Summary

Полет обнаружения насекомых и классификации с недорогих датчиков

Published: October 15, 2014
doi:

Summary

Мы предложили систему, которая использует недорогие, неинвазивные псевдо-акустическая оптические датчики для автоматического и точного обнаружения, соперника, классифицировать летающих насекомых, основанные на их летающей звука.

Abstract

Недорого, неинвазивный система, которая может точно классифицировать летающих насекомых будет иметь важные последствия для энтомологических исследований, и создать условия для развития многих полезных приложений в векторе и борьбы с вредителями, как для медицинского и сельскохозяйственной энтомологии. Учитывая это, в последние шестьдесят лет видел много исследовательских усилий, посвященные этой задачи. На сегодняшний день, однако, ни один из этих исследований не была долгосрочные последствия. В этой работе мы показываем, что псевдо-акустическая оптические датчики могут производить превосходную данных; что дополнительные функции, как внутренняя и внешняя к поведению полета насекомого, может быть использовано для улучшения классификации насекомых; что байесовский подход классификация позволяет эффективно изучать модели классификации, которые очень устойчивы к более облегающие, и общие рамки классификация позволяет легко включать произвольное количество функций. Мы демонстрируем результаты с крупномасштабных экспериментов, что карлик все предыдущие работы грузопассажирскийNED, как измеряется количеством насекомых и по числу видов, рассмотренных.

Introduction

Идея автоматически классификации насекомых с помощью побочной звук их полета восходит к самым ранним дням компьютеров и продаже аудио записывающего оборудования 1. Тем не менее, мало что было сделано по этой проблеме в прошедшие десятилетия. Отсутствие прогресса в этой погоне можно отнести к нескольким связанным факторов.

Во-первых, отсутствие эффективных датчиков сделала сбора данных трудно. Большинство усилий по сбору данных использовали акустические микрофоны 2-5. Такие устройства крайне чувствительны к шум ветра и окружающего шума в окружающей среде, в результате чего очень редкими и некачественных данных.

Во-вторых, усугубляет эти проблемы качества данных является тот факт, что многие исследователи пытались узнать очень сложные модели классификации, особенно нейронных сетей 6-8. Попытка узнать сложные модели классификации, с всего лишь десятками примеров,это рецепт для более-фитинга.

В-третьих, трудно получения данных означает, что многие исследователи пытались построить модели классификации с очень ограниченных данных, как мало, как 300 экземпляров 9 или менее. Тем не менее, известно, что для построения точные модели классификации, больше данных лучше 10-13.

Эта работа охватывает все три вопроса. Оптические (а не акустический) датчики могут быть использованы для записи "звук" полета насекомых от метров, с полной инвариантности ветра шум и звуки окружающей среды. Эти датчики позволили запись миллионов меченых случаях учебных, гораздо больше данных, чем все предыдущие усилия вместе взятые, и тем самым помочь избежать более облегающие, которая преследует предыдущие исследовательские усилия. Принципиальный метод Ниже показано, что позволяет включение дополнительной информации в модели классификации. Эта дополнительная информация может быть как ежедневной газете и какпростой в получить как время-день, еще до сих пор производят значительный выигрыш в точности модели. Наконец, показано, что огромные объемы данных мы собрали позволяют нам воспользоваться "The необоснованного эффективности данных" 10, чтобы произвести простые, точные и надежные классификаторы.

Таким образом, полет классификация насекомых вышла за пределы сомнительных претензий, созданных в научно-исследовательской лаборатории и теперь готов к реального развертывания. Датчики и программное обеспечение, представленные в этой работе будет предоставить исследователям по всему миру надежные инструменты для ускорения их исследования.

Protocol

1 Insect Colony и Разведение Москитная Colony и Разведение Задние Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma, и Aedes aegypti взрослых от лабораторных колоний, которые возникли от дикой поймали лиц. Задняя личинки комаров в эмалированную посуду в стандартных лабораторных условиях (27 ° С…

Representative Results

Два эксперимента представлены здесь. Для обоих экспериментах, данные, используемые были в произвольном порядке из набора данных, который содержит более 100 тысяч объектов. Первый эксперимент показывает способность предлагаемого классификатора, чтобы точно классифицир?…

Discussion

Рамки датчик / классификация описано здесь позволяет недорогой и масштабируемой классификацию летающих насекомых. Точности достижимые системой достаточно, чтобы позволить разработку коммерческих продуктов хорошо и может быть полезным инструментом в энтомологического исследований…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Мы хотели бы поблагодарить Фонд Vodafone Americas, Фонд Билла и Мелинды Гейтс, и Paulo исследовательский фонд São (FAPESP) за финансирование работы. Мы также хотели бы поблагодарить многих преподавателей из отдела энтомологии Университета Калифорнии, Риверсайд, за их советы по этому проекту.

Materials

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. 

References

  1. Kahn, M. C., Celestin, W., Offenhauser, W. Recording of sounds produced by certain disease-carrying mosquitoes. Science. 101 (2622), 335-336 (1945).
  2. 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).
  3. 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).
  4. 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).
  5. 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 .
  6. 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).
  7. 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).
  8. 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).
  9. Moore, A. Artificial neural network trained to identify mosquitoes in flight. Journal of insect behavior. 4 (3), 391-396 (1991).
  10. Halevy, A., Norvig, P., Pereira, F. The unreasonable effectiveness of data. Intelligent Systems, IEEE. 24 (2), 8-12 (2009).
  11. Banko, M., Brill, E. Mitigating the paucity-of-data problem exploring the effect of training corpus size on classifier performance for natural language processing. , 1-5 (2001).
  12. Shotton, J., et al. Real-time human pose recognition in parts from single depth images. Communications of the ACM. 56 (1), 116-124 (2013).
  13. Ilyas, P. Classifying insects on the fly. Ecological Informatics. , (2013).
  14. Mack, Y. P., Rosenblatt, M. Multivariate k-nearest neighbor density estimates. Journal of Multivariate Analysis. 9 (1), 1-15 (1979).
  15. 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).
  16. . Supporting Materials Available from: https://sites.google.com/site/insectclassification
  17. 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).

Play Video

Cite This Article
Chen, Y., Why, A., Batista, G., Mafra-Neto, A., Keogh, E. Flying Insect Detection and Classification with Inexpensive Sensors. J. Vis. Exp. (92), e52111, doi:10.3791/52111 (2014).

View Video