Vi foreslog et system, der bruger billig, noninvasive pseudo-akustisk optiske sensorer til automatisk og præcist afsløre, tælle, og klassificere flyvende insekter baseret på deres flyvende lyd.
En billig, non-invasiv system, der kunne præcist klassificere flyvende insekter vil få betydelige konsekvenser for entomologiske forskning, og give mulighed for udvikling af mange nyttige applikationer i vektor og skadedyrsbekæmpelse for både medicinsk og landbrug entomologi. På denne baggrund har de sidste 60 år set mange forskningsindsats, der afsættes til denne opgave. Til dato har dog ingen af denne forskning haft en varig betydning. I dette arbejde, viser vi, at pseudo-akustisk optiske sensorer kan producere overlegen data; at ekstra funktioner, både indre og ydre til insektets flugt adfærd, kan udnyttes til at forbedre insekt klassificering; at en Bayes klassifikation tilgang gør det muligt at effektivt at lære klassifikationsmodeller som er meget robust over-montering og en generel klassifikation rammer giver mulighed for nemt at inkorporere vilkårligt antal funktioner. Vi demonstrerer resultaterne med storskalaforsøg, der dværg alle tidligere værker combiNed, som målt ved antallet af insekter og antallet af arter, der betragtes.
Ideen om automatisk at klassificere insekter ved hjælp af den utilsigtede lyden af deres fly daterer sig tilbage til de tidligste dage af computere og kommercielt tilgængelige lydoptagelse udstyr 1. Imidlertid er der gjort store fremskridt på dette problem i de mellemliggende årtier. De manglende fremskridt i denne stræben kan tilskrives flere relaterede faktorer.
For det første har manglen på effektive sensorer foretaget dataindsamling vanskelig. De fleste bestræbelser på at indsamle data har brugt akustiske mikrofoner 2-5. Sådanne anordninger er ekstremt følsomme overfor vindstøj og baggrundsstøj i miljøet, hvilket resulterer i meget sparsomme og lav kvalitet af data.
For det andet, hvilket har forstærket disse problemer med datakvaliteten, er det faktum, at mange forskere har forsøgt at lære meget komplicerede klassifikation modeller, især neurale netværk 6-8. Forsøger at lære komplicerede klassifikationsmodeller, med blot snesevis af eksempler,er en opskrift på over-montering.
For det tredje har difficultly at skaffe data betydet, at mange forskere har forsøgt at bygge klassifikationsmodeller med meget begrænsede data, så få som 300 forekomster 9 eller derunder. Imidlertid er det kendt, at for at bygge nøjagtige modeller klassificering, flere data er bedre 10-13.
Dette arbejde henvender sig til alle tre spørgsmål. Optisk (snarere end akustisk) sensorer kan bruges til at optage den "lyd" insekt flyvning fra meter væk, med komplet invarians at vindstøj og omgivende lyde. Disse sensorer har tilladt registrering af millioner af mærkede uddannelse tilfælde langt flere data end alle tidligere indsats tilsammen, og dermed bidrage til at undgå de over-montering, der har plaget tidligere forskningsindsats. En principfast metode er vist nedenfor, der tillader inkorporering af yderligere oplysninger i klassificeringen modellen. Disse yderligere oplysninger kan være så dagligdags og somlet at opnå som det tidspunkt på dagen, men stadig producere betydelige gevinster i nøjagtigheden af modellen. Endelig er det påvist, at de enorme mængder af data, vi indsamlede tillade os at drage fordel af "The urimelig effektivitet af data" 10 til at producere enkle, præcise og robuste klassificører.
Sammenfattende har flyvende insekt klassificering bevæget sig ud over de tvivlsomme påstande, der er oprettet i forskningslaboratorium og er nu klar til den virkelige verden indsættelsen. Sensorerne og software der præsenteres i dette arbejde vil give forskere fra hele verden robuste værktøjer til at fremskynde deres forskning.
Sensoren / klassificering rammer beskrevet her giver billig og skalerbar klassificering af flyvende insekter. Nøjagtighed kan opnås i systemet, er god nok til at muliggøre udviklingen af kommercielle produkter og kan være et nyttigt redskab i entomologisk forskning.
Evnen til at bruge billig, invasive sensorer til præcist og automatisk klassificere flyvende insekter vil få betydelige konsekvenser for entomologisk forskning. For eksempel ved implementering af systemet i feltet for…
The authors have nothing to disclose.
Vi vil gerne takke Vodafone Amerika Foundation, Bill og Melinda Gates Foundation, og São Paulo Research Foundation (FAPESP) til finansiering af denne forskning. Vi vil også gerne takke de mange videnskabelige medarbejdere fra Institut for Entomologi ved University of California, Riverside, om deres råd på dette projekt.
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. |