Name: Wykrywanie i klasyfikacja owadów latających za pomocą niedrogich czujników (Wideo) | JoVE Journal
Uploaded: 2014-10-15T15:00:00.000+00:00
Duration: 5 min 16 s
Description: Poznaj metodę wykrywania i klasyfikacji owadów latających za pomocą niedrogich czujników akustycznych. System umożliwia automatyczną identyfikację gatunku i płci w czasie rzeczywistym z wysoką dokładnością.

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

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.

1. Kolonia i hodowla owadów
<ol>
	<li>Kolonia i hodowla komarów
	<ol>
		<li>Tylne osobniki Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma i Aedes aegypti z kolonii laboratoryjnych, które pochodzą od dziko żyjących osobników.</li>
		<li>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).</li>
		<li>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.</li>
		<li>Karm dorosłe komary ad libitum 10% mieszanką sacharozy i wody. Wymieniaj jedzenie co tydzień.</li>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>Kolonia i hodowla much domowych i owocowych
	<ol>
		<li>Tylny Musca domestica z kolonii laboratoryjnej, pochodzący z dziko żyjących osobników. Złap dzikie osobniki Drosophila simulans i hoduj je w komorach doświadczalnych.</li>
		<li>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.</li>
		<li>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.</li>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
</ol>
2. Nagrywaj odgłosy latania w komorach doświadczalnych
<ol>
	<li>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.
	<ol>
		<li>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.</li>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>Skonfiguruj system do nagrywania dźwięków wytwarzanych przez latające owady
	<ol>
		<li>Podłącz komorę doświadczalną do źródła zasilania. Włącz zasilanie.</li>
		<li>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.</li>
		<li>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.
		<ol>
			<li>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.</li>
			<li>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.</li>
		</ol>
		</li>
		<li>Po prawidłowym skonfigurowaniu systemu zamknij pokrywę i dodaj owady.</li>
	</ol>
	</li>
	<li>Gromadzenie danych: nagrywanie dźwięków wytwarzanych przez latające owady
	<ol>
		<li>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.</li>
		<li>Podłącz rejestrator do systemu za pomocą audio i wznów nagrywanie. Pozostaw rejestrator do nagrywania na 3 dni, a następnie zatrzymaj nagrywanie.</li>
		<li>Pobierz dane z rejestratora do nowego folderu na komputerze. Opróżnij rejestrator, usuwając dane.</li>
		<li>Powtarzaj powyższy proces nagrywania, aż pozostałe owady wymrą i w klatce pozostanie przy życiu nie więcej niż 5 owadów</li>.
	</ol>
	</li>
</ol>
3. Przetwarzanie danych z czujników i wykrywanie dźwięków wytwarzanych przez latające owady
<ol>
	<li>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.
	<ol>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>Algorytm detekcji
	<ol>
		<li>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.
		<ol>
			<li>Obliczanie podstawowej częstotliwości bieżącego okna.</li>
			<li>Jeśli częstotliwość podstawowa mieści się w zakresie od 100 Hz do 1,200 Hz, wykonaj następujące czynności:
			<ol>
				<li>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".</li>
				<li>Zapisz czas wystąpienia bieżącego okna w pliku "dataDir_time".</li>
				<li>Przesuń przesuwane okno do punktu, który następuje bezpośrednio po wyodrębnionym klipie audio.</li>
			</ol>
			</li>
			<li>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.</li>
		</ol>
		</li>
		<li>Powtarzaj proces, aż przesuwane okno dotrze do końca nagrania.</li>
	</ol>
	</li>
</ol>
4. Klasyfikacja owadów
<ol>
	<li>Klasyfikacja bayesowska przy użyciu tylko lecącego dźwięku 
	Uwaga: Klasyfikator bayesowski to klasyfikator probabilistyczny, który klasyfikuje obiekt do jego najbardziej prawdopodobnej klasy.
	<ol>
		<li>Obliczanie cech dźwiękowych
		<ol>
			<li>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.</li>
		</ol>
		</li>
		<li>Trenowanie klasyfikatora bayesowskiego
		<ol>
			<li>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.
			<ol>
				<li>Losowo należy pobrać pewną liczbę odgłosów odgłosów owadów z danych zebranych dla każdego gatunku owadów.</li>
				<li>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.</li>
			</ol>
			</li>
		</ol>
		</li>
		<li>Używanie klasyfikatora bayesowskiego do klasyfikowania nieznanego owada
		<ol>
			<li>Oblicz obcięte widmo częstotliwości nieznanego dźwięku owadów.</li>
			<li>Obliczanie odległości euklidesowej między obciętym widmem nieznanego obiektu a wszystkimi obciętymi widmami w zbiorze danych treningowych.</li>
			<li>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 .</li>
			<li>Klasyfikowanie nieznanego obiektu do klasy, która ma największe prawdopodobieństwo a posteriori.</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Dodaj funkcję do klasyfikatora: rytm okołodobowy owadów
	<ol>
		<li>Poznaj uwarunkowane klasowo rozkłady czasu występowania odgłosów owadów, czyli rytm okołodobowy dla każdego gatunku owadów.
		<ol>
			<li>Na podstawie wyników wykrywania należy uzyskać czas wystąpienia każdego dźwięku (por. sekcja 3.2).</li>
			<li>Dla każdego gatunku zbuduj histogram czasu występowania odgłosów owadów.</li>
			<li>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.</li>
		</ol>
		</li>
		<li>Klasyfikowanie nieznanego "dźwięku owadów" poprzez połączenie "dźwięku owadów" i rytmu dobowego
		<ol>
			<li>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.</li>
			<li>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.</li>
			<li>Sklasyfikuj "nieznany dźwięk" do klasy, która ma najwyższe nowe prawdopodobieństwo a posteriori.</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Dodaj jeszcze jedną cechę do klasyfikatora: rozmieszczenie geograficzne owadów
	<ol>
		<li>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.</li>
		<li>Sklasyfikuj "nieznany dźwięk owada" za pomocą "dźwięku latania" i dwóch dodatkowych funkcji.
		<ol>
			<li>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.
			<ol>
				<li>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.</li>
			</ol>
			</li>
			<li>Sklasyfikuj "nieznany dźwięk" do klasy, która ma najwyższe nowe prawdopodobieństwo a posteriori.</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Ogólne ramy dodawania funkcji
	<ol>
		<li>Rozważmy klasyfikator bayesowski, który używa tylko funkcji dźwięku jako klasyfikatora podstawowego. Wykonaj poniższe czynności, aby dodać nowe funkcje do klasyfikatora.
		<ol>
			<li>W fazie trenowania poznaj funkcje gęstości uwarunkowane klasą nowej funkcji.</li>
			<li>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.</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>

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

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...

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.

<table><tbody><tr><td>Rejestrator dźwięku: ICD-PX312</td><td>Sony</td><td>4-267-065-11(2)</td><td>Z dodatkową pamięcią microSD 8 GB</td></tr><tr><td>Insectary</td><td>Lee's Aquarium & Produkty dla zwierząt.</td><td>20088 HerpHaven&reg;, duży prostokąt</td><td>14 1/2 "długości x 8 3/4" szerokości x 9 3/4" wysokości. Zmodyfikowany do owadów domowych.</td></tr><tr><td>Generator linii laserowej, 650 nm (czerwony)</td><td>Apinex (www.apinex.com)</td><td>LN60-650</td><td>5 mW. Jest to laser o małej mocy, podobny do wskaźnika laserowego nauczyciela</td></tr><tr><td>Matryca fotodiodowa</td><td>VISHAY SEMICONDUCTOR&nbsp; TEFD4300&nbsp; FOTODIODA PIN, 650NM, 20DEG, T1</td><td>TEFD4300</td><td>Wykonaliśmy niestandardową matrycę 15 tych fotodiod połączonych równolegle.</td></tr><tr><td>Układ scalony konwertera analogowo-cyfrowego</td><td>Wykonany na zamówienie w naszym laboratorium</td><td></td><td>Wykonaliśmy ten przedmiot sami, ale łatwo dostępny produkt komercyjny, Gino PCF8591 AD/DA Converter, zapewnia tę samą funkcjonalność.</td></tr></tbody></table>

wykrywanie i klasyfikacja owadów latających za pomocą niedrogich czujników

Flying Insect Detection and Classification with Inexpensive Sensors

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.

W niniejszym materiale przedstawiono dwa eksperymenty. W obu przypadkach dane zostały pobrane metodą losową z zestawu danych zawierającego ponad 100 000 obiektów.
Pierwszy eksperyment wykazuje zdolność proponowanego klasyfikatora do dokładnego klasyfikowania różnych gatunków i płci owadów. Ponieważ dokładność klasyfikacji zależy od klasyfikowanych owadów, pojedyncza bezwzględna wartość dokładności klasyfikacji nie dostarczyłaby czytelnikowi właściwego obrazu wydajności systemu. Zamiast tego, z...

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

Wykrywanie i klasyfikacja owadów latających za pomocą niedrogich czujników

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

Ogólnym celem tej procedury jest wykrycie i identyfikacja owadów latających na podstawie dźwięku ich uderzeń skrzydeł. Osiąga się to poprzez użycie najpierw pseudoczujnika akustycznego do ciągłego nagrywania dźwięku w komorze eksperymentalnej. Drugim krokiem jest automatyczne wykrywanie odgłosów latania owadów z surowego nagrania.Ostatnim krokiem jest automatyczna klasyfikacja wykrytych dźwięków latania w celu identyfikacji gatunku i płci owadów. Ostatecznie rysunki i tabele służą do pokazania dokładności klasyfikacji. Główną zaletą tej techniki jest to, że jest prosta, niedroga i może być tak wszechobecna, jak obecne metody, takie jak lepkie podróże i podróże wstawiennicze, ale z zaletami cyfrowymi, takimi jak większa dokładność i monitorowanie w czasie rzeczywistym.Aby rozpocząć eksperyment, należy umieścić larwy komarów w emaliowanych patelniach w standardowych warunkach laboratoryjnych. Nakarm je mieszanką mielonej karmy dla gryzoni i drożdży piwnych w proporcji trzy do jednego. Następnie zbierz poczwarki komarów w kubkach o pojemności 200 mililitrów lub zbierz dorosłe komary i umieść je w komorach doświadczalnych.Upewnij się, że każda komora doświadczalna zawiera od 20 do 40 osobników tego samego gatunku i płci. Jedz dorosłe komary, 10% mieszankę sacharozy i wody i wymieniaj jedzenie raz w tygodniu, wilgotne i bawełniane ręczniki dwa razy w tygodniu i umieszczaj je na komorach doświadczalnych, aby utrzymać wilgotność. Ponadto przez cały czas trzymaj w komorze 200-mililitrową filiżankę wody z kranu.Utrzymuj komory eksperymentalne w 16-8-godzinnym cyklu od jasnego do ciemnego w temperaturze od 20,5 do 22 stopni Celsjusza i wilgotności od 30 do 50% przez cały czas trwania eksperymentu. Podłącz komorę doświadczalną do zasilania i włącz zasilanie. Dopasuj światła laserowe do matrycy fotograficznej, regulując magnesy, aż laser zostanie wyśrodkowany na wszystkich poszczególnych diodach fotograficznych.Następnie wykonaj dwie kontrole poprawności, najpierw upewniając się, że system jest zasilany, a laser jest skierowany na matrycę zdjęć. Po drugie, podłącz głośnik do gniazda audio, aby sprawdzić, czy wyrównanie lasera i matrycy fotograficznej jest w stanie przechwytywać dźwięk. Zanurz rękę w klatce i wyjmij ją z klatki w pobliżu końca źródła lasera.Upewnij się, że światło lasera znajduje się na dłoni i słuchaj, aby zobaczyć, czy dźwięk się zmienia. Gdy ręka wchodzi i wysuwa się, przymocuj sznurek do elektronicznej szczoteczki do zębów i włącz szczoteczkę do zębów. Upewnij się, że światło lasera jest włączone.Następnie przesuń strunę do płaszczyzny lasera i posłuchaj, czy dźwięk się zmieni. Po prawidłowym skonfigurowaniu systemu dodaj owady do klatki i zamknij pokrywę. Aby rozpocząć zbieranie danych, włącz dyktafon i utwórz adnotację głosową zawierającą następujące informacje, a następnie wstrzymaj nagrywanie.Następnie podłącz rejestrator do systemu i wznów nagrywanie na trzy dni. Pobierz dane z rejestratora do nowego folderu i opróżnij rejestrator, usuwając dane. Powtarzaj proces rejestrowania, aż pozostałe owady umrą, a w klatce pozostanie przy życiu nie więcej niż pięć owadów.Aby przetworzyć dane, uruchom oprogramowanie do wykrywania okołodobowego WBF dla każdego folderu zawierającego dane z sesji nagrywania, otwórz MATLAB i wpisz w oknie poleceń, aby zmienić katalog roboczy MATLAB na katalog kodu i uruchom kod okołodobowy WBF. Następnie naciśnij enter, aby rozpocząć. Po zakończeniu działania algorytmu sprawdź wyniki wykrywania, które algorytm wyprowadza w nowym folderze, klasyfikator osiąga ponad 96% dokładności przy klasyfikowaniu nie więcej niż pięciu gatunków owadów, jak pokazano w tabeli, która wyświetla dokładność klasyfikacji uzyskaną przy rosnącej liczbie klas.Gdy liczba klas wzrasta do 10, dokładność nigdy nie jest mniejsza niż 79%Ten taninik może pomóc w walce z chorobami inwentaryzowanymi, takimi jak materiał, dostarczając prawdziwych informacji, które można wykorzystać do skutecznego zaplanowania programu separacji. Może również pomóc rolnikom w ograniczeniu rozprzestrzeniania się przypadkowych uszkodzeń ich upraw poprzez monitorowanie szkodników na polu.

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

Research

JoVE Journal

Bioengineering

Bioinżynieria

Prezentujemy nowatorską procedurę chirurgiczną polegającą na wszczepieniu elektrod w Manduca sexta podczas jej wczesnych stadiów metamorficznych. Technika ta pozwala na mechanicznie stabilne i elektrycznie niezawodne sprzężenie z tkanką nerwowo-mięśniową w celu badania dynamiki neurofizjologii lotu. Prezentujemy również nowatorską platformę lewitacji magnetycznej do badań ziewania owadów na uwięzi.

Wczesna technologia wprowadzania metamorficznego do monitorowania zachowania owadów w locie

Opisujemy protokół używania anten owadów w postaci elektroantennogramów (EAG) na autonomicznych robotach. Nasza eksperymentalna konstrukcja pozwala na stabilne nagrania w ciągu jednego dnia i rozwiązuje indywidualne plamy zapachowe do 10 Hz. Skuteczność czujników EAG w poszukiwaniu węchu jest wykazywana poprzez kierowanie robota w kierunku źródła zapachu.

Wykorzystanie czujników elektroantennogramu owadów w autonomicznych robotach do wyszukiwania węchowego

Na lot owadów wpływa wiele czynników, a skłonność do rozprzestrzeniania się jest ważną zmienną w zrozumieniu ekologii owadów i strategii kontroli biologicznej. Opisujemy budowę i zastosowanie prostego, stosunkowo niedrogiego i elastycznego młyna zgarniającego do pomiaru parametrów lotu na uwięzi u owadów.

Prosty młyn zgarniający do badania lotu na uwięzi u owadów

Zdolność do lokalizacji źródła zapachu jest niezbędna do przetrwania owadów i oczekuje się, że będzie miała zastosowanie do sztucznego śledzenia zapachów. Robot sterowany przez owady jest napędzany przez prawdziwą jedwabną i umożliwia nam ocenę zdolności owadów do śledzenia zapachów za pomocą platformy robotycznej.

Robot sterowany przez owady: mobilna platforma robota do oceny zdolności owadów do śledzenia zapachów

Opracowaliśmy tani i mały młyn do lotów, zbudowany z powszechnie dostępnych przedmiotów i łatwo wykorzystany w eksperymentach. Za pomocą tej aparatury zmierzyliśmy zdolność lotną chrząszcza ambrozyjnego, Platypus quercivorus.

Pomiar zdolności lotnej chrząszcza Ambrozja, Platypus quercivorus (Murayama), przy użyciu taniego, małego i łatwego w budowie młyna

Pomiar wzorców pojawiania się owadów wymaga precyzji. Istniejące systemy są tylko częściowo zautomatyzowane, a wielkość próby jest ograniczona. Zajęliśmy się tymi problemami, projektując system wykorzystujący mikrokontrolery do precyzyjnego pomiaru czasu pojawienia się dużej liczby pojawiających się owadów.

Precyzyjny i autonomiczny system wykrywania wzorców pojawiania się owadów

Tutaj opisujemy budowę i wykorzystanie tunelu aerodynamicznego do testów behawioralnych z owadami za pośrednictwem zapachu. Konstrukcja tunelu aerodynamicznego ułatwia uwalnianie źródeł zapachów na kilka sposobów, z bodźcami wizualnymi lub bez. Eksperymenty w tunelu aerodynamicznym są ważnymi metodami identyfikacji behawioralnie aktywnych lotnych substancji chemicznych.

Tunel aerodynamiczny do testów behawioralnych owadów na podstawie zapachu

Ten protokół wykorzystuje drukarki trójwymiarowe (3D) i wycinarki laserowe znajdujące się w przestrzeniach twórczych, aby stworzyć bardziej elastyczny projekt młyna lotniczego. Korzystając z tej technologii, naukowcy mogą obniżyć koszty, zwiększyć elastyczność projektowania i generować powtarzalne prace podczas konstruowania młynów do badań nad lotem owadów na uwięzi.

Budowa ulepszonego młyna zgarniającego do badania lotu owadów na uwięzi

To badanie wprowadza eksperymentalne protokoły dla bio-hybrydowego drona wykrywającego zapachy, opartego na antenach jedwabnika. Przedstawiono działanie eksperymentalnego urządzenia elektroantennogramowego z czułkami jedwabnika, a także konstrukcję biohybrydowego drona przeznaczonego do lokalizacji źródła zapachów za pomocą algorytmu spiralnego przypływu.

Biohybrydowy dron wykrywający zapachy oparty na elektroantennografii wykorzystujący anteny Silkmoth do lokalizacji źródła zapachów

Aby zbadać wpływ sztucznego światła w nocy (ALAN) na nocne owady latające, pobieranie próbek musi być ograniczone do nocy. Protokół opisuje tanią, zautomatyzowaną pułapkę przechwytującą lot, która umożliwia naukowcom pobieranie próbek w zdefiniowanych przez użytkownika okresach ze zwiększoną replikacją.

Tani zautomatyzowany pułap przechwytujący lot do czasowego pobierania próbek owadów latających zwabionych przez sztuczne światło w nocy

Ten protokół przedstawia metody tworzenia, dołączania i śledzenia znaczników radarowych harmonicznych dla owadów.

Harmoniczne znaczniki radarowe do śledzenia owadów: lekkie, tanie i dostępne

Poznaj metodę wykrywania i klasyfikacji owadów latających za pomocą niedrogich czujników akustycznych. System umożliwia automatyczną identyfikację gatunku i płci w czasie rzeczywistym z wysoką dokładnością.

Wykrywanie i klasyfikacja owadów latających za pomocą niedrogich czujników

Przeglądaj więcej filmów