Vôo Detecção e Classificação Insect com sensores baratos
October 15th, 2014
Propusemos um sistema que utiliza sensores de pseudo-acústico de baixo custo, não invasivo ópticos para detectar automaticamente e com precisão, contar e classificar insetos voadores com base em seu som de vôo.
O objetivo geral deste procedimento é detectar e identificar insetos voadores com base no som de batidas de asas. Isso é feito primeiro usando um sensor pseudo-acústico para gravar continuamente o som em uma câmara de experimento. O segundo passo é detectar automaticamente os sons de vôo de insetos da gravação bruta.
A etapa final é classificar automaticamente os sons de vôo detectados para identificar a espécie e o sexo do inseto. Em última análise, figuras e tabelas são usadas para mostrar a precisão da classificação. A principal vantagem dessa técnica é que ela é simples, barata e pode ser tão onipresente quanto os métodos atuais, como sticky trips e intercession.
Para iniciar o experimento, crie larvas de mosquito em panelas de esmalte sob condições padrão de laboratório. Alimente-os com uma mistura de ração para roedores moídos e levedura de cerveja na proporção de três para um. Em seguida, colete os pupi do mosquito em copos de 200 mililitros ou colete os mosquitos adultos e coloque-os em câmaras experimentais.
Certifique-se de que cada câmara experimental contenha de 20 a 40 indivíduos da mesma espécie e sexo. Coma mosquitos adultos, uma mistura de 10% de sacarose e água, e substitua a comida uma vez por semana, toalhas úmidas e de algodão duas vezes por semana e coloque-as em cima das câmaras experimentais para manter a umidade. Além disso, mantenha sempre um copo de 200 mililitros de água da torneira na câmara.
Mantenha as câmaras experimentais em um ciclo de 16 a oito horas de luz a escuridão a 20,5 a 22 graus Celsius e 30 a 50% de umidade durante o experimento. Conecte a câmara experimental a uma fonte de alimentação e ligue a energia. Alinhe as luzes do laser ao conjunto de fotos ajustando os ímãs até que o laser esteja centralizado em todos os fotodiodos individuais.
Em seguida, execute duas verificações de sanidade, primeiro certificando-se de que o sistema esteja ligado e o laser esteja apontando para a matriz de fotos. Em segundo lugar, conecte o alto-falante ao conector de áudio para verificar se os alinhamentos do laser e do conjunto de fotos são capazes de capturar som. Mergulhe a mão para dentro e para fora da gaiola perto da extremidade da fonte de laser.
Certifique-se de que a luz do laser esteja na mão e ouça para ver se o som muda. À medida que a mão entra e sai, prenda um barbante a uma escova de dentes eletrônica e ligue a escova de dentes. Certifique-se de que a luz do laser esteja acesa.
Em seguida, mova a corda para o plano do laser e ouça para ver se o som muda. Depois que o sistema estiver configurado corretamente, adicione insetos à gaiola e feche a tampa. Para iniciar a coleta de dados, ligue o gravador e faça uma anotação de voz que inclua as seguintes informações e pause a gravação.
Em seguida, conecte o gravador ao sistema e retome a gravação por três dias. Baixe os dados do gravador para uma nova pasta e esvazie o gravador excluindo os dados. Repita o processo de gravação até que os insetos restantes tenham morrido e não haja mais de cinco insetos vivos na gaiola.
Para processar os dados, execute o software de detecção circadiano WBF para cada pasta que contém dados de uma sessão de gravação, abra o MATLAB e digite na janela de comando para alterar o diretório de trabalho do MATLAB para o diretório de código e execute o código circadiano WBF. Em seguida, pressione enter para iniciar. Assim que o algoritmo terminar, verifique os resultados da detecção que o algoritmo gera em uma nova pasta, o classificador atinge mais de 96% de precisão ao classificar não mais do que cinco espécies de insetos, conforme demonstrado pela tabela, que exibe a precisão da classificação obtida com o aumento do número de classes.
Quando o número de classes aumenta para 10, a precisão nunca é inferior a 79%Este tânico pode ajudar a combater doenças inatadas, como materiais, produzindo informações reais que podem ser usadas para planejar efetivamente o programa de separação. Também pode ajudar os agricultores a limitar a propagação de danos incidentes em suas plantações, monitorando as pragas no campo.
View the full transcript and gain access to thousands of scientific videos
Visão Geral
Este estudo apresenta um sistema que utiliza sensores ópticos pseudo-acústicos baratos e não invasivos para detectar, classificar e contar insetos voadores com base nos sons de batida de suas asas. O método oferece uma alternativa digital às técnicas tradicionais de monitoramento de insetos, proporcionando maior precisão e dados em tempo real.
Componentes Principais do Estudo
Área da Ciência
- Monitoramento de insetos
- Tecnologia de sensoriamento acústico
- Classificação de espécies
Fundamentos
- Métodos tradicionais para monitoramento de insetos incluem armadilhas adesivas e armadilhas de interceptação.
- Esses métodos podem ser limitados em precisão e coleta de dados em tempo real.
- Avanços na tecnologia de sensoriamento acústico proporcionam novas oportunidades para detecção de insetos.
- Entender as populações de insetos é crucial para estudos ecológicos e gestão de pragas.
Objetivo do Estudo
- Desenvolver um sistema para detecção automática de sons de insetos voadores.
- Classificar os sons detectados para identificar espécies e sexo dos insetos.
- Demonstrar as vantagens deste método em comparação com técnicas de monitoramento tradicionais.
Métodos Utilizados
- Gravação contínua de som usando sensores pseudo-acústicos em uma câmara experimental.
- Detecção automática de sons de insetos voadores a partir de gravações de áudio brutas.
- Classificação dos sons detectados para determinar espécies e sexo.
- Uso de figuras e tabelas para apresentar resultados de precisão da classificação.
Principais Resultados
- O sistema detectou e classificou com sucesso várias espécies de insetos voadores.
- Os resultados indicaram maior precisão em comparação com métodos tradicionais.
- Capacidades de monitoramento em tempo real foram demonstradas.
- O método é econômico e fácil de implementar.
Conclusões
- Este estudo apresenta uma alternativa viável para o monitoramento de insetos.
- O sistema proposto melhora a precisão e eficiência na detecção de insetos voadores.
- Aplicações futuras podem levar a melhores estratégias de monitoramento ecológico e controle de pragas.
Perguntas Frequentes
Executive Industry Relevance
This work demonstrates a low-cost, noninvasive sensor system for detecting and classifying flying insects based on wing beat sounds, offering a scalable alternative to traditional entomological monitoring methods. The approach provides high-accuracy, real-time data that can support vector surveillance and pest management programs in agricultural and medical entomology. By enabling continuous monitoring with minimal infrastructure, the system enhances predictive confidence in early-stage target validation for interventions aimed at reducing disease transmission or crop loss.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of insect behavioral phenotypes through continuous, noninvasive monitoring of wing beat patterns.
- Operational Value: Supports hypothesis testing in vector control research by providing quantitative, species- and sex-specific activity data.
- Predictive Value: Improves confidence in target selection by correlating insect activity with environmental or intervention variables.
Screening & Assay Development
- Scientific Value: Generates robust, reproducible acoustic signatures that serve as phenotypic readouts for insect classification.
- Operational Value: Standardizes data collection across experimental chambers, reducing variability in longitudinal studies.
- Scalability: Allows high-throughput monitoring of large insect cohorts over extended periods, as demonstrated in multi-day recordings.
Translational & Preclinical Research
- Translational Continuity: Bridges laboratory-based insect behavior studies with field-applicable surveillance tools for vector-borne disease models.
- Mechanistic De-risking: Enables real-time assessment of intervention impacts on insect populations, supporting go/no-go decisions in preclinical development.
- Disease-Relevant System: Provides a platform to evaluate vector competence and host-seeking behaviors under controlled conditions.
Pipeline & Workflow Integration
The method fits within the discovery continuum from early vector biology to preclinical evaluation of control strategies, particularly where real-time, species-resolved monitoring informs mechanistic understanding and intervention efficacy.
- Discovery Biology: Facilitates hypothesis-driven studies of insect flight behavior, circadian activity, and responses to stimuli.
- Screening: Delivers assay-ready, quantitative outputs (wing beat frequency, amplitude modulation) suitable for high-resolution phenotypic screening.
- Analytics: Enables statistical comparison of insect populations across conditions using classification accuracy and detection rates as key metrics.
- Translational Research: Supports continuity from lab to field by validating monitoring tools that can be deployed in endemic settings.
- Enterprise Reuse: Represents a reusable sensor platform adaptable to multiple insect species and environmental contexts.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by reducing ambiguity in insect phenotyping and behavioral responses.
- Operational Value: Delivers standardized, real-time monitoring with minimal consumables, lowering operational burden compared to sticky or interception traps.
- Strategic Value: Improves capital efficiency by enabling rapid iteration in vector control screening campaigns through immediate feedback on intervention effects.
- Portfolio Impact: Supports risk-adjusted prioritization of vector control candidates by providing early, measurable biomarkers of population suppression.
Implementation Considerations
- Requires expertise in bioacoustics, signal processing, and entomological assay design.
- Depends on stable optical and audio instrumentation, including laser-photodiode arrays and environmental controls.
- Necessitates cross-team standardization for data annotation, species verification, and classification model training.
- Adaptation across model systems may require recalibration of sensor sensitivity and feature extraction parameters.
- Practical limitations include sensitivity to ambient noise and environmental vibration, which may affect detection fidelity in field settings.
