Vi foreslo et system som bruker billig, ikke-invasiv pseudo-akustisk optiske sensorer for å automatisk og nøyaktig oppdage, telle, og klassifisere flygende insekter basert på deres flygende lyd.
En billig, ikke-invasiv system som kunne nøyaktig klassifisere flygende insekter ville ha viktige implikasjoner for entomologiske forskning, og gi rom for utvikling av mange nyttige programmer i vektor og skadedyrbekjempelse for både medisinsk og landbruks entomologi. Gitt dette, har de siste seksti årene sett mange forskningsinnsats viet til denne oppgaven. Hittil har imidlertid ingen av denne forskning har hatt en varig virkning. I dette arbeidet viser vi at pseudo-akustisk optiske sensorer kan produsere overlegen data; at ekstra funksjoner, både indre og ytre til insekt flytur atferd, kan utnyttes til å forbedre insekt klassifisering; at en bayesiansk klassifisering tilnærming gjør det mulig å effektivt lære klassifiseringsmodeller som er svært robust til over sittende, og et generelt rammeverk klassifisering gjør det mulig å enkelt legge inn vilkårlig antall funksjoner. Vi viser funnene med store eksperimenter som dverg alle tidligere arbeider kombined, målt ved antall insekter og antallet av arter i betraktning.
Ideen om automatisk klassifisere insekter ved hjelp av tilfeldige lyden av deres fly går tilbake til de tidligste dagene av datamaskiner og kommersielt tilgjengelig lydopptak utstyr 1. Imidlertid har liten fremgang blitt gjort på dette problemet i de mellomliggende tiår. Mangelen på fremgang i denne jakten kan tilskrives flere relaterte faktorer.
Først, har mangelen på effektive sensorer gjort datainnsamling vanskelig. De fleste forsøk på å samle inn data har brukt akustiske mikrofoner 2-5. Slike anordninger er svært følsom for støy og bakgrunnsstøy i miljøet, noe som resulterer i meget begrensede og lav-kvalitetsdata.
Sekund, compounding disse data kvalitet problemer er det faktum at mange forskere har forsøkt å lære svært kompliserte klassifiseringsmodeller, spesielt nevrale nettverk 6-8. Forsøk på å lære kompliserte klassifiseringsmodeller, med bare titalls eksempler,er en oppskrift på over-montering.
For det tredje har det så lett å skaffe data betydde at mange forskere har forsøkt å bygge klassifiseringsmodeller med svært begrensede data, så få som 300 tilfeller 9 eller mindre. Imidlertid er det kjent at for å bygge nøyaktige klassifiseringsmodeller, er mer data bedre 10-13.
Dette arbeidet tar for seg alle tre spørsmålene. Optisk (snarere enn akustisk) sensorer kan brukes til å spille inn "lyd" av insekt flytur fra meter unna, med komplett invarians til vindstøy og lyder fra omgivelsene. Disse sensorene har tillatt innspillingen av millioner av merket opplærings tilfeller, langt mer data enn alle tidligere innsats kombinert, og dermed bidra til å unngå over-fitting som har plaget tidligere forskningsinnsats. En prinsipiell fremgangsmåte er vist nedenfor som tillater inkorporering av ytterligere informasjon i modellen klassifisering. Denne tilleggsinformasjon kan være så quotidian og somlett å få tak i som den tid av dagen, men likevel produserer betydelige gevinster i nøyaktigheten av modellen. Til slutt er det demonstrert at de enorme mengder data vi samlet tillate oss å dra nytte av "The urimelig effektiviteten av data" 10 for å produsere enkle, nøyaktige og robuste klassifiserere.
Oppsummert har flygende insekter klassifisering gått utover de tvilsomme påstander som er opprettet i forskningslaboratorium og er nå klar for den virkelige verden distribusjon. Sensorer og programvare som presenteres i dette arbeidet vil gi forskere over hele verden robuste verktøy for å akselerere sin forskning.
Sensoren / klassifisering rammeverket beskrevet her gjør at billig og skalerbar klassifisering av flygende insekter. De nøyaktigoppnåe av systemet er gode nok til å tillate utviklingen av kommersielle produkter og kan være et nyttig verktøy i entomologiske forskning.
Muligheten til å bruke billig, ikke-invasive sensorer til nøyaktig og automatisk klassifisere flygende insekter ville ha betydelige implikasjoner for entomologiske forskning. For eksempel, ved å distribuere systemet i f…
The authors have nothing to disclose.
Vi vil gjerne takke Vodafone Americas Foundation, Bill og Melinda Gates Foundation, og São Paulo Research Foundation (FAPESP) for å finansiere denne forskningen. Vi ønsker også å takke de mange fakultetet medlemmer fra Department of Entomology på University of California, Riverside, for deres råd om dette prosjektet.
Name of Material/ Equipment | Company | Catalog Number | Comments/Description |
Audio Recorder: ICD-PX312 | Sony | 4-267-065-11(2) | With a 8 GB microSD extra memory |
Insectary | Lee's Aquarium & Pet Products. | 20088 HerpHaven®, Large Rectangle | 14 1/2" Long x 8 3/4" Wide x 9 3/4" high. Modified to house insects. |
Laser Line Generator, 650nm (red) | Apinex (www.apinex.com) | LN60-650 | 5mW. This is a low powered laser, similar to a teachers lasers pointer |
Photodiode Array | VISHAY SEMICONDUCTOR TEFD4300 PIN PHOTODIODE, 650NM, 20DEG, T1 | TEFD4300 | We made a custom array of 15 of these Photodiodes wired in parallel |
Analogue to Digital Convertor Integrated Circuit | Custom made in our lab | We made this item ourselves, but an easily available commercial product, Gino PCF8591 AD/DA Converter, provides the same functionality. |