Flying Insect Detection og klassifisering med Inexpensive Sensorer

Summary

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.

Abstract

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.

Introduction

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.

Protocol

1. Insect Colony og stell

1. Mosquito Colony og stell
   1. Bak Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma og Aedes aegypti voksne fra lab koloniene, som stammer fra villfanget individer.
   2. Bak mygglarver i emalje panner under standard laboratorieforhold (27 ° C, 16: 8 timers lys: mørke [LD] syklus med 1 time skumring / daggry perioder), og mate dem ad libitum på en blanding av bakken gnager chow og ølgjær (3: 1, v: v).
   3. Samle mygg puppe i 200 ml kopper, og plassere dem i eksperimentelle kamre. Alternativt aspirer den voksne mygg i eksperiment-kammeret innen 1 uke fremveksten. Sørg for at hver eksperimentell kammeret inneholder mellom 20 og 40 individer av samme art / sex.
   4. Fôr voksen mygg ad libitum på en 10% sukrose og vann blanding. Bytt ut mat ukentlig.
   5. Fukt bomull håndklær to ganger i uken og place dem på toppen av forsøkskamrene for å opprettholde fuktigheten i buret. I tillegg plasseres en 200 ml kopp vann fra springen i kammeret til enhver tid å opprettholde den generelle fuktighetsnivå.
   6. Oppretthold de eksperimentelle kamre på en 16: 8 timers lys: mørke [LD] syklus, 20,5 til 22 ° C og 30-50% relativ fuktighet i løpet av varigheten av eksperimentet.
2. Hus Fly og bananflue Colony og stell
   1. Bakre Musca domestica fra en lab koloni, avledet fra villfanget individer. Catch vill Drosophila simulans enkeltpersoner og bak dem i den eksperimentelle kamre.
   2. Bakre Musca domestica larver i plastkar under standard laboratorieforhold (12:12 timers lys: mørke [LD] syklus, 26 ° C, 40% RH) i en blanding av vann, kli måltid, alfalfa, gjær, og pulverisert melk. Bakre Drosophila simulans larver i en oppdragelse kammer og mate dem ad libitum på en blanding av rottingfrukt.
   3. Aspirer voksen Musca domestica i eksperiment-kammeret innen 1 uke fremveksten. Voksen Drosophila simulans kan være direkte oppdratt i den eksperimentelle kamre. Før datainnsamling, sørge for at hver eksperimentell kammeret inneholder ikke mer enn 10-15 individuell Musca domestica eller 20-30 individuelle Drosophila simulans.
   4. Mate voksen Musca domestica ad libitum på en blanding av sukker og lite fett tørrmelk, med fri tilgang til vann. Feed voksen Drosophila simulans ad libitum på en blanding av råtnende frukt. Bytt ut mat ukentlig.
   5. Oppretthold eksperiment-kammeret i en 16: 8 timers lys: mørke [LD] syklus, 20,5 til 22 ° C og 30-50% relativ fuktighet i løpet av varigheten av eksperimentet.

2. Skriv ned Flying Sounds i eksperimentell Chambers

1. Eksperimentell Chamber Setup
   Merk: En "eksperimentell cHamber "betegner buret utformet i vår lab, der data ble registrert. Sensoren er forholdsvis rimelig. Når bygget i bulk, kan et sett opp bli produsert for mindre enn 10 dollar.
   1. Konstruer en eksperimentell kammer, enten av den større størrelse 67 cm x 22 cm x 24,75 cm H, eller mindre størrelse: 30 cm x 20 cm x 20 cm H. Den eksperimentelle kammer består av en fototransistor og en matrise laserlinjen peker på fototransistor array.
      NB: I tillegg, består kammeret av KRITTER voktere som er modifisert til å inneholde sensorapparat, så vel som en hylse festet til et stykke av PVC-rør for å tillate tilgang til de insekter.
   2. Koble fototransistor array til en elektronisk bord. Utgangen av det elektroniske kortet trekkes inn en digital lydopptaker og er registrert som audio data i MP3-format. Se logikken utformingen av sensoren i figur 1.II og en fysisk versjon av kammeret i fig 1.I.
   MERK: Når et insekt flyr over laserstrålen, vingene delvis occlude lyset, forårsaker små endringer i lysforhold. De lette svingninger blir fanget opp av fototransistor matrise som endringer i strømmen, og signalet blir filtrert og forsterket av den tilpassede utformet elektroniske kortet.
2. Sette opp systemet til å registrere lyder produsert av flygende insekter
   1. Koble den eksperimentelle kammer til en strømforsyning. Slå på strømmen.
   2. På den eksperimentelle kammer, finne de laser lys og photoarray. Juster laser lys til photoarray. For å oppnå den riktige innretting, justere photoarray ved hjelp av magnetene på utsiden av den eksperimentelle kammer som svarer til de magneter som er festet til photoarray på det indre av kammeret til det laserlys er sentrert på alle de individuelle photodiodes.
   3. Utføre to tilregnelighet kontroller for å sikre at systemet er riktig satt opp.
      Merk: Det første trinnet er å sørge for at systemet er slått, alle ledninger er koblet riktig og laseren peker på bildet array. Det andre trinnet er å gjennomføre ytterligere kontroll på laser justering for å sikre at det kan fange opp lyden av insekter 'vingeslag.
      1. Koble hodetelefoner (snarere enn opptakeren) til audio jack. Dykk hånd inn og ut av den eksperimentelle kammeret, nær photoarray, for å bryte planet for laserlys. Pass på at laserlyset er på (det vil være en rød stråle av lys) og at du bryter planet av lys et par ganger med hånden. Lytt etter endringer i støynivå som din hånd går inn og ut av lysstrålen. Hvis du oppdager en hørbar forskjell, er sensoren i stand til å fange opp lyder produsert av bevegelse av store gjenstander. Hvis de lykkes, går du videre til neste tilregnelighet sjekk, ellers, sjekk om hodetelefonene er riktig tilkoblet ogom laser peker på photoarray. Juster photoarray tilsvar inntil lyden av hånden å bevege seg inn og ut av den eksperimentelle kammeret kan bli hørt.
      2. Fest et tynt stykke elektriske ledninger til en automatisk tannbørste. Slå på tannbørsten, og styrter ledningene i og ut av den eksperimentelle kammeret nær phototarray. Kontroller at laserlyset treffer stykke ledninger som den beveger seg. Hvis du oppdager en hørbar endring i frekvens, når stykke ledninger bryter planet av laserlys, er systemet da klar for å fange lyden produsert av bevegelse av små gjenstander, dvs. insektlyder. Hvis du ikke oppdager en hørbar forskjell, gå tilbake til trinn 2.2.2 for å rette laserlysene og photoarray.
   4. Etter at systemet er riktig satt opp, lukk lokket og legge insekter.
3. Datainnsamling: Rekord lyder produsert av flygende insekter
   1. Slå på opptakeren og gjøre en Voice merknad som inneholder følgende informasjon: navn på artene i den eksperimentelle kammer, alder på insekter, dato og klokkeslett, nåværende ambient RT, og relativ fuktighet. Stanse innspillingen.
   2. Koble opptakeren til systemet, via lydkabelen, og gjenoppta opptaket. La opptakeren til å spille i 3 dager, stopp deretter opptaket.
   3. Laste ned data fra opptakeren til en ny mappe på en PC. Tømme opptakeren ved å slette dataene.
   4. Gjenta ovenstående innspillingsprosessen, inntil de resterende insekter har dødd av, og det er ikke mer enn 5 insekter igjen i live i buret.

3. Sensor Data Processing og Gjenkjenning av lyder produsert av flygende insekter

1. Bruk programvare for å oppdage lyder produsert av flygende insekter.
   Merk: Programvaren (algoritme) er mye raskere enn sanntid. Det tar mindre enn tre timer å behandle en innspillingsøkt, dvs. tre dager med daten, på en standard maskin med Intel (R) Core ™ prosessor på 2,00 GHz og 8 GB RAM.
   1. For hver mappe som inneholder data fra innspillingen, kjøre deteksjon programvare for å oppdage insekt lyder. For å kjøre programvaren, åpen MATLAB, og skriv "circandian_wbf (dataDir)" i kommandovinduet, hvor dataDir er katalogen av opptaksdata. Trykk deretter på "Enter" for å starte.
      MERK: Last ned deteksjon programvare circadian_wbf fra referanse # 16.
   2. Vent til algoritmen opphører, så sjekk Resultatene av sporingen. Algoritmen utganger alle de oppdaget insektlyder i en ny mappe som heter "dataDir _extf", der dataDir er den samme som i forrige trinn. Hver lydfil er en 1 sek lange lydklippet opprinnelig hentet fra RAW-opptak, med et digitalt filter brukes til å fjerne støy. Forekomsten tid for hvert oppdaget lyden er lagret i en fil som heter "dataDir _time.mat &# 8221 ;. Observere eksempel på en oppdaget insekt lyd i Figur 2.
2. Algoritme
   1. Bruk en 0,1 sek lang skyvevindu til å gli gjennom opptaket. Skyvevinduet starter fra begynnelsen av opptaket. For hvert vindu, følg trinnene nedenfor.
      1. Beregn den fundamentale frekvensen for strømvinduet.
      2. Ved den fundamentale frekvens er innenfor området fra 100 Hz til 1200 Hz, og deretter gjøre følgende:
         1. Pakk 1-sek lange lydklippet sentre på dagens vindu fra innspillingen; bruke et digitalt filter for å fjerne støy i klippet og lagre filtrert lyd i mappen "dataDir _extf".
         2. Lagre forekomsten av det gjeldende vinduet inn i filen "dataDir _time".
         3. Flytt skyvevindu til det punktet som følger umiddelbart etter den utpakkede lydklipp.
      3. Hvis den grunnleggende frfrekvensskiftnøklede er ikke innenfor området 100 Hz til 1200 Hz, bare flytte den glidende vindu 0,01 sek fremover.
   2. Gjenta prosessen til den glidende vindu kommer til slutten av opptaket.

4. Insect Klassifisering

1. Bayesiansk klassifisering ved hjelp av bare Flying Sound
   Merk: Bayesiansk klassifikator er en sannsynlighets klassifiserer som klassifiserer et objekt til dens mest sannsynlig klasse.
   1. Sound Feature Computation
      1. For hvert insekt lyd, beregne frekvensspekteret for lyden ved hjelp av Discrete Fourier Transform (DFT). Avkorte frekvensspekteret til å omfatte bare de datapunkter som svarer til den frekvensområde: 100 Hz til 2000 Hz. Den avkortede frekvensspektrum blir så brukt i klassifikasjon som "representerer" av insekt-lyd.
         MERK: DFT er en algoritme som forvandler signaler i tid domene til frekvensdomenet. Det er en built-funksjon i de fleste programmeringsbiblioteker, og kan kalles i programmet med bare en linje med kode.
   2. Trene en Bayesiansk klassifikator
      1. Bruk KNN tetthet estimering tilnærming ¹⁴ for å lære bakre sannsynlighetsfordelingen ved hjelp av lyden funksjonen. Med KNN tilnærming, er opplæringsfasen for å bygge en trening datasett.
         1. Tilfeldig prøve en rekke insektlyder fra de innsamlede dataene for hver art av insekter.
         2. Følg trinnene i avsnitt 4.1.1 og beregne den avkortede frekvensspekteret for hver samplet lyd. De avkortede spektrum sammen med prøvene 'klasse etiketter (insektarter navn) komponerte trening datasett.
   3. Bruk Bayesiansk klassifikator å klassifisere et ukjent insekt
      1. Beregn den avkortede frekvensspekteret for det ukjente insekt lyd.
      2. Beregn euklidske avstanden mellom den avkortede spekteret av unknown objekt og alle avkortede spektrum i treningsdatasettet.
      3. Finn topp k (k = 8 i denne artikkelen) nærmeste naboer av det ukjente objektet i trening datasett. Beregn posterior sannsynlighet for det ukjente insekt lyden som tilhører en klasse som brøkdel av de beste k nærmeste naboene som er merket som klasse.
      4. Klassifisere det ukjente objekt til klassen som har den høyeste bakre sannsynlighet.
2. Legg en funksjon til Klassifiserings: Insect Døgnrytme
   1. Lær klassekondisjonerte distribusjoner av forekomsten tiden av insekt lyd, det vil si den døgnrytmen for hver art av insekter.
      1. Skaff forekomsten tidspunktet for hver lyd fra deteksjons resultater (jf pkt 3.2).
      2. For hver art, bygge et histogram av insekt lyd forekomst tid.
      3. Normaliser histogrammet, slik at arealet av histogrammet er en. Den normalesert histogram er døgnrytmen av de gitte arter. Det forteller sannsynligheten for å observere et insekt, av at arter, i flukt innen en viss tidsperiode.
   2. Klassifisere en ukjent "insekt sound" ved å kombinere "insekt sound" og døgnrytmen
      1. Gitt bestemt tidspunkt der det ukjente insekt lyd skjedde, få sannsynligheten for å observere et insekt av klasse basert på døgnrytmen av klasse.
         MERK: Den døgnrytmen er en sannsynlighetsfordeling. Det er en matrise som angir sannsynligheten for å oppdage en lyd, produsert av en bestemt art av insekter, på et bestemt tidspunkt på dagen. Slik at når en gang er gitt, kan man ganske enkelt kontrollere matrisen for å få sannsynlighet.
      2. Følg fremgangsmåten i del 4.1.2 for å beregne posterior sannsynlighet for at den ukjente lyden hører til klasse ved hjelp av lyd funksjoner. Multipliser posterior sannsynlighet til resultatene from den foregående trinnet for å få det nye bakre sannsynlighet.
      3. Klassifisere "ukjent lyd" til den klassen som har høyest nye posterior sannsynlighet.
3. Legg Én funksjon til Klassifiserings: Insect Geografisk fordeling
   1. Lær den geografiske fordelingen av arter av interesse, enten fra data publisert i historiske opptegnelser, aktuell litteratur, eller rett og slett samle førstehånds kunnskap fra felt Teknikere / biologer. For demonstrasjonsformål, bruke en simulering av den grafiske fordelingen, som vist i Figur 7.
   2. Klassifisere en "ukjent insekt sound" ved hjelp av "flying sound" og de to ekstra funksjoner.
      1. Gitt den geografiske plasseringen der insektet lyden ble mottatt, beregne sannsynligheten for å observere et insekt fra klassen på det bestemte stedet ved hjelp av grafisk fordeling av arter.
         1. Følg trinnene i avsnitt 4.2.2 ennd beregne posterior sannsynlighet for at det "ukjente sound" tilhører klassen ved hjelp av lyd funksjoner og døgnrytme. Multipliser resultatet av dette trinnet for å resultatene fra det foregående trinnet, for å få det nye bakre sannsynlighet.
      2. Klassifisere "ukjent lyd" til den klassen som har høyest nye posterior sannsynlighet.
4. En generell ramme for å legge til funksjoner
   1. Tenk på Bayesiansk klassifikator som bruker bare lyd funksjoner som den primære klassifikator. Følg fremgangsmåten nedenfor for å legge til nye funksjoner til klassifikator.
      1. I opplæringsfasen, lære klassekondisjonerte tetthetsfunksjoner av den nye funksjonen.
      2. I den fasen klassifisering, gitt den nye funksjonen av "ukjent lyd", beregne sannsynligheten for å observere funksjonen i klassen ved hjelp av tetthetsfunksjoner lært i forrige trinn. Multipliser det nye sannsynlighet til PRevious posterior sannsynlighet som tilsvarer den "ukjent lyd" tilhørighet til klassen som ble beregnet basert på akkurat de ulike funksjonene, for å få den nye posterior sannsynlighet. Klassifisere det ukjente objektet til den klassen som har høyest nye posterior sannsynlighet.

Representative Results

To eksperimenter er presentert her. For begge forsøk, ble de data som brukes tilfeldig samplet fra et datasett som inneholder over 100.000 gjenstander.

Det første forsøket viser evnen av den foreslåtte klassifikator til nøyaktig å klassifisere forskjellige arter / kjønn av insekter. Som nøyaktigheten Klassifiseringen avhenger av insekter til å bli klassifisert, vil en enkelt absolutt verdi for nøyaktighet klassifisering ikke gi leseren en god intuisjon om ytelsen til systemet. I stedet, i stedet for å rapportere klassifikator nøyaktighet på et fastlagt sett av insekter, ble klassifikator påføres datasett med en trinnvis økende antall arter, og derfor øker klassifisering vanskeligheter.

Datasettet begynte med bare to arter av insekter; deretter ved hvert trinn, ble en flere arter (eller en enkelt kjønn av en seksuelt dimorfe arter) tilsatt, og sorteringsapparatet ble anvendt for å klassifisere den økteantall arter (det nye datasettet). Totalt ti klasser av insekter (forskjellig kjønn fra samme art teller som ulike klasser) ble vurdert, med 5.000 eksemplarer i hver klasse.

Den klassifikator brukes både insekt-lyd (frekvens-spektrum) og time-of-aksen for klassifisering. Tabell 1 viser klassifiseringen nøyaktighet måles ved hvert trinn, og den aktuelle klassen tilsatt ved dette trinnet.

Ifølge tabell 1, oppnår klassifikator mer enn 96% nøyaktighet når klassifisere ikke mer enn 5 arter av insekter, betydelig høyere enn standard sats på 20% nøyaktighet. Selv når antallet klasser betraktes øker til 10, er nøyaktigheten klassifisering aldri lavere enn 79%, igjen betydelig høyere enn standardhastighet på 10%. Legg merke til at de ti klassene er ikke lett å skille, selv av menneskelig inspeksjon. Blant de ti arter, åtte av dem er mygg, viddh seks av dem er fra samme slekt.

Det andre forsøket er å vise hvor nøyaktig systemet kan sex flygende insekter, spesielt, å skille mannlige Æ. Aegypti mygg fra kvinner. For den første del av forsøket, anta at den "feilklassifisering kostnad" av misclassifying menn som kvinner er de samme som kostnadene for misclassifying hunner som hanner. Med denne forutsetningen, er resultatene klassifisering vist i tabell 2.I. Klassifiseringen nøyaktighet til sex Ae. Aegypti er ca 99,4%.

For den andre delen av eksperimentet, antar kostnadene ikke er asymmetrisk, det vil si, er feilklassifisering av kvinner som menn mye mer kostbart enn omvendt. Med denne forutsetningen, ble avgjørelsen terskelen klassifikator endret for å redusere antallet høykostland feilklassifiseringer. Med terskelen riktig justert, klassifiseringsresultatene i tabell 2.II ble oppnådd. Av 2000 insekter i forsøket, var tjueto menn og null kvinner misclassified.

Figur 1. (I) En av de eksperimentelle bur som brukes til å samle data. (II) En logisk versjon av oppsettet på sensoren med komponentene kommenterte. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 2. (I) Et eksempel på en 1 sek audioklipp som inneholder en "flygende insekter sound" generert av sensoren. Lyden ble produsert av en kvinnelig Cx. Stigmatosoma. Den insect lyden er uthevet i rødt / fet. (II) Den "insekt sound", som har blitt renset og lagret i en 1-sek lange lydklippet ved sentre insekt signal og polstring med 0s andre steder. (III) Frekvensspekteret av insekt lyd, innhentet ved hjelp av Diskret Fourier Transform. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 3. En Bayesiansk nettverk som bruker en enkelt funksjon for klassifisering.

Figur 4. En Bayesiansk nettverk som bruker to uavhengige funksjoner for classificat ion

Figur 5. døgnrytme av Cx. stigmatosoma (hunn), Cx. tarsalis (hann), og Ae. aegypti (hunn), lærte basert på observasjoner som genereres av sensoren som ble samlet inn over 1 måned varighet. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 6. En Bayesiansk nettverk som bruker tre uavhengige funksjoner for klassifisering.

g "/>
Figur 7. Forutsetningene av de geografiske fordelinger av hver insektarter og sensor steder i simuleringen å demonstrere effektiviteten av å bruke location-of-skjærings funksjonen til klassifisering. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 8. Den generelle Bayesiansk nettverk som bruker n funksjoner for klassifisering, der n er et positivt heltall. Vennligst klikk her for å se en større versjon av dette tallet.

Trinn	Speckaper inn	Klassifisering Nøyaktighet		Trinn	Arter inn	Klassifisering Nøyaktighet
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%

Tabell 1. Klassifisering nøyaktighet med økende antall klasser.

		Spådd klasse					Spådd klasse
I (Symmetric kostnad)		Kvinne	Mann		II (Asymmetric kostnad)		Kvinne	Mann
Selve klassen	Kvinne	993	7		Selve klassen	Kvinne	1000	0
	Mann 5	995		Mann		22	978

Tabell 2. (I) Forvirringen matrise for kjønnsdiskriminering av Ae. Aegypti mygg med beslutningen terskelen for kvinner er satt til 0,5 (dvs. samme kostnad antagelse). (II) Forvirringen matrise av sex de samme mygg, med vedtaket terskel for kvinner satt til 0,1.

Discussion

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 feltet for å telle og klassifisere insekt vektorer, kan systemet gi sanntids tellinger av målartene, produsere sanntidsinformasjon som kan brukes til å planlegge intervensjons / undertrykkings programmer for å bekjempe malaria. Dessuten kan systemet automatisk skille insekter etter kjønn, og dermed kan den brukes til gratis entomologists arbeider på Steril Insect Technique ¹⁵ fra kjedelig og tidkrevende oppgave manuelt sexing insekter. </ P>

Ved å bruke dette systemet, er den mest kritiske trinnet du skal sette opp sensoren for datainnsamling. Hvis laseren og bildet matrise ikke er riktig justert, vil dataene være svært støyende. Etter at insektene er plassert i buret bør bildet matrisen alltid finjusteres ved hjelp av magnetene på utsiden av buret. Merk at blinkende lys, kamera blinker og vibrasjoner nær merdene vil introdusere støy til dataene. Derfor, for å få rene data, plassere buret i et mørkt rom, og der det er nødvendig, plasserer tørre håndklær under merdene for å minske vibrasjonsnivået.

Klassifikator presentert i dette arbeidet brukes bare to ekstra funksjoner. Imidlertid kan det være dusinvis av ekstra funksjoner som kan bidra til å forbedre ytelsen klassifisering. Som de potensielle funksjoner er domene og applikasjonsspesifikke, kan brukerne velge funksjoner basert på deres spesifikke behov eller applikasjoner. Den generelle rammen av classifier lar brukerne enkelt kan legge til funksjoner til klassifikator å forbedre ytelsen klassifisering.

For å oppmuntre til adopsjon og utvidelse av våre ideer, gjør vi alle kode, data og sensor skjemaer fritt tilgjengelig på UCR Computational Entomology Page ^16-17. Videre innenfor rammene av vårt budsjett, vil vi fortsette vår praksis med å gi et komplett system (som vist i figur 1) til noen forskning entomolog som ber om en.

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.