych.
    3. Używanie klasyfikatora bayesowskiego do klasyfikowania nieznanego owada
      1. Oblicz obcięte widmo częstotliwości nieznanego dźwięku owadów.
      2. Obliczanie odległości euklidesowej między obciętym widmem nieznanego obiektu a wszystkimi obciętymi widmami w zbiorze danych treningowych.
      3. Znajdź pierwszych k (k = 8 w tym artykule) najbliższych sąsiadów nieznanego obiektu w zbiorze danych treningowych. Oblicz prawdopodobieństwo a posteriori nieznanego dźwięku owadów należących do klasy jako ułamek k najbliższych sąsiadów, którzy są oznaczeni jako klasa .
      4. Klasyfikowanie nieznanego obiektu do klasy, która ma największe prawdopodobieństwo a posteriori.
  2. Dodaj funkcję do klasyfikatora: rytm okołodobowy owadów
    1. Poznaj uwarunkowane klasowo rozkłady czasu występowania odgłosów owadów, czyli rytm okołodobowy dla każdego gatunku owadów.
      1. Na podstawie wyników wykrywania należy uzyskać czas wystąpienia każdego dźwięku (por. sekcja 3.2).
      2. Dla każdego gatunku zbuduj histogram czasu występowania odgłosów owadów.
      3. Znormalizuj histogram tak, aby obszar histogramu był jeden. Znormalizowany histogram to rytm okołodobowy danego gatunku. Mówi o prawdopodobieństwie zaobserwowania owada tego gatunku w locie w określonym czasie.
    2. Klasyfikowanie nieznanego "dźwięku owadów" poprzez połączenie "dźwięku owadów" i rytmu dobowego
      1. Biorąc pod uwagę konkretny punkt w czasie, w którym wystąpił nieznany dźwięk owada, oblicz prawdopodobieństwo zaobserwowania owada w danej klasie na podstawie rytmu dobowego klasy.
        UWAGA: Rytm okołodobowy to rozkład prawdoby. Jest to tablica określająca prawdopodobieństwo wykrycia dźwięku, wydawanego przez określony gatunek owadów, o określonej porze dnia. Tak więc, gdy podany jest czas, można po prostu sprawdzić tablicę, aby uzyskać prawdopodobieństwo.
      2. Postępuj zgodnie z instrukcjami podanymi w sekcji 4.1.2, aby obliczyć prawdopodobieństwo a posteriori, że nieznany dźwięk należy do klasy za pomocą funkcji dźwięku. Pomnóż prawdopodobieństwo a posteriori przez wyniki z poprzedniego kroku, aby uzyskać nowe prawdopodobieństwo a posteriori.
      3. Sklasyfikuj "nieznany dźwięk" do klasy, która ma najwyższe nowe prawdopodobieństwo a posteriori.
  3. Dodaj jeszcze jedną cechę do klasyfikatora: rozmieszczenie geograficzne owadów
    1. Dowiedz się o rozmieszczeniu geograficznym interesujących nas gatunków, korzystając z danych opublikowanych w zapisach historycznych, odpowiedniej literatury lub po prostu zbierz wiedzę z pierwszej ręki od techników terenowych/biologów. W celach demonstracyjnych należy użyć symulacji rozkładu graficznego, jak pokazano na rysunku 7.
    2. Sklasyfikuj "nieznany dźwięk owada" za pomocą "dźwięku latania" i dwóch dodatkowych funkcji.
      1. Biorąc pod uwagę położenie geograficzne, w którym przechwycono odgłos owada, oblicz prawdopodobieństwo zaobserwowania owada z klasy w tym konkretnym miejscu, korzystając z graficznego rozmieszczenia gatunków.
        1. Postępuj zgodnie z krokami opisanymi w sekcji 4.2.2 i oblicz prawdopodobieństwo a posteriori, że "nieznany dźwięk" należy do klasy, korzystając z cech dźwięku i rytmów okołodobowych. Pomnóż wynik tego kroku przez wyniki z poprzedniego kroku, aby uzyskać nowe prawdopodobieństwo a posteriori.
      2. Sklasyfikuj "nieznany dźwięk" do klasy, która ma najwyższe nowe prawdopodobieństwo a posteriori.
  4. Ogólne ramy dodawania funkcji
    1. Rozważmy klasyfikator bayesowski, który używa tylko funkcji dźwięku jako klasyfikatora podstawowego. Wykonaj poniższe czynności, aby dodać nowe funkcje do klasyfikatora.
      1. W fazie trenowania poznaj funkcje gęstości uwarunkowane klasą nowej funkcji.
      2. W fazie klasyfikacji, biorąc pod uwagę nową cechę "nieznanego dźwięku", oblicz prawdopodobieństwo zaobserwowania tej cechy w klasie, korzystając z funkcji gęstości poznanych w poprzednim kroku. Pomnóż nowe prawdopodobieństwo przez poprzednie prawdopodobieństwo a posteriori odpowiadające "nieznanemu dźwiękowi" należącemu do klasy, które zostały obliczone na podstawie samych cech nieparzystych, aby otrzymać nowe prawdopodobieństwo a posteriori. Klasyfikuje nieznany obiekt do klasy, która ma najwyższe nowe prawdopodobieństwo a posteriori.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Tutaj przedstawiono dwa eksperymenty. W obu eksperymentach wykorzystano dane losowo pobrane ze zbioru danych zawierającego ponad 100 000 obiektów.

Pierwszy eksperyment pokazuje zdolność proponowanego klasyfikatora do dokładnego klasyfikowania różnych gatunków/płci owadów. Ponieważ dokładność klasyfikacji zależy od owadów, które mają być klasyfikowane, pojedyncza wartość bezwzględna dokładności klasyfikacji nie da czytelnikowi dobrej intuicji co do wydajności systemu. Zamiast tego, zamiast rapo...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Opisana tutaj struktura czujników/klasyfikacji pozwala na niedrogą i skalowalną klasyfikację owadów latających. Dokładność osiągalna przez system jest na tyle dobra, że pozwala na rozwój produktów komercyjnych i może być użytecznym narzędziem w badaniach entomologicznych.

Możliwość wykorzystania niedrogich, nieinwazyjnych czujników do dokładnej i automatycznej klasyfikacji owadów latających miałaby znaczące implikacje dla badań entomologicznych. Na przykład, wdrażając system w terenie w celu l...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Podziękowania

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

Chcielibyśmy podziękować Vodafone Americas Foundation, Fundacji Billa i Melindy Gatesów oraz Fundacji Badawczej São Paulo (FAPESP) za sfinansowanie tych badań. Chcielibyśmy również podziękować wielu członkom wydziału entomologii Uniwersytetu Kalifornijskiego w Riverside za ich rady dotyczące tego projektu.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Rejestrator dźwięku: ICD-PX312Sony4-267-065-11(2)Z dodatkową pamięcią microSD 8 GB
InsectaryLee's Aquarium & Produkty dla zwierząt.20088 HerpHaven®, duży prostokąt14 1/2 "długości x 8 3/4" szerokości x 9 3/4" wysokości. Zmodyfikowany do owadów domowych.
Generator linii laserowej, 650 nm (czerwony)Apinex (www.apinex.com)LN60-6505 mW. Jest to laser o małej mocy, podobny do wskaźnika laserowego nauczyciela
Matryca fotodiodowaVISHAY SEMICONDUCTOR  TEFD4300  FOTODIODA PIN, 650NM, 20DEG, T1TEFD4300Wykonaliśmy niestandardową matrycę 15 tych fotodiod połączonych równolegle.
Układ scalony konwertera analogowo-cyfrowegoWykonany na zamówienie w naszym laboratoriumWykonaliśmy ten przedmiot sami, ale łatwo dostępny produkt komercyjny, Gino PCF8591 AD/DA Converter, zapewnia tę samą funkcjonalność.

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Klasyfikacja owad wpseudoakustyczny czujnikd wi k uderze skrzydeklasyfikacja bayesowskacyrkadialna detekcja WBFkonfiguracja komory eksperymentalnejhodowla larw komar widentyfikacja p ci gatunk wmonitorowanie w czasie rzeczywistym

Powiązane artykuły