Bioengineering

Insectes volants Détection et classification des capteurs peu coûteux

Published: October 15, 2014 doi: 10.3791/52111

Yanping Chen¹, Adena Why², Gustavo Batista³, Agenor Mafra-Neto⁴, Eamonn Keogh¹

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

Summary

Nous avons proposé un système qui utilise des capteurs de pseudo-acoustique non invasives peu coûteuses optiques pour détecter automatiquement et avec précision, compter, et classer les insectes en fonction de leur son volant volant.

Abstract

Un système non invasif peu coûteux qui pourrait classer avec précision les insectes volants aurait des implications importantes pour la recherche entomologique, et permettre le développement de nombreuses applications utiles dans le vecteur et la lutte antiparasitaire à la fois pour l'entomologie médicale et agricole. Compte tenu de cela, les soixante dernières années ont vu de nombreux efforts de recherche consacrés à cette tâche. À ce jour, cependant, aucun de ces recherches ont eu un impact durable. Dans ce travail, nous montrons que les capteurs optiques pseudo-acoustique peuvent produire des données de qualité supérieure; que des fonctionnalités supplémentaires, à la fois intrinsèque et extrinsèque au comportement de vol de l'insecte, peut être exploitée pour améliorer la classification des insectes; une approche de classification bayésienne permet d'apprendre efficacement des modèles de classification qui sont très robustes au sur-apprentissage, et un cadre de classification générale permet d'intégrer facilement un nombre arbitraire de fonctionnalités. Nous démontrons des résultats avec des expériences à grande échelle qui éclipsent tous les travaux antérieurs CombiNed, tel que mesuré par le nombre d'insectes et le nombre d'espèces considérées.

Introduction

L'idée de classer automatiquement les insectes en utilisant le son accessoire de leur vol remonte aux premiers jours de l'informatique et de l'équipement d'enregistrement audio disponible dans le commerce ^1. Cependant, peu de progrès ont été réalisés sur ce problème dans les décennies suivantes. L'absence de progrès dans cette poursuite peut être attribuée à plusieurs facteurs connexes.

Tout d'abord, le manque de capteurs efficaces a fait la collecte de données difficile. La plupart des efforts de collecte de données ont utilisé des micros acoustiques ^2-5. De tels dispositifs sont extrêmement sensibles du bruit du vent et le bruit ambiant dans l'environnement, résultant en données très rares et de faible qualité.

Deuxièmement, ce qui aggrave ces problèmes de qualité des données est le fait que de nombreux chercheurs ont tenté d'apprendre des modèles de classification très complexes, en particulier les réseaux de neurones ^6-8. Essayer d'apprendre des modèles de classification complexes, avec de simples dizaines d'exemples,est une recette pour plus de raccord.

Troisièmement, la difficulté de l'obtention des données a fait que de nombreux chercheurs ont tenté de construire des modèles de classification des données très limitées, aussi peu que 300 cas ^{de 9} ou moins. Cependant, il est connu que pour la construction de modèles de classification précis, plus les données sont mieux ^{10 à 13.}

Ce travail aborde les trois questions. Optiques (plutôt que acoustique) capteurs peuvent être utilisés pour enregistrer le "son" de vol de l'insecte de mètres, avec invariance complète du bruit du vent et les bruits ambiants. Ces capteurs ont permis l'enregistrement de millions de cas de formation labellisés, beaucoup plus de données que tous les efforts précédents combinés, et d'éviter ainsi les efforts de recherche antérieurs sur-apprentissage qui sévit. Une méthode fondée sur des principes est illustré ci-dessous qui permet l'incorporation de l'information supplémentaire dans le modèle de classification. Cette information supplémentaire peut être aussi quotidienne et quefacile à obtenir que le temps de la journée, mais encore produire des gains importants en termes de précision du modèle. Enfin, il est démontré que les énormes quantités de données que nous avons recueillies nous permettent de profiter de "l'efficacité déraisonnable de données" ¹⁰ pour produire des classificateurs simples, précises et solides.

En résumé, vol classification des insectes a dépassé les réclamations douteuses créés dans le laboratoire de recherche et est maintenant prêt pour un déploiement dans le monde réel. Les capteurs et les logiciels présentés dans cette étude seront chercheurs du monde entier des outils robustes pour accélérer leurs recherches.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. insectes Colony et Elevage

Mosquito Colony et Elevage
1. Tarsalis arrière Culex, Culex quinquefasciatus, stigmatosoma Culex, Aedes et adultes aegypti de colonies de laboratoire, qui provenaient sauvages capturés individus.
2. Les larves de moustiques arrière dans des casseroles en émail dans des conditions standard de laboratoire (27 ° C, 16: lumière 8 h: noir [LD] le cycle avec des périodes crépuscule / l'aube 1 h), et les ad libitum nourrir sur un mélange de terre pour rongeur et la levure de bière (3: 1, v: v).
3. Recueillir moustiques pupes dans 200 ml tasses, et les placer dans les chambres expérimentales. Sinon, aspirer les moustiques adultes dans les chambres expérimentales dans 1 semaine de l'émergence. Assurez-vous que chaque chambre expérimentale contient 20 à 40 individus de la même espèce / sexe.
4. moustiques adultes d'alimentation ad libitum sur un 10% de saccharose et le mélange de l'eau. Remplacez les aliments hebdomadaire.
5. Humidifiez serviettes en coton deux fois par semaine et place sur le dessus des chambres expérimentales pour maintenir l'humidité à l'intérieur de la cage. En outre, placer 200 ml tasse de l'eau du robinet dans la chambre en tout temps pour aider à maintenir le niveau d'humidité globale.
6. Maintenir les chambres expérimentales sur 16: la lumière de 8 heures: sombre du cycle [LD], de 20,5 à 22 ° C et 30-50% d'humidité relative pour la durée de l'expérience.
Mouche et la mouche des fruits Colony et Elevage
1. Musca domestica arrière d'une colonie de laboratoire, provenant de sauvages capturés individus. Catch sauvages Drosophila simulans individus et les élever dans les chambres expérimentales.
2. Arrière larves Musca domestica dans des bacs en plastique dans des conditions standard de laboratoire (12h12 heures de lumière: noir [LD] cycle de 26 ° C, 40% HR) dans un mélange d'eau, la farine de son, de la luzerne, la levure et le lait en poudre. Drosophila simulans arrière larves dans une chambre d'élevage et les nourrir ad libitum sur un mélange de pourriturefruits.
3. Aspirer adulte Musca domestica dans les chambres expérimentales dans 1 semaine de l'émergence. Adultes simulans Drosophila peuvent être directement élevés dans les chambres expérimentales. Avant la collecte de données, assurez-vous que chaque chambre expérimentale contient pas plus de 10-15 individu domestica de Musca ou 20-30 individuels simulans drosophile.
4. Flux adulte Musca domestica ad libitum sur un mélange de lait de sucre et faible en gras séché, avec un accès libre à l'eau. RSS drosophile adulte simulans ad libitum sur un mélange de fruits pourris. Remplacez les aliments hebdomadaire.
5. Maintenir les chambres expérimentales sur 16: lumière 8 h: cycle d'obscurité [LD], de 20,5 à 22 ° C et 30-50% d'humidité relative pour la durée de l'expérience.

2. Enregistrez volants sons dans les chambres expérimentales

Configuration Chambre expérimentale
Remarque: Une «c expérimentalhambre "désigne la cage conçu dans notre laboratoire, dans lequel les données ont été enregistrées. Le capteur est relativement bon marché. Lors de sa construction en vrac, une mise en place pourrait être fabriqué pour moins de 10 $.
1. Construire une chambre expérimentale, soit de la plus grande taille: 67 cm L x 22 cm W x 24,75 cm H, ou la plus petite taille: 30 cm L x 20 cm W x 20 cm H. La chambre expérimentale est constituée d'un réseau de phototransistors et une ligne laser montrant le tableau de phototransistor.
  NOTE: En outre, la chambre se compose de KRITTER gardiens qui sont modifiés pour inclure le dispositif de capteur ainsi que d'un manchon fixé sur un morceau de tuyau en PVC pour permettre l'accès aux insectes.
2. Connectez le réseau de phototransistors à une carte électronique. La sortie de la carte électronique alimente un enregistreur audio numérique et est enregistré sous forme de données audio au format MP3. Voir la conception logique du capteur de la figure 1, partie II, et une version physique de la chambre de la figure 1.J'ai.
Configuration du système pour enregistrer des sons produites par les insectes volants
1. Connectez la chambre expérimentale à une alimentation électrique. Tournez sur la puissance.
2. Sur la chambre expérimentale, trouver les lumières laser et photoarray. Alignez les lumières laser à la photoarray. Pour obtenir l'alignement correct, adapter le photoarray utilisant des aimants à l'extérieur de la chambre expérimentale qui correspondent aux aimants fixés à la photoarray à l'intérieur de la chambre jusqu'à ce que la lumière laser est centré sur toute la photodiod individueles.
3. Réaliser deux vérifications de bonne santé pour s'assurer que le système est correctement mis en place.
  Remarque: La première étape est de s'assurer que le système est sous tension, tous les fils sont correctement raccordés et si le laser est dirigé vers le tableau de photo. La deuxième étape consiste à procéder à des vérifications supplémentaires sur l'alignement de laser afin de s'assurer qu'elle peut capturer le son des battements d'ailes des insectes.
  1. Brancher un casque (plutôt que l'enregistreur) dans la prise audio. Plonger la main dans et hors de la chambre expérimentale, à proximité de la photoarray, pour rompre le plan de la lumière laser. Assurez-vous que la lumière laser est sur (ce sera un faisceau de lumière rouge) et que vous briser le plan de la lumière à quelques reprises avec la main. Écouter des changements de niveau de bruit que votre main va dans et hors du faisceau lumineux. Si vous détectez une différence audible, le capteur est capable de capturer les sons produits par le mouvement des objets plus grands. En cas de succès, de passer à la prochaine vérification de cohérence, sinon, vérifier si le casque est correctement branché etsi le laser est dirigé vers le photoarray. Réglez le photoarray conséquence jusqu'à ce que le son de la main se déplaçant dans et hors de la chambre expérimentale peut être entendu.
  2. Joindre un mince morceau de câblage électrique à une brosse à dents automatique. Mettez la brosse à dents, et plonger le câblage dans et hors de la chambre expérimentale près de la phototarray. Assurez-vous que la lumière laser est de frapper la pièce de câblage comme il se déplace. Si vous détectez un changement dans la fréquence audible, lorsque la pièce de câblage rompt le plan de la lumière laser, le système est alors prêt à capturer les sons produits par le mouvement des objets minuscules, c'est à dire, des sons d'insectes. Si vous ne détectez pas une différence audible, retournez à l'étape 2.2.2 pour réaligner les lumières laser et la photoarray.
4. Après que le système est correctement configuré, fermez le couvercle et ajouter les insectes.
Collecte de données: Enregistrement des sons produits par les insectes volants
1. Mettez le magnétoscope et faire une voice annotation qui comprend les informations suivantes: nom de l'espèce dans la chambre expérimentale, l'âge de la insectes, la date et l'heure, actuelle RT ambiante et l'humidité relative. Pause de l'enregistrement.
2. Raccordez l'enregistreur au système, via le câble audio, et reprendre l'enregistrement. Laissez l'enregistreur pour enregistrer pendant 3 jours, puis arrêter l'enregistrement.
3. Télécharger les données de l'enregistreur dans un nouveau dossier sur un PC. Vider l'enregistreur par la suppression des données.
4. Répétez le processus d'enregistrement ci-dessus, jusqu'à ce que les insectes restants sont morts au large et il n'y a pas plus de 5 insectes encore en vie dans la cage.

Traitement des données de capteurs et 3 Détection des sons produits par les insectes volants

Utiliser le logiciel pour détecter les sons produits par les insectes volants.
Remarque: le logiciel (algorithme de détection) est beaucoup plus rapide que le temps réel. Il faut au moins 3 heures pour traiter une session d'enregistrement, soit trois jours de datun, sur une machine standard avec processeur Intel (R) Core ™ à 2,00 GHz et 8 Go de RAM.
1. Pour chaque dossier contenant des données à partir d'une session d'enregistrement, exécutez le logiciel de détection pour détecter les sons d'insectes. Pour exécuter le logiciel, ouvert MATLAB, et tapez "circandian_wbf (DataDir)" dans la fenêtre de commande, où DataDir est le répertoire des données d'enregistrement. Puis appuyez sur "Entrée" pour commencer.
  REMARQUE: Télécharger le circadian_wbf logiciel de détection de référence n ° 16.
2. Attendez jusqu'à ce que l'algorithme se termine, puis vérifier les résultats de la détection. Les sorties de l'algorithme tout l'insecte détecté des sons dans un nouveau dossier nommé "_extf DataDir", où DataDir est le même que dans l'étape précédente. Chaque fichier audio est un long clip audio 1 sec extrait à l'origine de l'enregistrement brut, avec un filtre numérique appliqué pour éliminer le bruit. Le temps d'apparition de chaque son détecté est enregistré dans un fichier nommé "DataDir _time.mat &# 8221 ;. Observer l'exemple d'un son insecte détecté sur la figure 2.
Algorithme de détection
1. Utilisez une longue fenêtre coulissante 0,1 sec de glisser à travers l'enregistrement. La fenêtre coulissante commence à partir du début de l'enregistrement. Pour chaque fenêtre, suivez les étapes ci-dessous.
  1. Calculer la fréquence fondamentale de la fenêtre courante.
  2. Si la fréquence fondamentale est comprise dans la plage de 100 Hz à 1200 Hz, puis effectuer les opérations suivantes:
    1. Extraire le 1-s long clip audio centrage de la fenêtre actuelle de l'enregistrement; appliquer un filtre numérique pour supprimer le bruit dans le clip et enregistrer l'audio filtré dans le dossier "DataDir _extf".
    2. Enregistrez le temps d'apparition de la fenêtre courante dans le fichier "DataDir _Heure".
    3. Déplacez la fenêtre coulissante au point qui suit immédiatement le clip audio extrait.
  3. Si le fr fondamentaleequency n'est pas dans la plage de 100 Hz à 1200 Hz, il suffit de déplacer la fenêtre coulissante 0.01 sec avant.
2. Répéter le procédé jusqu'à ce que la fenêtre glissante arrive à la fin de l'enregistrement.

4. insectes Classification

Classification bayésienne en utilisant seulement le son volant
Remarque: classificateur bayésien est un classificateur probabiliste qui classe un objet à sa classe la plus probable.
1. Caractéristique Son calcul
  1. Pour chaque son d'insecte, de calculer le spectre de fréquence du signal en utilisant la transformée de Fourier discrète (DFT). Tronquer le spectre de fréquences pour inclure uniquement les points de données correspondant à la plage de fréquence: 100 Hz à 2000 Hz. Le spectre de fréquence tronqué est ensuite utilisé dans la classification en tant que «représentant» du son de l'insecte.
    REMARQUE: La DFT est un algorithme qui transforme les signaux dans le domaine temporel au domaine fréquentiel. Il s'agit d'un buifonction de lt-en dans la plupart des bibliothèques de programmation, et peut être appelé dans le programme avec une seule ligne de code.
2. Former un classificateur bayésien
  1. Utilisez la méthode d'estimation de la densité kNN ¹⁴ pour apprendre la distribution de probabilité a posteriori en utilisant la fonction sonore. Avec l'approche kNN, la phase de formation est de constituer un ensemble de données de formation.
    1. Hasard un échantillon d'un certain nombre de sons d'insectes à partir des données recueillies pour chacune des espèces d'insectes.
    2. Suivez les étapes de la section 4.1.1 et calculer le spectre de fréquence tronqué pour chaque son échantillonné. Les spectres tronqués ainsi que les étiquettes de classe des échantillons (insecte de nom de l'espèce) composent l'ensemble de données de formation.
3. Utilisez le classificateur bayésien de classer un insecte inconnu
  1. Calculer le spectre de fréquence du signal tronqué inconnu d'insecte.
  2. Calculer la distance euclidienne entre le spectre du tronc inconnuen objet et tous les spectres tronqués dans l'ensemble de données de formation.
  3. Trouver le haut k (k = 8 dans le présent document) voisins les plus proches de l'objet inconnu dans l'ensemble de données de formation. Calculer la probabilité a posteriori de son insecte inconnu appartenant à une classe comme la fraction des k meilleurs voisins les plus proches qui sont étiquetés comme classe.
  4. Classer l'objet inconnu à la classe qui a la probabilité a posteriori la plus élevée.
Ajouter une fonctionnalité à l'classificateur: Insect rythme circadien
1. Apprenez les distributions de classe climatisées de l'époque de l'accident de son insecte, qui est, le rythme circadien pour chaque espèce d'insectes.
  1. Procurez-vous le temps d'apparition de chaque son à partir des résultats de détection (cf. section 3.2).
  2. Pour chaque espèce, construire un histogramme de l'insecte temps son apparition.
  3. Normaliser l'histogramme de sorte que la zone de l'histogramme est une. La normalehistogramme individuelle n'est le rythme circadien de l'espèce donnée. Il indique la probabilité d'observer un insecte de l'espèce, en vol à l'intérieur d'une certaine période de temps.
2. Classer un "bruit d'insecte" inconnu en combinant le "bruit d'insecte" et le rythme circadien
  1. Compte tenu du moment précis dans le temps dans laquelle le signal inconnu d'insecte s'est produit, obtenir la probabilité d'observer un insecte de la classe sur la base du rythme circadien de la classe.
    NOTE: Le rythme circadien est une distribution de probabilité. Il est un tableau indiquant la probabilité de détection d'un son produit par une espèce spécifique d'insectes, à un moment précis de la journée. Donc, une fois un temps donné, on peut simplement vérifier le tableau pour obtenir la probabilité.
  2. Suivez les étapes de la section 4.1.2 pour calculer la probabilité a posteriori que le son inconnu appartient à la classe en utilisant les caractéristiques sonores. Multiplier la probabilité a posteriori des résultats vientsuis l'étape précédente pour obtenir la nouvelle probabilité a posteriori.
  3. Classer le «son inconnu» à la classe qui a le plus nouveau probabilité a posteriori.
Ajouter une fonctionnalité de plus pour le classificateur: Répartition géographique des insectes
1. De connaître la distribution géographique des espèces d'intérêt, à partir des données publiées dans les documents historiques, la littérature pertinente, ou tout simplement recueillir la connaissance de première main de terrain techniciens / biologistes. Pour les besoins de la démonstration, utiliser une simulation graphique de la distribution, comme le montre la figure 7.
2. Classer un "son insecte inconnu" en utilisant "son vol" et les deux fonctionnalités supplémentaires.
  1. Compte tenu de la localisation géographique où le son de l'insecte a été intercepté, calculer la probabilité d'observer un insecte de la classe à cet endroit précis à l'aide du graphique de la distribution des espèces.
    1. Suivez les étapes dans la section 4.2.2 unee calculer la probabilité a posteriori que le «son inconnu" appartient à la classe en utilisant les caractéristiques sonores et les rythmes circadiens. Multiplier le résultat de cette étape avec les résultats de l'étape précédente, afin d'obtenir la nouvelle probabilité postérieure.
  2. Classer le «son inconnu» à la classe qui a le plus nouveau probabilité a posteriori.
Un cadre général pour l'ajout de fonctionnalités
1. Considérons le classificateur bayésien qui utilise seulement les caractéristiques sonores que le classificateur primaire. Suivez les étapes ci-dessous pour ajouter de nouvelles fonctionnalités au classificateur.
  1. Dans la phase de formation, apprendre les fonctions de la nouvelle fonction de densité de classe climatisées.
  2. Dans la phase de classification, compte tenu de la nouvelle fonctionnalité de «son inconnu", calculer la probabilité d'observer la fonction de la classe à l'aide des fonctions de densité apprises à l'étape précédente. Multiplier la nouvelle probabilité à la previous probabilité a posteriori correspondant à «son inconnu» appartenant à la classe qui ont été calculés sur la base seulement les caractéristiques impaires, pour obtenir la nouvelle probabilité a posteriori. Classer l'objet inconnu à la classe qui a la plus nouvelle probabilité a posteriori.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Deux expériences sont présentés ici. Pour les deux expériences, les données utilisées ont été échantillonnées au hasard à partir d'un ensemble de données qui contient plus de 100.000 objets.

La première expérience démontre la capacité du système de classification proposé de classer avec précision les différentes espèces d'insectes / sexes. Comme la précision de la classification dépend des insectes pour être classé, un seule valeur absolue pour la précision de classification ne sera pas de donner au lecteur une bonne intuition au sujet de la performance du système. Au lieu de cela, plutôt que de rendre compte de la précision du classificateur sur un ensemble fixe d'insectes, le classifieur a été appliquée à des ensembles de données avec un nombre croissant de façon incrémentielle d'espèces, et donc d'augmenter la difficulté de classification.

Le jeu de données a commencé avec seulement 2 espèces d'insectes; puis à chaque étape, une espèce plus (ou un seul sexe d'une espèce à dimorphisme sexuel) a été ajouté et le classificateur a été utilisé pour classer la accrunombre d'espèces (le nouvel ensemble de données). Un total de dix classes d'insectes (de sexes différents de la même espèce compter que différentes catégories) ont été considérés, avec 5.000 exemplaires dans chaque classe.

Le classificateur utilisé à la fois les insectes bruit (spectre de fréquence) et le temps d'interception pour une classification. Tableau 1 montre la précision de classification, mesurée à chaque étape et la classe d'ajouter à cette étape correspondante.

Selon le tableau 1, le classificateur atteint plus de 96% de précision lors de la classification et n'excédant pas 5 espèces d'insectes, significativement plus élevés que le taux de précision de 20% par défaut. Même si le nombre de classes considérée augmente à 10, la précision de la classification n'est jamais inférieure à 79%, encore nettement plus élevé que le taux de 10% par défaut. Notez que les dix classes ne sont pas faciles à séparer, même par l'inspection humaine. Parmi les dix espèces, huit d'entre eux sont les moustiques, l'esprith six d'entre eux étant du même genre.

La deuxième expérience est de montrer avec quelle précision le système peut sexe insectes volants, en particulier, de distinguer mâles Ae. Aegypti des femelles. Pour la première partie de l'expérience, on suppose que le «coût de la classification erronée" de mauvaise classification d'hommes que de femmes est le même que le coût de la classification incorrecte de femmes que d'hommes. Avec cette hypothèse, les résultats de la classification sont présentés dans le tableau 2.J'ai. La précision de la classification de sexe Ae. Aegypti est d'environ 99,4%.

Pour la deuxième partie de l'expérience, supposons que le coût n'est pas asymétrique, c'est à dire, des erreurs de classification de femmes que d'hommes est beaucoup plus coûteux que l'inverse. Avec cette hypothèse, le seuil de décision du classificateur a été modifiée afin de réduire le nombre de mauvaises classifications coût élevé. Avec le seuil réglé correctement, les résultats de la classification dans le tableau 2.II a été atteint. De 2000 insectes dans l'expérience, vingt-deux hommes, et les femmes ont été mal classés zéro.

Figure 1: (I) un des cages expérimentales utilisées pour recueillir les données. (II) Une version logique de la configuration du capteur avec les composants annotés. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 2: (I) Un exemple d'un clip audio de 1 sec contenant un "vol de son insecte" généré par le capteur. Le son produit par un Cx. Stigmatosoma femme. Le inseson ct est surligné en rouge / gras. (II) Le "bruit d'insecte", qui a été nettoyé et enregistré dans un long clip audio 1 seconde en centrant le signal d'insectes et rembourrage avec des 0 ailleurs. (III) Le spectre de fréquence de le bruit des insectes, obtenue en utilisant la transformée de Fourier discrète. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 3 Un réseau bayésien qui utilise une seule fonction pour la classification.

Figure 4 Un réseau bayésien qui utilise deux dispositifs indépendants pour classificat ion

Figure 5 Les rythmes circadiens de Cx. stigmatosoma (femelle), Cx. tarsalis (mâle), et Ae. aegypti (femelle), tirés basée sur des observations produites par le capteur qui ont été recueillies sur une durée d'un mois. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 6 Un réseau bayésien qui utilise trois fonctions indépendantes pour la classification.

g "/>
Figure 7 Les hypothèses de la répartition géographique de chaque espèce d'insectes et les emplacements des détecteurs dans la simulation pour démontrer l'efficacité de l'utilisation de fonction de localisation à l'origine de la classification. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 8: Le réseau bayésien général qui utilise n fonctions de classification, où n est un entier positif. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Étape	Specs Ajouté	Précision de classification	Étape	Espèces ajoutées	Précision de classification
1	Ae. aegypti ♂	N / A	6	Cx. quinquefasciatus ♂	92,69%
2	Musca domestica	98.99%	7	Cx. stigmatosoma ♀	89.66%
3	Ae. aegypti ♀	98.27%	8	Cx. tarsalis ♂	83.54%
4	Cx. stigmatosoma ♂	97.31%	9	Cx. quinquefasciatus ♀	81.04%
5	<em> Cx. tarsalis ♀	96.10%	10	Drosophila simulans	79,44%

Tableau 1 exactitude de classification avec le nombre de classes de plus en plus.

		Classe prédite					Classe prédite
I (coût symétrique)		femelle	mâle		II (coût asymétrique)		femelle	mâle
Classe réelle	femelle	993	7		Classe réelle	femelle	1000	0
Classe réelle	mâle 5	995		mâle	Classe réelle	22	978

Tableau 2 (I) La matrice de confusion pour discrimination fondée sur le sexe de Ae. D'aegypti avec le seuil de décision pour les femmes est fixé à 0,5 (c.-même hypothèse de coût). (II) La matrice de confusion de sexe les mêmes moustiques, de la décision seuil pour les femmes établies à 0,1.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Le cadre capteur / classification décrit ici permet la classification peu coûteuse et évolutive des insectes volants. Les précisions atteignables par le système sont suffisantes pour permettre le développement de produits commerciaux bien et pourrait être un outil utile dans la recherche entomologique.

La possibilité d'utiliser, peu coûteux capteurs non invasifs pour classer automatiquement et avec précision les insectes volants aurait des implications importantes pour la recherche entomologique. Par exemple, par le déploiement du système dans le domaine de compter et classer les insectes vecteurs, le système peut fournir des comptes en temps réel des espèces cibles, la production d'informations en temps réel qui peut être utilisé pour planifier l'intervention / programmes de suppression pour lutter contre le paludisme. En outre, le système peut automatiquement séparer les insectes par sexe, et il peut donc être utilisé pour les entomologistes gratuits de travail sur la technique de l'insecte stérile ¹⁵ de la tâche fastidieuse et chronophage de sexage manuellement les insectes. </ P>

En utilisant ce système, l'étape la plus critique est de configurer correctement le capteur pour la collecte des données. Si le laser et le réseau de photo ne sont pas correctement alignées, les données seront très bruyant. Après que les insectes sont placés dans la cage, le réseau de photo doit toujours être affiné à l'aide des aimants à l'extérieur de la cage. Notez que les lumières clignotantes, flashs et vibrations à proximité des cages présentera bruit aux données. Par conséquent, pour obtenir des données propres, placer la cage dans une pièce sombre, et chaque fois que nécessaire, placez des serviettes sèches sous les cages afin de diminuer le niveau de vibration.

Le classificateur présenté dans ce travail utilisé seulement deux fonctionnalités supplémentaires. Cependant, il peut y avoir des dizaines de fonctionnalités supplémentaires qui pourraient aider à améliorer les performances de classification. Comme les caractéristiques potentielles sont du domaine et de l'application spécifique, les utilisateurs peuvent choisir les caractéristiques en fonction de leur besoin ou des applications spécifiques. Le cadre général de la classifier permet aux utilisateurs d'ajouter facilement des fonctionnalités pour le classificateur pour améliorer les performances de classification.

Pour encourager l'adoption et l'extension de nos idées, nous faisons tous les schémas de code, de données et capteurs disponibles gratuitement à l'UCR informatique Entomologie page ^16-17. En outre, dans les limites de notre budget, nous allons continuer notre pratique de donner un système complet (comme le montre la figure 1) pour tout entomologiste de recherche qui fait la demande.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs déclarent qu'ils n'ont aucun intérêt financier concurrents.

Acknowledgments

Nous tenons à remercier la Fondation Vodafone Amériques, la Fondation Bill et Melinda Gates et la Fondation de recherche de São Paulo (FAPESP) pour financer cette recherche. Nous tenons également à remercier les nombreux membres du corps professoral du département d'entomologie à l'Université de Californie, Riverside, pour leurs conseils sur ce projet.

Materials

Name	Company	Catalog Number	Comments
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, 650 nm (red)	Apinex (www.apinex.com)	LN60-650	5 mW. This is a low powered laser, similar to a teacher's laser 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.

DOWNLOAD MATERIALS LIST

References

Kahn, M. C., Celestin, W., Offenhauser, W. Recording of sounds produced by certain disease-carrying mosquitoes. Science. 101 (2622), 335-336 (1945).
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).
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).
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).
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), 1481 Forthcoming.
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).
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).
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).
Moore, A. Artificial neural network trained to identify mosquitoes in flight. Journal of insect behavior. 4 (3), 391-396 (1991).
Halevy, A., Norvig, P., Pereira, F. The unreasonable effectiveness of data. Intelligent Systems, IEEE. 24 (2), 8-12 (2009).
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).
Shotton, J., et al. Real-time human pose recognition in parts from single depth images. Communications of the ACM. 56 (1), 116-124 (2013).
Ilyas, P. Classifying insects on the fly. Ecological Informatics. , (2013).
Mack, Y. P., Rosenblatt, M. Multivariate k-nearest neighbor density estimates. Journal of Multivariate Analysis. 9 (1), 1-15 (1979).
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).
Chen, Y. Supporting Materials. , Available from: https://sites.google.com/site/insectclassification Forthcoming.
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).

Bioengineering

Insectes volants Détection et classification des capteurs peu coûteux

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Get cutting-edge science videos from JoVE sent straight to your inbox every month.