Summary
우리는 자동으로 그리고 정확하게 검출 카운트, 그리고 그들의 비행 사운드에 기초하여 곤충 비행 분류 저렴 비침 가상 음향 광학 센서를 사용하는 시스템을 제안 하였다.
Abstract
정확하게 비행 곤충을 분류 할 수있는 저렴하고 비 침습적 시스템은 곤충학 연구에 중요한 의미를 가지고 있고, 모두 의료 및 농업 곤충학 벡터 및 해충 방제에 많은 유용한 응용 프로그램의 개발을 허용합니다. 이 감안할 때, 지난 육십년이 작업에 전념 많은 연구 노력을 보았다. 그러나 현재이 연구 중 어느 것도 지속적인 영향이 없었습니다. 이 작품에서, 우리는 의사 음향 광학 센서는 뛰어난 데이터를 생성 할 수 있음을 보여; 추가 기능을 모두 내장하고 곤충의 비행 행동에 대한 외부 것으로, 곤충 분류를 개선하기 위해 이용 될 수있다; 베이지안 분류 방법은 효율적으로 피팅을 통해 - 매우 견고 분류 모델을 배울 수 있습니다, 그리고 일반적인 분류 프레임 워크는 쉽게 기능의 임의의 수를 통합 할 수 있습니다. 우리는 이전의 모든 작품 콤비 난쟁이 대규모 실험과 연구 결과를 보여네드, 곤충의 수와 고려 종의 수에 의해 측정.
Introduction
자동으로 비행의 부수적 인 사운드를 사용하여 곤충을 분류하는 아이디어는 초기 컴퓨터의 일 시중에서 판매하는 오디오 녹음 장비 1 거슬러 올라간다. 그러나, 약간의 진전이 개입 수십 년 동안이 문제에 만들어졌다. 이 추구하는 진보의 부족은 여러 가지 관련 요인에 기인 할 수있다.
첫째, 유효 센서 부족 데이터 수집이 곤란했다. 데이터를 수집하는 대부분의 노력은 음향 마이크 2-5을 사용했다. 이러한 장치는 매우 희박한 및 저품질 데이터 결과 및 잡음 환경에서 주변 잡음을 바람에 매우 민감하다.
둘째, 이러한 데이터 품질 문제를 복잡하게하는 것은 많은 연구자가 매우 복잡 분류 모델, 특히 신경망 6-8을 배우고 시도했다는 사실이다. 예 불과 수십와 복잡한 분류 모델을 배우고 시도,오버 피팅위한 조리법이다.
셋째, 취득 데이터의 성사는 많은 연구자들은 300 인스턴스 9 이하로 몇 가지로, 매우 제한된 데이터로 분류 모델을 구축하려고 시도한 것을 의미하고있다. 그러나, 정확한 분류 모델을 구축하기위한, 더 많은 데이터가 10-13 나은 것으로 알려져있다.
이 작품은 세 가지 문제를 해결합니다. 광학 (오히려 음향보다) 센서는 소음과 주변 소리를 바람에 완전 불변으로, 멀리 m에서 곤충 비행의 "소리"기록하는 데 사용할 수 있습니다. 이 센서 레이블 교육 인스턴스 결합 이전의 모든 노력보다 훨씬 더 많은 데이터를 수백만의 기록을 허용하고, 따라서 그 괴롭혔다을 통해 피팅 이전의 연구 노력을 피할 수있다. 그 아래에 표시되는 원칙적인 방법은 분류 모델에 추가 정보를 통합 할 수 있습니다. 이 추가 정보는 quotidian로와 같이 할 수있다날짜 시간으로 구하기 쉬운, 그러나 아직도이 모델의 정확도에 상당한 이득을 생산하고 있습니다. 마지막으로, 우리는 수집 된 데이터의 엄청난 양의 우리가 간단하고 정확하고 강력한 분류를 생산하는 "데이터의 불합리한 효과"열을 활용할 수 있다는 사실이 처음으로 밝혀졌다.
요약하면, 비행 곤충의 분류는 연구 실험실에서 만든 반신 반의 청구를 넘어서 지금은 실제 배포 할 준비가되었습니다. 이 연구에서 제시된 센서와 소프트웨어는 전 세계적으로 그들의 연구를 가속화 할 강력한 도구를 연구자를 제공 할 것입니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1 곤충 식민지와 양육
- 모기 식민지와 양육
- 야생에서 유래 후면 쿨 렉스 tarsalis, 쿨 렉스 quinquefasciatus, 쿨 렉스 stigmatosoma 및 실험실 식민지에서 Aedes aegypti 성인, 개인을 붙 잡았다.
- 표준 실험실 조건에서 에나멜 팬의 후면 모기 유충 (27 ° C, 16 : 8 시간 등 : 1 시간 황혼 / 새벽 기간 어두운 [LD] 사이클), 지상 짐승 차우의 혼합물에 그 광고를 무제한으로 공급하고 맥주 효모 (3 : 1, v : v).
- 200 ㎖의 컵에 모기 번데기를 수집하고 실험 챔버에 배치합니다. 또한, 등장 일주 내에서 실험 챔버로 성인 모기를 대기음. 각 실험 챔버는 같은 종 / 섹스의 20-40 개인이 포함되어 있는지 확인합니다.
- 10 %의 자당과 물 혼합물의 급지 모기 성충 임의로 (ad libitum). 음식 매주 교체합니다.
- PL 일주일에 두 번면 수건을 적셔케이지 내의 습도를 유지하기 위해 실험 챔버의 상부에 그들 에이스. 또한, 전체적인 습도 수준을 유지하도록 항상 챔버 내에 수돗물 200 ㎖의 컵을 놓는다.
- 8 시간 빛 : 16의 실험 챔버를 유지 어두운 [LD] 사이클, 20.5-22 ° C 및 30 % ~ 50 % RH를 실험 기간 동안.
- 주택 플라이와 과일 플라이 식민지와 양육
- 야생에서 파생 된 실험실 식민지에서 후면 파리 자리의 domestica입니다은 개인을 붙 잡았다. 실험 실에서 야생 초파리 simulans 개인과 후면을 잡아라.
- 표준 실험실 조건에서 플라스틱 욕조에서 후면 파리 자리의 domestica입니다 유충 (12시 12분 시간 등 : 어두운 [LD] 사이클, 26 ° C, 40 % RH) 물, 쌀겨 가루, 알팔파, 효모, 가루 우유의 혼합물. 양육 챔버의 후면 초파리 simulans 유충과 부패의 혼합물에 그 광고를 무제한으로 공급과일.
- 등장 일주 내 실험 챔버에 대기음 성인 파리 자리의 domestica입니다. 성인 초파리 simulans 직접 실험 실에서 사육 할 수 있습니다. 데이터 수집에 앞서, 각 실험 챔버 이상 10 ~ 15 개인 파리 자리의 domestica입니다 또는 20 ~ 30 개인 초파리 simulans에는 포함되어 있지 않습니다 있는지 확인하십시오.
- 물에 무료로 액세스 할 수있는, 설탕, 저지방 탈지 우유 혼합물에 성인 파리 자리의 domestica입니다 수의를 공급. 썩는 과일의 혼합물 급지 성인 초파리 simulans 임의로 (ad libitum). 음식 매주 교체합니다.
- 8 시간 빛 : 16에 실험 챔버를 유지 어두운 [LD] 사이클, 20.5-22 ° C 및 30 % ~ 50 % RH를 실험 기간 동안.
실험 챔버에서 2 기록 플라잉 소리
- 실험 챔버 설치
참고 : "실험 C를hamber은 "데이터가 기록 된 우리의 실험실에서 설계 케이지를 나타낸다. 이 센서는 매우 저렴합니다. 대량으로 구축하면, 셋업은 $ 10 미만을 위해 제조 될 수있다.- 67cm L X 22cm의 폭 x 24.75 cm의 H, 또는 작은 크기 : 30cm L X 20cm의 폭 x 20cm의 H. 실험 챔버는 포토 트랜지스터 배열 및 구성 실험 챔버, 큰 사이즈 중 하나를 구축 포토 트랜지스터 배열을 가리키는 레이저 라인.
주 : 또한, 챔버는 센서 장치뿐만 아니라 곤충에 대한 액세스를 허용하도록 PVC 파이프의 부분에 부착 된 슬리브를 포함하도록 수정된다 Kritter 키퍼로 구성된다. - 전자 보드에 포토 트랜지스터 배열을 연결합니다. 전자 보드의 출력은 디지털 음성 레코더에 공급 및 MP3 포맷의 오디오 데이터로서 기록된다. 도 1.II의 센서도 1.I에서 챔버의 물리적 버전의 논리 설계를 참조.
- 67cm L X 22cm의 폭 x 24.75 cm의 H, 또는 작은 크기 : 30cm L X 20cm의 폭 x 20cm의 H. 실험 챔버는 포토 트랜지스터 배열 및 구성 실험 챔버, 큰 사이즈 중 하나를 구축 포토 트랜지스터 배열을 가리키는 레이저 라인.
- 전원 공급 장치에 실험 챔버를 연결합니다. 전원을 켜십시오.
- 실험 실에서 레이저 조명과 photoarray을 찾을 수 있습니다. photoarray에 레이저 조명을 맞 춥니 다. 레이저 광은 모든 개별 photodiod 중심까지 챔버의 내부에 부착 photoarray 자석에 대응 실험 챔버의 외측에 자석을 사용 photoarray을 조정, 적절한 정렬을 달성하기 위해,에스.
- 시스템이 제대로 설정되어 있는지 확인하기 위해이 전성 검사를 수행합니다.
참고 : 첫 번째 단계는 시스템이 모든 전선이 제대로 연결되어 전원이 레이저는 사진 배열을 가리키고 있는지 확인하는 것입니다. 두번째 단계는 곤충의 wingbeats의 사운드를 캡처 할 수 있도록 레이저 정렬에 추가 확인을 수행하는 것이다.- 오디오 잭에 (오히려 레코더보다) 헤드폰을 연결합니다. 레이저 광의 평면을 깨고, photoarray 근처에 그리고 실험 챔버 밖으로 손 런지. 확인 레이저 표시등이 켜져 있는지 확인합니다 (그것은 빛의 레드 빔 될 것입니다) 당신은 당신의 손으로 빛의 비행기를 몇 번을 깰 것이다. 당신의 손과 광선의 외출로 소음 레벨의 변화를 듣습니다. 만약 가청 차이를 검출하는 경우, 센서가 큰 물체의 움직임에 의해 생성 된 사운드를 캡처 할 수있다. 성공하면 헤드폰이 제대로 연결되어 있는지 확인하십시오, 그렇지 않으면 다음 전성 검사로 이동하고레이저가 photoarray 가리키는되어 있는지 여부를 확인합니다. 손의 사운드와 실험 챔버 밖으로 이동들을 수에 따라 때까지 photoarray을 조정합니다.
- 자동 칫솔에 전기 배선의 얇은 조각을 연결합니다. 칫솔의 전원을 켜고 및 phototarray에 가까운 실험 실에서 배선을 뛰어. 이 이동함에 따라 레이저 광 배선의 조각을 타격되어 있는지 확인합니다. 만약 가청 주파수에서 변화를 검출하는 경우의 배선 부분은 레이저 광의 평면을 중단 할 때, 시스템은 작은 물체 즉, 곤충 소리의 움직임에 의해 생성 된 사운드를 캡처 할 준비가되어있다. 당신이 소리의 차이를 감지하지 않는 경우, 레이저 조명과 photoarray를 다시 정렬 2.2.2 단계로 돌아갑니다.
- 시스템이 적절하게 설정 한 후, 뚜껑을 닫고 곤충을 추가합니다.
- 레코더를 켜고 voic을다음의 정보를 포함하는 전자 주석 : 실험 챔버 내의 종의 이름, 곤충, 날짜 및 시간, 현재 주변 RT 및 상대 습도의 나이. 녹음을 일시 중지합니다.
- 오디오 케이블을 통해, 시스템에 레코더를 연결하고, 기록을 재개. 다음 녹음을 중지, 삼일에 기록하는 레코더를 둡니다.
- PC에 새 폴더에 레코더에서 데이터를 다운로드합니다. 데이터를 삭제하여 레코더 비우기.
- 나머지 곤충이 죽어 없었다 케이지에서 살아 남은 5 개 이상의 곤충이 더 없을 때까지 위의 기록 과정을 반복합니다.
3 센서 데이터 처리 및 비행 곤충에 의해 제작 사운드의 검출
- 비행 곤충에 의해 제작 소리를 감지하는 소프트웨어를 사용합니다.
주 : 소프트웨어 (검출 알고리즘)은 실시간보다 훨씬 빠르다. 그것은 DAT의 즉, 삼일, 기록 세션을 처리하기 미만 3 시간 소요, 2.00 GHz의 8 기가 바이트 RAM에서 인텔 (R) 코어 ™ CPU를 표준 시스템에.- 기록 세션에서 데이터를 포함하는 각 폴더에 대해 곤충 소리를 검출하는 검출 소프트웨어를 실행. 소프트웨어, 오픈 MATLAB을 실행하고 DATADIR은 기록 데이터의 디렉토리입니다 명령 창에 "circandian_wbf (DATADIR)"를 입력합니다. 그런 다음 시작하려면 "입력"키를 누릅니다.
참고 : 참조 # 16에서 검출 소프트웨어 circadian_wbf를 다운로드합니다. - 알고리즘이 종료 될 때까지, 다음 검출 결과를 확인 기다린다. 이 알고리즘의 출력을 검색 한 모든 곤충 DATADIR 이전 단계와 동일하다 "DATADIR의 _extf"라는 이름의 새 폴더에 소리가 난다. 각 사운드 파일은 디지털 필터는 노이즈를 제거하기 위해 적용하여 원래 것의 기록으로부터 추출 된 1 초 긴 오디오 클립이다. 감지 된 각 사운드의 발생 시간은 "DATADIR _time.mat &이라는 이름의 파일에 저장됩니다# 8221 ;. 그림 2에서 검출 된 곤충 소리의 예를 관찰한다.
- 기록 세션에서 데이터를 포함하는 각 폴더에 대해 곤충 소리를 검출하는 검출 소프트웨어를 실행. 소프트웨어, 오픈 MATLAB을 실행하고 DATADIR은 기록 데이터의 디렉토리입니다 명령 창에 "circandian_wbf (DATADIR)"를 입력합니다. 그런 다음 시작하려면 "입력"키를 누릅니다.
- 탐지 알고리즘
- 기록을 통해 슬라이드 0.1 초 긴 슬라이딩 윈도우를 사용합니다. 슬라이딩 윈도우는 기록의 시작 부분에서 시작한다. 각 창은 아래의 단계를 따릅니다.
- 현재 윈도우의 기본 주파수를 계산한다.
- 기본 주파수가 100 Hz에서 1200 Hz에서의 범위이면, 다음을 수행
- 기록에서 현재 창에서 중심으로 한 초 긴 오디오 클립을 추출; 클립의 노이즈를 제거하고 폴더 "DATADIR의 _extf"으로 필터링 된 오디오를 저장하는 디지털 필터를 적용합니다.
- 파일 "DATADIR의 _time"로 현재 윈도우의 발생 시간을 절약 할 수 있습니다.
- 즉시 추출 된 오디오 클립을 다음 지점으로 슬라이딩 윈도우를 이동합니다.
- 기본 FR 경우equency Hz에서 100 Hz에서 1200까지의 범위 내에서, 단순히 전방 슬라이딩 윈도우 0.01 초 이동 NOT이다.
- 슬라이딩 윈도우는 기록의 끝에 도달 할 때까지 프로세스를 반복한다.
- 기록을 통해 슬라이드 0.1 초 긴 슬라이딩 윈도우를 사용합니다. 슬라이딩 윈도우는 기록의 시작 부분에서 시작한다. 각 창은 아래의 단계를 따릅니다.
4 곤충 분류
- 그냥 비행 사운드를 사용 베이지안 분류
참고 : 베이지안 분류기는 가장 가능성있는 클래스에 객체를 분류 확률 분류이다.- 사운드 기능 계산
- 각 곤충 사운드를 들어 이산 푸리에 변환을 이용하여 사운드 (DFT)의 주파수 스펙트럼을 계산한다. 주파수 범위에 대응하는 데이터 만이 지점을 포함하는 주파수 스펙트럼을 잘라 : 100 Hz에서 2000 Hz에서한다. 절단 된 주파수 스펙트럼이어서 곤충 사운드의 "대표"로 분류에 사용된다.
주 : DFT는 주파수 영역에서 시간 영역 신호를 변환 알고리즘이다. 그것은 부이입니다LT-에서 대부분의 프로그래밍 라이브러리의 기능,이 한 줄의 코드로 프로그램에서 호출 할 수 있습니다.
- 각 곤충 사운드를 들어 이산 푸리에 변환을 이용하여 사운드 (DFT)의 주파수 스펙트럼을 계산한다. 주파수 범위에 대응하는 데이터 만이 지점을 포함하는 주파수 스펙트럼을 잘라 : 100 Hz에서 2000 Hz에서한다. 절단 된 주파수 스펙트럼이어서 곤충 사운드의 "대표"로 분류에 사용된다.
- 베이지안 분류기를 교육
- 사운드 기능을 사용하여 사후 확률 분포를 배울 수있는 KNN 밀도 추정 방법 (14)를 사용합니다. KNN 접근 방식, 훈련 단계는 훈련 데이터 집합을 구축하는 것입니다.
- 랜덤 곤충의 각 종에 대해 수집 된 데이터로부터 곤충 사운드 샘플 번호.
- 4.1.1의 단계에 따라 각 샘플링 사운드를 절단 된 주파수 스펙트럼을 계산한다. 함께 샘플 '클래스 레이블 (곤충 종의 이름)와 절단 된 스펙트럼은 훈련 데이터 집합을 구성.
- 사운드 기능을 사용하여 사후 확률 분포를 배울 수있는 KNN 밀도 추정 방법 (14)를 사용합니다. KNN 접근 방식, 훈련 단계는 훈련 데이터 집합을 구축하는 것입니다.
- 알 수없는 곤충을 분류하는 베이지안 분류기를 사용하여
- 미지의 곤충 소리 절두 주파수 스펙트럼을 계산한다.
- unknow의 절단 된 스펙트럼 사이의 유클리드 거리를 계산n 개의 개체 및 훈련 데이터 집합의 모든 절단 스펙트럼.
- 상단 K (이 논문에서 K = 8) 훈련 데이터 셋의 알 수없는 개체의 가장 가까운 이웃을 찾아보십시오. 클래스로 분류되어 가기 K 가까운 이웃의 분수로 클래스에 속하는 알 곤충 사운드의 사후 확률을 계산한다.
- 가장 높은 사후 확률을 갖는 클래스 미지의 객체를 분류.
- 사운드 기능 계산
- 곤충 24 시간주기 리듬 : 분류에 기능 추가
- , 곤충의 각 종의 생체 리듬 곤충 소리의 발생 시간, 클래스 에어컨 분포를 알아보십시오.
- 검색 결과에서 각 사운드 (CF 섹션 3.2)의 발생 시간을 얻습니다.
- 각 종, 곤충 소리 발생 시각의 히스토그램을 구축.
- 히스토그램의 영역이 하나가되도록 히스토그램 정규화. 정상화 된 히스토그램은 주어진 종의 생체 리듬이다. 이것은 특정 기간 내에 비행, 그 종, 곤충을 관찰 할 확률을 말한다.
- "곤충 소리"및 생체 리듬을 조합하여 불명 "곤충 소리"분류
- 미지의 곤충 소리가 발생한 시간에 특정 지점이 주어 클래스의 생체 리듬에 기초하여 클래스의 곤충을 관찰 할 확률을 얻었다.
주 : 생체 리듬이 확률 분포이다. 또한, 하루 중 특정 시간에 특정 곤충의 종에 의해 생성 된 소리를 검출하는 확률을 지정하는 배열이다. 시간이 주어진 후에 그래서, 하나는 단순히 확률을 얻을 수있는 배열을 확인할 수 있습니다. - 알 수없는 소리가 사운드 기능을 사용하여 클래스에 속한 사후 확률을 계산하기 4.1.2의 단계를 따릅니다. 이리저리 결과를 사후 확률을 곱하면새로운 사후 확률을 얻을 수있는 이전 단계를 m.
- 새로운 높은 사후 확률을 갖는 클래스에 "미지의 음성을"분류.
- 미지의 곤충 소리가 발생한 시간에 특정 지점이 주어 클래스의 생체 리듬에 기초하여 클래스의 곤충을 관찰 할 확률을 얻었다.
- , 곤충의 각 종의 생체 리듬 곤충 소리의 발생 시간, 클래스 에어컨 분포를 알아보십시오.
- 분류 한 번 더 기능을 추가 : 곤충 지리적 분포를
- 관심의 어느 역사 기록에서 발표 된 자료, 관련 문헌에서 종의 지리적 분포를 알아보기, 또는 단순히 현장 기술자 / 생물 학자에서 첫 손 지식을 수집합니다. 도 7에 도시 된 바와 같이 설명을 위하여, 그래픽 분포의 시뮬레이션을 사용한다.
- "비행 소리"및 두 개의 추가 기능을 사용하여 "알 수없는 곤충 소리를"분류.
- 곤충 사운드가 인터셉트 된 지리적 위치를 감안할 때, 종 분포의 그래픽을 사용하여 특정 위치에서 클래스 곤충 관찰의 확률을 계산한다.
- 4.2.2의 단계에 따라ND "미지의 사운드가"사운드 기능 및 생체 리듬을 사용하여 클래스에 속하는 사후 확률을 계산한다. 새로운 사후 확률을 얻기 위하여, 이전 단계의 결과로이 단계의 결과를 곱한다.
- 새로운 높은 사후 확률을 갖는 클래스에 "미지의 음성을"분류.
- 곤충 사운드가 인터셉트 된 지리적 위치를 감안할 때, 종 분포의 그래픽을 사용하여 특정 위치에서 클래스 곤충 관찰의 확률을 계산한다.
- 기능 추가를위한 일반 프레임 워크
- 기본 분류로 단지 사운드 기능을 사용 베이지안 분류기를 생각해 보자. 분류에 새로운 기능을 추가하려면 아래의 단계를 따르십시오.
- 교육 단계에서 새로운 기능의 클래스 에어컨 밀도 함수를 배운다.
- 분류 단계에서, "알 사운드"의 새로운 기능 부여, 이전 단계에서 학습 밀도 함수를 이용하여 클래스의 기능을 관찰 할 확률을 계산한다. 홍보에 새로운 가능성을 곱단지 홀수 특징에 기초하여 계산 된 클래스에 속하는 "알 사운드"에 대응 evious 사후 확률은 새로운 사후 확률을 얻었다. 새로운 높은 사후 확률을 갖는 클래스 미지의 객체를 분류.
- 기본 분류로 단지 사운드 기능을 사용 베이지안 분류기를 생각해 보자. 분류에 새로운 기능을 추가하려면 아래의 단계를 따르십시오.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
두 실험은 여기에 제시되어있다. 두 실험을 위해 사용 된 데이터는 무작위로 10 만 개체가 포함 된 데이터 집합에서 샘플링되었다.
첫 번째 실험은 정확히 곤충 종 / 성별을 분류하는 분류의 제안 기능을 나타낸다. 분류 정밀도로 분류 할 곤충에 의존 같이, 분류의 정확도에 대한 단일 절대치 리더에게 시스템의 성능에 대한 좋은 직관을주지 않을 것이다. 대신, 오히려 곤충의 고정 된 세트에 대한 분류의 정확도를보고하는 것보다, 분급 종의 점진적 증가를 데이터 세트에 적용하고, 따라서 분류 어려움을 증가시킨다.
데이터 세트는 곤충의 단 2 종으로 시작되었다; 각 단계에서, 하나 이상의 종 (또는 성적 동종 이형 종의 단일 성)을 첨가하고, 분류자는 증가를 분류하는 데 사용종의 수 (새로운 데이터 세트). 곤충의 열 클래스 (같은 다른 클래스를 계산 같은 종에서 다른 남녀) 총 각 클래스에서 5000 모범으로 간주되었다.
분류자는 두 곤충 사운드 (주파수 스펙트럼)과 시간의 절편 분류를 사용했다. 표 1은 각 단계와 그 단계에서 첨가 해당 클래스에서 측정 한 분류의 정확도를 나타낸다.
표 1에 따르면, 분류는 20 % 정도의 기본 속도보다 훨씬 높은 곤충 더 이상 5 종, 분급 이상 96 %의 정확도를 달성한다. 클래스의 수는 10으로 증가를 고려하더라도, 분류 정밀도를 다시 10 %의 기본 속도보다 훨씬 높은 79 %보다 결코 낮다. 10 클래스도 인간의 검사를 통해서, 쉽게 분리 할 수 없음을 이해해주십시오. 10 종 가운데, 그 중 여덟은 모기, 재치 아르시간들이 동일한 속에서 존재의 육.
두 번째 실험은 시스템 즉, 곤충 성 비행 방법을 정확하게 암컷 남자 애. aegypti 모기를 구별 표시하는 것이다. 실험의 첫 번째 부분에, 암컷으로 수컷 misclassifying의 "오 분류 비용"으로 수컷 암컷 misclassifying의 비용과 동일 함을 가정한다. 이러한 가정으로, 분류 결과를 표 2.I에 나타낸다. 섹스 애. aegypti에 분류의 정확도는 약 99.4 %이다.
실험의 두 번째 부분, 비용 즉, 남성 같은 여성의 오 분류가 훨씬 비싼 역방향보다 비대칭없는 가정한다. 이러한 가정으로, 분류기의 판정 임계 값은 고비용 misclassifications의 수를 줄이기 위해 변경 하였다. 임계 값으로 적절하게, 표 2의 분류 결과를 조정했다.II는 달성되었다. 실험에서 2000 곤충, 스물두 남성 및 영 여성은 잘못 분류되었다.
그림 1 (I) 데이터를 수집하는 데 사용되는 실험 케이지 중 하나입니다. (II) 주석 구성 요소와 센서 설치의 논리적 버전. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
도 2 (I) 상기 센서에 의해 생성 된 "비행 곤충 음"를 포함하는 한 초 오디오 클립의 예. 사운드는 여성 CX. stigmatosoma에 의해 제작되었다. 살충제 및 기피제중부 표준시의 소리 / 빨간색 굵은 글씨로 강조 표시됩니다. (II) 다른 곳에서 0 초와 곤충 신호와 패딩을 중심으로 한 초 긴 오디오 클립으로 청소하고 저장 한 "곤충 소리". (III) 주파수 스펙트럼의 이산 푸리에 변환하여 얻은 곤충 소리. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3 분류에 대한 하나의 기능을 사용하는 베이지안 네트워크.
그림 4 classificat에 대한 두 개의 독립적 인 기능을 사용 베이지안 네트워크 이온
그림 5 CX의 생체 리듬. (여성) stigmatosoma, CX. tarsalis (남성) 및 애. aegypti (여성이) 1 개월의 기간에 걸쳐 수집 된 센서에 의해 생성 된 관측에 근거 배웠습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6 분류에 3 개의 독립적 인 기능을 사용하는 베이지안 네트워크.
g "/>
그림 7은 시뮬레이션의 각 종의 곤충 및 센서 위치의 지리적 분포의 가정이 분류 위치의 절편 기능을 사용의 효과를 입증 할 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 8, n은 양의 정수 분류는 N 기능을 사용하는 일반 베이지안 네트워크. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 단계 | 사양이거 추가 | 분류 정확도 | 단계 | 종 추가 | 분류 정확도 | |
| 1 | 애. aegypti ♂ | N / A | 6 | CX. quinquefasciatus ♂ | 92.69 % | |
| 이 | 파리 자리의 domestica입니다 | 98.99 % | 7 | CX. stigmatosoma ♀ | 89.66 % | |
| 3 | 애. 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 | 초파리 simulans | 79.44 % |
클래스의 수를 증가와 표 1 분류 정확도를 제공한다.
| 예측 클래스 | 예측 클래스 | |||||||
| I (대칭 비용) | 여성 | 남성 | II (비대칭 비용) | 여성 | 남성 | |||
| 실제 클래스 | 여성 | 993 | 7 | 실제 클래스 | 여성 | 1000 | 0 | |
| 남성 5 | 995 | 남성 | 22 | 978 | ||||
표 2 (I) 애의 성 차별에 대한 혼란 행렬. 0.5 (즉, 동일한 비용으로 가정)로 설정되어 여성에 대한 결정 임계 값과 aegypti 모기.의 섹스 (II) 혼란 매트릭스 같은 모기 결정에 0.1 설정 여성을 위해 임계 값.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
여기에 설명 된 센서 / 분류 프레임 워크는 비행 곤충의 저렴하고 확장 가능한 분류를 할 수 있습니다. 시스템에 의해 달성 정확도는 상용 제품의 개발을 허용하도록 충분하고 곤충학 연구에 유용한 도구가 될 수있다.
정확하고 자동 비행 곤충을 분류하기 위해 저렴하고 비 침습적 센서를 사용하는 능력은 곤충학 연구에 상당한 영향을 미칠 것입니다. 예를 들어, 곤충 벡터를 카운트하고 분류하는 분야에서 시스템을 배치하여, 시스템은, 말라리아에 대처하기 위해 중재 / 억제 프로그램을 계획하는데 사용될 수있다 제조 실시간 정보를 타겟 종의 실시간 카운트를 제공 할 수있다. 또한, 시스템은 자동으로 곤충 성을 분리 할 수 있고, 따라서 수동 곤충 sexing의 지루하고 시간 소모적 인 작업에서 멸균 곤충 기법 (15)에 작업 무료 곤충 학자에 사용될 수있다. </ P>
본 시스템에서, 가장 중요한 단계는 적절하게 데이터 수집 센서를 셋업하는 것이다. 레이저 및 포토 배열이 적절하게 정렬되지 않으면, 데이터는 매우 시끄러운 것이다. 곤충이 케이지에 배치 된 후, 사진 배열은 항상 미세 조정 케이지의 외측에 자석을 이용해야한다. 케이지 근처에 조명, 카메라 플래시 및 진동을 깜박이 데이터에 노이즈를 소개합니다. 따라서, 깨끗한 데이터를 얻기 어두운 방에 케이지를 배치, 어디서나 필요한 진동의 수준을 감소하기 위해 케이지에서 마른 수건을 배치합니다.
이 연구에서 제시된 분류는 두 개의 추가 기능을 사용했다. 그러나, 분류 성능을 향상시킬 수있는 추가 기능 수십있을 수 있습니다. 잠재적 인 기능은 특정 도메인 및 응용 프로그램이기 때문에, 사용자는 사용자의 특정 필요 또는 응용 프로그램에 따라 기능을 선택할 수 있습니다. CL의 일반적인 프레임 워크assifier 사용자가 쉽게 분류 성능을 향상시키기 위해 분류 기능을 추가 할 수있다.
우리의 생각의 도입 및 확장을 장려하기 위해, 우리는 UCR 전산 곤충학 페이지 16-17에서 자유롭게 사용할 수있는 모든 코드, 데이터 및 센서 회로도를 만들고있다. 또한, 예산의 범위 내에서, 우리는 하나를 요청하는 연구 곤충 학자에 (도 1에 도시 된 바와 같이) 전체 시스템을주는 우리의 연습을 계속한다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 그들이 더 경쟁 금전적 이해 관계가 없다고 선언합니다.
Acknowledgments
우리는이 연구에 자금을 지원하기위한보다 폰 아메리카 재단, 빌 & 멜린다 게이츠 재단, 그리고 상 파울로 연구 재단 (FAPESP)에 감사의 말씀을 전합니다. 우리는 또한이 프로젝트에 대한 그들의 조언을, 캘리포니아 리버 사이드 대학의 곤충학의 부서에서 많은 교수진에게 감사의 말씀을 전합니다.
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. |
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).
