Name: Ucuz Sensörler ile Böcek Tespit ve Sınıflandırma Uçan (Video) | JoVE Journal
Uploaded: 2014-10-15T15:00:00.000+00:00
Duration: 5 min 16 s
Description: Keşfedin ucuz sensörlerle sinek tespiti ve sınıflandırma yöntemini. Bu teknik kanat vuruş seslerine dayanarak tür ve cinsiyet belirleme sağlar. Gerçek zamanlı izleme ve yüksek doğrulukla ekolojik çalışmalarda kullanılabilir.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Biz bu araştırmaları destekleyen Vodafone Amerika Vakfı, Bill ve Melinda Gates Vakfı, ve São Paulo Araştırma Vakfı (FAPESP) teşekkür etmek istiyorum. Biz de bu proje ile ilgili tavsiye, Riverside, Kaliforniya Üniversitesi Entomoloji Bölümü birçok öğretim üyelerine teşekkür etmek istiyorum.

1. Böcek Kolonisi ve Yetiştirme <ol><li> Sivrisinek Koloni ve Yetiştirme <ol><li> Vahşi kökenli Arka Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma ve laboratuar kolonilerden Aedes aegypti yetişkin bireyler yakaladı. </li><li> Standart laboratuvar koşullarında emaye tava Arka sivrisinek larvaları (27 ° C, 16: 8 saat ışık: 1 saat alacakaranlık / şafak dönemleri karanlık [LD] döngüsü), ve zemin kemirgen çorbası karışımı onları istenildiği kadar beslemek ve Brewer mayası (3: 1, hacim: hacim). </li><li> 200 ml bardak içine sivrisinek pupa toplayın ve deneysel odaların içine koyun. Alternatif olarak, ortaya çıkması 1 hafta içinde deneysel odalarına yetişkin sivrisinek aspire. Her deney odası aynı tür / cinsiyetten 20 ila 40 bireyleri içerdiğinden emin olun. </li><li> % 10 sakroz ve su karışımı Besleme yetişkin sivrisinekler ad libitum verilmiştir. Gıda haftalık değiştirin. </li><li> Pl haftada iki kez pamuk havlu ıslatın vekafes içinde nem muhafaza etmek için deney odası üstüne onları. Buna ek olarak, genel olarak bir nem seviyesini muhafaza yardımcı olmak için her zaman bölmesi içinde musluk suyu içinde bir 200 mi kap yerleştirin. </li><li> 8 saat aydınlık: 16 ile ilgili deneysel bölmeyi muhafaza koyu [LD] döngüsü, 20,5-22 ° C ve% 30-50 göreli nem deney süresi. </li></ol></li><li> Ev Fly ve Meyve Sineği Koloni ve Yetiştirme <ol><li> Vahşi türetilmiş bir laboratuvar kolonisinden Arka Musca domestica, bireyleri yakaladı. Deneysel odalarında vahşi Drosophila simulans bireyleri ve arka onları yakalamak. </li><li> Standart laboratuar koşulları altında plastik tüpler içinde arka Musca domestica larvası (12:12 saat aydınlık: karanlık [LD] çevrimi, 26 ° C,% 40 bağıl nem), su, kepek tozu, yonca, maya ve süt tozunun bir karışımı içinde gerçekleştirilir. Bir yetiştirme odasında Arka Drosophila simulans larva ve çürüyen bir karışımı onları istenildiği doyurmayameyve. </li><li> Ortaya çıkmasına 1 hafta içinde deneysel odalarına aspire yetişkin Musca domestica. Yetişkin Drosophila simulans doğrudan deneysel odalarında yetiştirilen olabilir. Veri toplama öncesinde, her deney odası, birden fazla 10-15 bireysel Muska domestia veya 20-30 bireysel Drosophila simulans hiçbir içerdiğinden emin olun. </li><li> Suya serbest erişim, şeker ve düşük yağlı süt tozu karışımı yetişkin Musca domestica libitum besleyin. Çürüyen meyve bir karışımına, Drosophila ergin Besleme simulans ad libitum verilmiştir. Gıda haftalık değiştirin. </li><li> 8 saat aydınlık: 16 ile ilgili deneysel bölmeyi muhafaza koyu [LD] döngüsü, 20,5-22 ° C ve% 30-50 göreli nem deneyin süresi için. </li></ol></li></ol> Deneysel Chambers 2. Kayıt Uçan Sesler <ol><li> Deneysel Odası Kurulumu Not: Bir &quot;Deneysel chamber &quot;veri kaydedildiği bizim laboratuvarda tasarlanan kafes, gösterir. Sensör oldukça ucuzdur. Toplu olarak inşa edilmiş, bir dizi kadar az 10 $ için imal edilebilir. <ol><li> 67 cm x 22 cm L G x 24,75 cm H ya da daha küçük boyutta: 30 cm x 20 cm L G x 20 cm H Deney bölmesi, bir dizi ve fototransistör oluşan bir deney haznesi, ya da daha büyük boyutta Construct phototransistor dizi işaret lazer çizgisi. Not: Ek olarak, odacık sensör düzeneği hem de böcek erişim sağlamak için PVC boru parçasına bağlı bir manşon içerecek şekilde modifiye edilir Kritter Koruyucularının oluşur. </li><li> Bir elektronik karta phototransistor dizi bağlayın. Elektronik kartın çıkış dijital ses kaydedici içine besleyen ve MP3 formatında ses veri olarak kaydedilir. Şekil 1.II algılayıcı ve Şekil 1.I boşluğun fiziksel bir versiyonunun mantık tasarımı bakınız. </li><li&gt; böceklerin kaçmasını önlemek için, iç tarafında örgü kumaş parçası ile deneysel bölmelerin kapaklarını değiştirin. NOT: bir böcek, lazer ışınının karşısında uçar, kanatları kısmen, ışık tıkamaktadır küçük bir ışık dalgalanmalara yol. Işık dalgalanmaları akımındaki değişiklikleri phototransistor dizisi tarafından yakalanır ve sinyal elektronik kart tasarlanmış özel ile filtre edilmiş ve amplifiye edilir. </li></ol></li><li> Uçan Böcekler tarafından üretilen Record Sesler Sistemi Kurma <ol><li> Bir güç kaynağına deneysel odasına bağlayın. Gücü açın. </li><li> Deneysel odasının üzerine, lazer ışıkları ve photoarray bulabilirsiniz. Photoarray için lazer ışıkları hizalayın. Lazer ışığı, tüm bireysel photodiod merkezli kadar haznenin iç kısmına photoarray bağlı mıknatısların uygun deneysel odasının dışında mıknatıslar kullanılarak photoarray ayarlamak düzgün bir uyum elde etmek içines. </li><li> Sistem düzgün kurulduğundan emin olmak için iki sağlık kontrolleri gerçekleştirin. Not: İlk adım sistemi, tüm kabloların doğru şekilde bağlandığından desteklenmektedir ve lazer fotoğraf dizisinde işaret emin olmaktır. İkinci adım, böceklerin kanat darbelerinin ses yakalamak sağlamak için lazer hizalama üzerinde daha fazla kontrol yapmaktır. <ol><li> Ses girişine (yerine kaydedici daha) kulaklıkları takın. Lazer ışık düzlemini kırmak için, photoarray yakınına ve deney odasının üzerinden el dalma. Emin lazer ışığının yandığından emin olun (bir ışık kırmızı ışın olacaktır) ve elinizle ışık düzlemi birkaç kez kırmak olduğunu. Eliniz ve ışık demetinin dışarı gider gibi gürültü seviyesinde değişiklikler için dinleyin. Eğer sesli bir fark tespit ederseniz, sensör büyük nesnelerin hareketi tarafından üretilen sesleri yakalamak için yapabiliyor. Eğer başarılı olursa, kulaklık düzgün şekilde bağlanıp bağlanmadığını kontrol edin, aksi takdirde, bir sonraki aklı kontrolünden geçmek velazer photoarray işaret olup olmadığını. Elin ses ve deneysel odasının üzerinden hareket duyulabilir buna uygun kadar photoarray ayarlayın. </li><li> Otomatik diş fırçası elektrik kablolama ince bir parça eklemek. Diş fırçası açın ve ve phototarray yakın deneysel odasının dışına kablo dalma. Hareket ettikçe lazer ışığı kablolama parçası isabet olduğundan emin olun. Eğer frekansta sesli bir değişiklik tespit ederseniz kablo parçası lazer ışık düzlemini kırdığında, sonra sistem, yani küçücük nesneler, böcek sesleri hareketi tarafından üretilen sesleri yakalamak için hazırdır. Eğer sesli bir fark tespit etmezseniz, lazer ışıkları ve photoarray yeniden hizalamak için 2.2.2 adıma geri dönün. </li></ol></li><li> Sistem düzgün kurulduktan sonra, kapağını kapatın ve böcekler ekleyin. </li></ol></li><li> Veri Toplama: Uçan Böcekler Yapımcı Rekor Sesler <ol><li> Kaydedici açın ve bir Voic yapmakaşağıdaki bilgileri içeren bir e açıklama: deneysel odasında türlerin adı, böcekler, tarih ve zaman, şimdiki ortam RT, ve bağıl nem yaş. Kaydı duraklatmak. </li><li> Ses kablosu aracılığıyla, sisteme kayıt cihazı bağlamak ve kayda devam. Daha sonra kaydı durdurmak, 3 gün boyunca kaydetmek için kaydediciyi bırakın. </li><li> Bir PC&#39;de yeni bir klasöre kaydedici gelen verileri indirmek. Verileri silerek kaydedici boşaltın. </li><li> Kalan böcekler kapalı öldü ve kafeste hayatta kalan fazla 5 böcekler hiçbir kalmayıncaya kadar, yukarıdaki kayıt işlemini tekrarlayın. </li></ol></li></ol> 3. Sensör Veri İşleme ve Uçan Böcekler tarafından üretilen Sounds Algılama <ol><li> Uçan Böcekler tarafından üretilen Sesler Algılama Yazılımı kullanmak. Not: Yazılım (algılama algoritması) gerçek zamanlı çok daha hızlıdır. Bu dat, yani üç gün, bir kayıt oturumu işlemek için en az 3 saat sürerBir, 2.00 GHz ve 8 GB RAM, Intel (R) Core ™ işlemciye sahip standart bir makinede. <ol><li> Bir kayıt oturumu veri içeren her klasör için, böcek sesleri algılamak için algılama yazılımını çalıştırın. Yazılım, açık MATLAB çalıştırmak ve DATADIR veri kayıt dizini komut penceresinde &quot;circandian_wbf (DATADIR)&quot;, yazın. Ardından başlatmak için &quot;Enter&quot; tuşuna basın. NOT: Referans # 16 den algılama yazılımı circadian_wbf indirin. </li><li> Algoritma sona kadar, sonra algılama sonuçlarını kontrol bekleyin. Algoritma çıkışları tüm tespit böcek DATADIR önceki adımda aynıdır &quot;DATADIR _extf&quot; adlı yeni bir klasörde geliyor. Her ses dosyası dijital bir filtre gürültü çıkarmak için uygulanan aslen, ham kayıt çıkarılan 1 sn uzun ses klip. Tespit edilen her sesin oluşumu zamanı &quot;DATADIR _time.mat &amp; adında bir dosyaya kaydedilir# 8221 ;. Şekil 2 içinde, tespit edilen bir böcek ses örneği dikkate alınmalıdır. </li></ol></li><li> Algılama Algoritması <ol><li> Kayıt kaydırmak için 0.1 sn uzun sürme penceresini kullanın. Sürgülü pencere kaydın başından itibaren başlar. Her pencere için, aşağıdaki adımları izleyin. <ol><li> Geçerli pencerenin temel frekans hesaplayınız. </li><li> Temel frekans 100 Hz ile 1.200 aralığında ise, aşağıdakileri yapın: <ol><li> Kayıttan geçerli pencerede ortalayan 1-sn uzun ses klibi ayıklayın; klipte gürültü çıkarmak ve klasör &quot;DATADIR _extf&quot; içine süzüldü ses kaydetmek için dijital bir filtre uygulamak. </li><li> Dosya &quot;DATADIR _süre&quot; içine geçerli pencerenin meydana geliş saati kaydedin. </li><li> Hemen çıkarılan ses klibini izler noktasına kayan pencereyi taşıyın. </li></ol></li><li> Eğer temel frequency 100 Hz ile 1.200 aralığında, sadece ileriye kayan pencere 0,01 sn hareket değildir. </li></ol></li><li> Sürgülü pencere kaydın sonuna ulaşıncaya kadar işlemi tekrarlayın. </li></ol></li></ol> 4. Böcek Sınıflandırma <ol><li> Sadece Uçan Ses&#39;i kullanma Bayes Sınıflandırma Not: Bayes onun en olası sınıfı için bir nesne sınıflandıran bir olasılık sınıflandırıcı olduğunu. <ol><li> Ses Özelliği Hesaplama <ol><li> Her böcek ses için, Ayrık Fourier Dönüşümü kullanarak ses (DFT) frekans spektrumunu hesaplamak. Frekans aralığına karşılık sadece bu veri noktalarını içerecek şekilde frekans spektrumunu kesecek: 100 Hz ile 2.000. Kesik frekans spektrumu sonra böcek ses &quot;temsilcisi&quot; olarak sınıflandırılmasında kullanılır. NOT: DFT frekans alanına zaman alanında sinyalleri dönüştüren bir algoritmadır. Bu bui olduğult-çoğu programlama kütüphanelerde fonksiyon ve kod sadece bir satır ile programda çağrılabilir. </li></ol></li><li> Bayes sınıflandırıcı Tren <ol><li> Ses özelliğini kullanarak posterior olasılık dağılımını öğrenmek için kNN yoğunluk tahmin yaklaşımını 14 kullanın. KNN yaklaşımla, eğitim safhası bir eğitim veri kümesi inşa etmektir. <ol><li> Rasgele böceklerin her bir tür için toplanan verilerden böcek sesleri çok sayıda örnek. </li><li> Bölüm 4.1.1 adımları izleyin ve örneklenen her ses için kesik frekans spektrumunu hesaplamak. Birlikte numunelerin sınıf etiketlerine (böcek türleri adı) ile kesilmiş spektrumları eğitim veri kümesi oluşur. </li></ol></li></ol></li><li> Bilinmeyen bir böcek sınıflandırmak için Bayes sınıflandırıcı kullanın <ol><li> Bilinmeyen böcek sesin kesik frekans spektrumunu hesaplamak. </li><li> Bilinmeyen bir kesik spektrumu arasındaki Öklid uzaklığını hesaplayabilirizn nesne ve eğitim veri kümesi içinde tüm kesilmiş spektrumları. </li><li> Üst k (bu yazıda k = 8) eğitim veri kümesi içinde bilinmeyen bir nesnenin en yakın komşuları bulabilirsiniz. Sınıf olarak etiketli üst k en yakın komşularının fraksiyonu olarak bir sınıfa ait bilinmeyen böcek ses posterior olasılığını hesaplayınız. </li><li> Yüksek arka olasılığa sahiptir sınıfına bilinmeyen nesneyi sınıflandırır. </li></ol></li></ol></li><li> Böcek sirkadiyen ritim: sınıflandırıcısını bir Özellik Ekle <ol><li> , Böceklerin her tür için sirkadiyen ritmi böcek ses oluş zamanları, sınıf klimalı dağılımları öğrenin. <ol><li> Algılama sonuçları her ses (bakınız Bölüm 3.2) meydana geliş saati edinin. </li><li> Her tür için böcek ses oluşumu zaman bir histogram oluşturmak. </li><li> Histogram alan biri olduğunu böylece histogram normalleştirmek. Normalsürerlerken, histogram verilen türlerin sirkadiyen ritim olduğunu. Bu belli bir süre içinde uçuş, bu türün, bir böcek gözlemleme olasılığını söyler. </li></ol></li><li> &quot;Böcek sesi&quot; ve sirkadiyen ritim birleştirerek bilinmeyen bir &quot;böcek sesi&quot; sınıflandırmak <ol><li> Bilinmeyen böcek ses meydana geldiği zaman içinde belli bir noktaya göz önüne alındığında, sınıf tipi ritim üzerinde sınıfın bir böcek gözlemleme olasılığıdır elde edilir. NOT: sirkadiyen ritim bir olasılık dağılımıdır. Bu, günün belirli bir zamanda böceklerin belirli bir türleri tarafından üretilen bir ses, tespit olasılığını belirten bir dizidir. Bir süre verilir Yani, bir kez bir sadece olasılığını almak için dizi kontrol edebilirsiniz. </li><li> Bilinmeyen ses ses özelliklerini kullanarak sınıfa ait posterior olasılığını hesaplamak için bölüm 4.1.2 adımları izleyin. Fro sonuçlarına posterior olasılık çarpınYeni posterior olasılık almak için önceki adımı m. </li><li> Yüksek yeni arka olasılığına sahiptir sınıfına &quot;bilinmeyen sesi&quot; sınıflandırır. </li></ol></li></ol></li><li> Sınıflandırıcısını için One More Özelliği ekleyin: Böcek Coğrafi Dağılımı <ol><li> Ilgi, gerek tarihî kayıtlarda yayınlanan verilere, ilgili literatürden türlerin coğrafi dağılımını öğrenmek, ya da sadece alan teknisyen / biyologların gelen ilk elden bilgi toplamak. Şekil 7&#39;de gösterildiği gibi gösteri amaçlı, grafik dağılımı bir simülasyon kullanabilirsiniz. </li><li> &quot;Uçan ses&quot; ve iki ek özellikleri kullanarak bir &quot;bilinmeyen böcek sesi&quot; sınıflandırır. <ol><li> Böcek ses yakalandığı coğrafi konumu göz önüne alındığında, türlerin grafik dağılımı kullanılarak belirli konumda sınıftan bir böcek gözlemleme olasılığını hesaplamak. <ol><li> Bölüm 4.2.2 a&#39;da adımları izleyinnd &quot;bilinmeyen ses&quot; ses özelliklerini ve sirkadiyen ritimleri kullanarak sınıfa ait arka olasılığını hesaplarlar. Yeni arka olasılığını elde etmek için, önceki aşamada elde edilen sonuçlar, bu adımın sonucu çarpın. </li></ol></li><li> Yüksek yeni arka olasılığına sahiptir sınıfına &quot;bilinmeyen sesi&quot; sınıflandırır. </li></ol></li></ol></li><li> Özellikleri Ekleme için Genel Çerçeve <ol><li> Birincil sınıflandırıcı olarak sadece ses özelliklerini kullanan Bayes sınıflandırıcı düşünün. Sınıflandırıcı yeni özellikler eklemek için aşağıdaki adımları izleyin. <ol><li> Eğitim aşamasında, yeni özelliği sınıf klimalı yoğunluk fonksiyonlarını öğrenmek. </li><li> Sınıflandırma aşamasında, &quot;bilinmeyen ses&quot; yeni özellik verilen, önceki adımda öğrenilen yoğunluk fonksiyonlarını kullanarak sınıfta özelliğini gözlemleme olasılığını hesaplamak. Pr için yeni olasılığını çarpınSadece tuhaf özellikleri dayanarak hesaplanandan edildi sınıfa ait &quot;bilinmeyen sesi&quot; karşılık evious posterior olasılık, yeni arka olasılığını elde etmek. En yeni arka olasılığına sahiptir sınıfına bilinmeyen nesneyi sınıflandırır. </li></ol></li></ol></li></ol>

<ol><li>Kahn, M. C., Celestin, W., Offenhauser, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Recording+of+sounds+produced+by+certain+disease-carrying+mosquitoes%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Recording of sounds produced by certain disease-carrying mosquitoes.</a> Science. 101 (2622), 335-336 (1945).</li>
<li>Reed, S. C., Williams, C. M., Chadwick, L. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Frequency+of+wing-beat+as+a+character+for+separating+species+races+and+geographic+varieties+of+Drosophila%5BTitle%5D)+AND+%22Genetics%22%5BJournal%5D)">Frequency of wing-beat as a character for separating species races and geographic varieties of Drosophila.</a> Genetics. 27 (3), 349(1942).</li>
<li>Belton, P., Costello, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Flight+sounds+of+the+females+of+some+mosquitoes+of+Western+Canada%5BTitle%5D)+AND+%22Entomologia+experimentalis+et+applicata%22%5BJournal%5D)">Flight sounds of the females of some mosquitoes of Western Canada.</a> Entomologia experimentalis et applicata. 26 (1), 105-114 (1979).</li>
<li>Mankin, R. W., Machan, R., Field Jones, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((testing+of+a+prototype+acoustic+device+for+detection+of+Mediterranean+fruit+flies+flying+into+a+trap%5BTitle%5D)+AND+%22Proc.+7th+Int+Symp+Fruit+Flies+of+Economic+Importance%22%5BJournal%5D)">testing of a prototype acoustic device for detection of Mediterranean fruit flies flying into a trap.</a> Proc. 7th Int Symp Fruit Flies of Economic Importance. , 10-15 (2006).</li>
<li>Raman, D. R., Gerhardt, R. R., Wilkerson, J. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detecting+insect+flight+sounds+in+the+field+Implications+for+acoustical+counting+of+mosquitoes%5BTitle%5D)+AND+%22Transactions+of+the+ASABE%22%5BJournal%5D)">Detecting insect flight sounds in the field Implications for acoustical counting of mosquitoes.</a> Transactions of the ASABE. 50 (4), 1481Forthcoming.</li>
<li>Moore, A., Miller, J. R., Tabashnik, B. E., Gage, S. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+identification+of+flying+insects+by+analysis+of+wingbeat+frequencies%5BTitle%5D)+AND+%22Journal+of+economic+entomology%22%5BJournal%5D)">Automated identification of flying insects by analysis of wingbeat frequencies.</a> Journal of economic entomology. 79 (6), 1703-1706 (1986).</li>
<li>Moore, A., Miller, R. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+identification+of+optically+sensed+aphid+%28Homoptera%3A+Aphidae%29+wingbeat+waveforms%5BTitle%5D)+AND+%22Annals+of+the+Entomological+Society+of+America%22%5BJournal%5D)">Automated identification of optically sensed aphid (Homoptera: Aphidae) wingbeat waveforms.</a> Annals of the Entomological Society of America. 95 (1), 1-8 (2002).</li>
<li>Li, Z., Zhou, Z., Shen, Z., Yao, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+identification+of+mosquito+%28diptera%3A+Culicidae%29+wingbeat+waveform+by+artificial+neural+network%5BTitle%5D)+AND+%22Artificial+Intelligence+Applications+and+Innovations%22%5BJournal%5D)">Automated identification of mosquito (diptera: Culicidae) wingbeat waveform by artificial neural network.</a> Artificial Intelligence Applications and Innovations. , 483-489 (2005).</li>
<li>Moore, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Artificial+neural+network+trained+to+identify+mosquitoes+in+flight%5BTitle%5D)+AND+%22Journal+of+insect+behavior%22%5BJournal%5D)">Artificial neural network trained to identify mosquitoes in flight.</a> Journal of insect behavior. 4 (3), 391-396 (1991).</li>
<li>Halevy, A., Norvig, P., Pereira, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+unreasonable+effectiveness+of+data%5BTitle%5D)+AND+%22Intelligent+Systems%2C+IEEE%22%5BJournal%5D)">The unreasonable effectiveness of data.</a> Intelligent Systems, IEEE. 24 (2), 8-12 (2009).</li>
<li>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).</li>
<li>Shotton, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Real-time+human+pose+recognition+in+parts+from+single+depth+images%5BTitle%5D)+AND+%22Communications+of+the+ACM%22%5BJournal%5D)">Real-time human pose recognition in parts from single depth images.</a> Communications of the ACM. 56 (1), 116-124 (2013).</li>
<li>Ilyas, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Classifying+insects+on+the+fly%5BTitle%5D)+AND+%22Ecological+Informatics%22%5BJournal%5D)">Classifying insects on the fly.</a> Ecological Informatics. , (2013).</li>
<li>Mack, Y. P., Rosenblatt, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multivariate+k-nearest+neighbor+density+estimates%5BTitle%5D)+AND+%22Journal+of+Multivariate+Analysis%22%5BJournal%5D)">Multivariate k-nearest neighbor density estimates.</a> Journal of Multivariate Analysis. 9 (1), 1-15 (1979).</li>
<li>Benedict, M., Robinson, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+first+releases+of+transgenic+mosquitoes+an+argument+for+the+sterile+insect+technique%5BTitle%5D)+AND+%22TRENDS+in+Parasitology%22%5BJournal%5D)">The first releases of transgenic mosquitoes an argument for the sterile insect technique.</a> TRENDS in Parasitology. 19 (8), 349-355 (2003).</li>
<li>Chen, Y. Supporting Materials. , Available from: 
 <a target="_blank" href="https://sites.google.com/site/insectclassification">https://sites.google.com/site/insectclassification</a> Forthcoming.</li>
<li>Chen, Y., Why, A., Batista, G., Mafra-Neto, A., Keogh, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Flying+Insect+Classification+with+Inexpensive+Sensors%5BTitle%5D)+AND+%22Journal+of+Insect%22%5BJournal%5D)">Flying Insect Classification with Inexpensive Sensors.</a> Journal of Insect. 27 (5), 657-677 (2014).</li>
</ol>

Yazarlar hiçbir rakip mali çıkarlarının olmadığını beyan ederim.

Burada anlatılan sensörü / sınıflandırma çerçeve uçan böcekler ucuz ve ölçeklenebilir sınıflandırma sağlar. Sistem tarafından ulaşılabilir doğrulukları ticari ürünlerin geliştirilmesini sağlayacak kadar iyi ve entomolojik araştırmaları için kullanışlı bir araç olabilir. Doğru ve otomatik olarak uçan böcekler sınıflandırmak için ucuz, invaziv olmayan sensörleri kullanmak için yeteneği entomolojik araştırmaları için önemli etkileri olacaktır. Örneğin, böcek vektörleri saymak ve sınıflandırmak ...

Otomatik olarak uçuş tesadüfi ses kullanılarak böceklerin sınıflandırılması fikri ilk bilgisayarların günlük ve ticari olarak kullanılabilir ses kayıt cihazı, 1 kadar uzanır. Ancak, küçük ilerleme Aradan on yıl içinde bu sorun üzerinde yapılmıştır. Bu peşinde ilerleme eksikliği birçok ilgili faktörlere bağlanabilir. İlk olarak, etkili sensör eksikliği veri toplama güçleştirmiştir. Veri toplamak için en çabaları akustik mikrofonları 2-5 kullandık. Bu tür cihazlar çok seyrek ve düşük kaliteli veri sonuçlanan, çevre gürültü ve ortam gürültü rüzgar son derece duyarlıdır. İkincisi, bu veri kalitesi sorunları bileşik birçok araştırmacı çok karmaşık sınıflandırma modelleri, özellikle nöral ağları 6-8 öğrenmeye çalıştılar olmasıdır. Örnekler sadece onlarca, karmaşık sınıflandırma modelleri öğrenmek için çalışılıyor,aşırı uydurma için bir reçetedir. Üçüncüsü, elde veri zorlukla birçok araştırmacı 300 durumda 9 veya daha az gibi az, çok sınırlı verilerle sınıflandırma modelleri oluşturmak teşebbüs anlamına gelmektedir. Ancak, doğru sınıflandırma modeller oluşturmak için, daha fazla veri 10-13 daha iyi olduğu bilinmektedir. Bu çalışma üç sorunları giderir. Optik (yerine akustik daha) sensörleri gürültü ve ortam sesleri rüzgar tam değişmezliği ile, uzak metre böcek uçuş &quot;ses&quot; kaydetmek için kullanılabilir. Bu sensörler etiketli eğitim durumlarda, kombine önceki tüm çabalardan çok daha fazla veri milyonlarca kayıt izin ve böylece bu bezdiren aşırı uydurma önceki araştırma çabalarını önlemek var. Aşağıda gösterilmiştir bir ilkeli yöntem sınıflandırma modeli içine ek bilgi yerleştirilmesini sağlar. Bu ek bilgiler gündelik olarak ve olabildiğincezaman-of-day olarak-elde-kolay, henüz hala modelin doğruluğu önemli kazanımlar üretmek. Son olarak, biz toplanan verilerin büyük miktarda bize, basit, doğru ve sağlam sınıflandırmıstır üretmek için &quot;veri mantıksız etkinliği&quot; 10 yararlanmak için izin olduğu gösterilmiştir. Özetle, uçan böcek sınıflandırma araştırma laboratuvarında oluşturulan şüpheli iddiaları ötesine taşındı ve şimdi gerçek dünya dağıtım için hazır. Bu çalışmada sunulan sensörleri ve yazılımı dünya çapında araştırmalarını hızlandırmak için güçlü araçlar araştırmacılar sağlayacaktır.

<table><tbody><tr><td>Ses kaydedici: ICD-PX312</td><td>Sony</td><td>4-267-065-11(2)</td><td>8 GB microSD ekstra bellek ile</td></tr><tr><td>Böcek</td><td>Lee'nin Akvaryumu & Evcil Hayvan Ürünleri.</td><td>20088 HerpHaven&reg;, Büyük Dikdörtgen</td><td>14 1/2" uzunluk x 8 3/4" genişlik x 9 3/4" yükseklik. Böcekleri barındırmak için modifiye edilmiştir.</td></tr><tr><td>Lazer çizgi üreteci, 650 nm (kırmızı)</td><td>Apinex (www.apinex.com)</td><td>LN60-650</td><td>5 mW. Bu, bir öğretmenin lazer işaretçisine benzer düşük güçlü bir lazerdir</td></tr><tr><td>Fotodiyot dizisi</td><td>VISHAY YARI İLETKEN&nbsp; TEFD4300&nbsp; PIN FOTODIYOT, 650NM, 20DEG, T1</td><td>TEFD4300</td><td>Paralel olarak bağlanmış bu fotodiyotlardan 15 tanesinden oluşan özel bir dizi yaptık.</td></tr><tr><td>Analogdan dijitale dönüştürücü entegre devre</td><td>Laboratuvarımızda</td><td></td> özel olarak üretilmiştir <td>Bu ürünü kendimiz yaptık, ancak kolayca bulunabilen bir ticari ürün olan Gino PCF8591 AD/DA Converter aynı işlevselliği sağlar.</td></tr></tbody></table>

ucuz sensörler ile böcek tespit ve sınıflandırma uçan

Flying Insect Detection and Classification with Inexpensive Sensors

Doğru uçan böcekler sınıflandırmak olabilir ucuz, noninvaziv sistem entomolojik araştırmalar için önemli etkileri vardır ve hem tıbbi ve zirai entomoloji için vektör ve haşere kontrolünde birçok yararlı uygulamalar geliştirilmesi için olanak sağlayacak. Bu göz önüne alındığında, son altmış yıl bu göreve adanmış birçok araştırma çabalarını gördük. Ancak bugüne kadar, bu araştırmanın hiçbiri kalıcı bir etkisi olmuştur. Bu çalışmada, sözde-akustik optik sensörler, üstün veri üretebilir göstermektedir ki; ek özellikler, hem içsel ve böceğin uçuş davranış dışsal olduğunu, böcek sınıflandırma geliştirmek için istismar edilebilir; Bayes sınıflandırma yaklaşımı verimli uydurma fazla çok sağlam sınıflandırma modelleri öğrenmek için olanak sağlar, ve bu genel bir sınıflandırma çerçevesi kolayca özelliklerin keyfi sayıda dahil sağlar. Hepimiz önceki çalışmaları kombi cüce büyük ölçekli deneyler ile bulgularını göstermekNed, böceklerin sayısı ve kabul türlerin sayısı ile ölçülmüştür.

İki deney burada sunulmuştur. Deneyler için kullanılan veri rastgele 100.000 nesneleri içeren bir veri kümesi örnek seçildi. Birinci deney, doğru bir böceklerle değişik türleri / cinsiyeti sınıflandırmak için önerilen sınıflandırıcının kabiliyetini göstermektedir. Sınıflandırma doğruluğu sınıflandırılır böcekler bağlıdır olarak sınıflandırma doğruluğu için tek bir mutlak değer okuyucuya sistemin performansı hakkında iyi bir sezgi vermeyecektir. Bunun yerine, daha çok böcek sabit bir kümesi S...

Biz otomatik olarak ve doğru tespit saymak ve onların uçan sesi göre böcekler uçan sınıflandırmak ucuz, noninvazif sözde-akustik optik sensörler kullanan bir sistem önerdi.

Ucuz Sensörler ile Böcek Tespit ve Sınıflandırma Uçan

An inexpensive, noninvasive system that could accurately classify flying insects would have important implications for entomological research, and allow ...

Bu prosedürün genel amacı, kanat çırpma seslerine göre uçan böcekleri tespit etmek ve tanımlamaktır. Bu, önce bir deney odasında sürekli olarak ses kaydetmek için sahte bir akustik sensör kullanılarak gerçekleştirilir. İkinci adım, ham kayıttan böcek uçma seslerini otomatik olarak algılamaktır.Son adım, böcek türlerini ve cinsiyetini tanımlamak için algılanan uçuş seslerini otomatik olarak sınıflandırmaktır. Sonuç olarak, sınıflandırma doğruluğunu göstermek için şekiller ve tablolar kullanılır. Bu tekniğin ana avantajı, basit, ucuz olması ve yapışkan geziler ve şefaat gezileri gibi mevcut yöntemler kadar her yerde yapılabilmesidir, ancak daha yüksek doğruluk ve gerçek zamanlı izleme gibi dijital avantajlarla.Deneye başlamak için, standart laboratuvar koşullarında emaye tavalarda arka sivrisinek larvaları. Onları üçe bir oranında öğütülmüş kemirgen yemi ve bira mayası karışımı ile besleyin. Daha sonra, sivrisinek yavrularını 200 mililitrelik bardaklarda toplayın veya sivrisinek yetişkinlerini toplayın ve deney odalarına yerleştirin.Her deney odasının aynı tür ve cinsiyetten 20 ila 40 birey içerdiğinden emin olun. Yetişkin sivrisinekleri,% 10 sükroz ve su karışımı yiyin ve yiyecekleri haftada bir kez, haftada iki kez nemli ve pamuklu havlularla değiştirin ve nemi korumak için deney odalarının üzerine yerleştirin. Ek olarak, haznede her zaman 200 mililitrelik bir bardak musluk suyu bulundurun.Deney odalarını, deney süresince 20,5 ila 22 santigrat derece ve %30 ila 50 nemde 16 ila sekiz saatlik bir aydınlıktan karanlığa döngüde tutun. Deney odasını bir güç kaynağına bağlayın ve gücü açın. Lazer tüm fotoğraf diyotları üzerinde ortalanana kadar mıknatısları ayarlayarak lazer ışıklarını fotoğraf dizisine hizalayın.Ardından, önce sisteme güç verildiğinden ve lazerin fotoğraf dizisine işaret ettiğinden emin olarak iki akıl sağlığı kontrolü yapın. İkinci olarak, lazerin ve fotoğraf dizisinin hizalamalarının ses yakalayıp yakalayamayacağını kontrol etmek için hoparlörü ses jakına takın. Bir elinizi lazer kaynağı ucunun yakınındaki kafesin içine ve dışına daldırın.Lazer ışığının elinizde olduğundan emin olun ve sesin değişip değişmediğini görmek için dinleyin. El içeri girip çıkarken, elektronik bir diş fırçasına bir ip takın ve diş fırçasını açın. Lazer ışığının açık olduğundan emin olun.Ardından ipi lazer düzlemine taşıyın ve sesin değişip değişmediğini görmek için dinleyin. Sistem düzgün bir şekilde kurulduktan sonra, kafese böcekler ekleyin ve kapağı kapatın. Veri toplamaya başlamak için kayıt cihazını açın ve aşağıdaki bilgileri içeren bir sesli açıklama yapın ve kaydı duraklatın.Ardından, kayıt cihazını sisteme bağlayın ve kayda üç gün boyunca devam edin. Verileri kayıt cihazından yeni bir klasöre indirin ve verileri silerek kayıt cihazını boşaltın. Kalan böcekler ölene ve kafeste beşten fazla böcek kalmayana kadar kayıt işlemini tekrarlayın.Verileri işlemek için, bir kayıt oturumundan veri içeren her klasör için sirkadiyen WBF algılama yazılımını çalıştırın, MATLAB'ı açın ve MATLAB çalışma dizinini kod dizinine değiştirmek ve sirkadiyen WBF kodunu çalıştırmak için komut penceresine yazın. Ardından başlamak için enter tuşuna basın. Algoritma sona erdiğinde, algoritmanın yeni bir klasörde çıkardığı algılama sonuçlarını kontrol edin, sınıflandırıcı, artan sayıda sınıfla elde edilen sınıflandırma doğruluğunu gösteren tabloda gösterildiği gibi beşten fazla böcek türünü sınıflandırırken %96'dan fazla doğruluk elde eder.Sınıf sayısı 10'a çıktığında, doğruluk asla %79'un altına düşmezBu tanen, ayırma programını etkin bir şekilde planlamak için kullanılabilecek gerçek bilgiler üreterek materyal gibi hastalıklarla mücadeleye yardımcı olabilir. Ayrıca, çiftçilerin tarladaki zararlıları izleyerek mahsulleri üzerindeki kaza hasarlarının yayılmasını sınırlamalarına yardımcı olabilir.

flying-insect-detection-and-classification-with-inexpensive-sensors

Research

JoVE Journal

Bioengineering

Biyomühendislik

Manduca sexta'nın erken metamorfik evrelerinde elektrot implante etmek için yeni bir cerrahi prosedür sunuyoruz. Bu teknik, uçuş nörofizyoloji dinamiklerini incelemek için nöromüsküler doku ile mekanik olarak stabil ve elektriksel olarak güvenilir bir eşleşmeye izin verir. Ayrıca, böcek yalpalama ile ilgili bağlı çalışmalar için yeni bir manyetik kaldırma platformu sunuyoruz.

Böcek Uçuş Behavior Monitoring için erken Metamorfik Yerleştirme Teknoloji

Otonom robotlarda elektroantennogramlar (EAG'ler) şeklinde böcek antenleri kullanmak için bir protokol açıklıyoruz. Deneysel tasarımımız, bir gün içinde sabit kayıtlara izin verir ve 10 Hz'e kadar bireysel koku yamalarını çözer. Koku aramaları için EAG sensörlerinin verimliliği, bir robotu bir koku kaynağına doğru sürerken gösterilmiştir.

Koku Aramalar için Otonom Robotlar Böcek elektroantenogram Sensörleri kullanarak

Böceklerde kaçış bir dizi faktörden etkilenir ve dağılma eğilimi, böcek ekolojisi ve biyolojik kontrol stratejilerinin anlaşılmasında önemli bir değişkendir. Böceklerde bağlı uçuş parametrelerini ölçmek için basit, nispeten ucuz ve esnek bir uçuş değirmeninin yapımını ve kullanımını açıklıyoruz.

Böcekler Tethered Flight Araştırmaları Basit Uçuş Mill

Bir koku kaynağı yerelleştirilmesine yeteneği böcek hayatta kalmak için gerekli olan ve yapay koku izleme için geçerli olması bekleniyor. Böcek kontrollü robot gerçek bir silkmoth tarafından tahrik ve bir robot platform üzerinden böceklerin koku izleme yeteneği değerlendirmek için bize sağlar edilir.

Böcek kontrollü Robot: Bir Mobil Robot Platformu bir Böcek Koku izleme Yeteneği değerlendirin

Biz küçük ve düşük maliyetli uçuş değirmen geliştirilip, yaygın olarak bulunan öğelerle inşa ve kolayca deneme kullanılan. Bu cihaz kullanarak, bir ambrosia böceği, Platypus quercivorusuçuş yeteneğini şiddetindeydi.

Ambrosia Beetle, Platypus Quercivorus (Murayama), ucuz, küçük ve kolayca inşa uçuş Mill kullanarak uçuş yeteneği ölçme

Ölçüm böcek ortaya çıkması kalıplarının duyarlık gerektirir. Sadece yarı otomatik ve örnek boyutu sınırlıdır varolan sistemlerdir. Biz bu konularda mikrodenetleyiciler tam olarak ortaya çıkan böcekler çok sayıda ortaya çıkması zamanı ölçmek için kullanılan bir sistemin tasarlayarak ele.

Böcek ortaya çıkışı desenler tespiti için hassas ve özerk bir sistem

Burada, koku böcekler ile davranış deneyleri aracılı için inşaat ve bir rüzgar tüneli kullanımını açıklar. Rüzgar Tüneli tasarım çeşitli yöntemler ve olmayan görsel uyaranlara tarafından koku kaynakları serbest kolaylaştırır. Rüzgar Tüneli deneyler davranışsal etkin uçucu kimyasalları tanımlamak için önemli yöntemlerdir.

Koku için bir rüzgar tüneli böcek davranış deneyleri aracılı

Bu protokol, daha esnek bir uçuş değirmeni tasarımı oluşturmak için makerspace'lerde bulunan üç boyutlu (3D) yazıcıları ve lazer kesicileri kullanır. Araştırmacılar bu teknolojiyi kullanarak maliyetleri azaltabilir, tasarım esnekliğini artırabilir ve bağlı böcek uçuş çalışmaları için uçuş değirmenlerini inşa ederken tekrarlanabilir işler üretebilirler.

Bağlı Böcek Uçuşunun Çalışması İçin Gelişmiş Bir Uçuş Değirmeni İnşa Etmek

Bu çalışma, silkmoth antenlerine dayanan biyo-hibrit koku tespit eden bir drone için deneysel protokoller sönmektedir. Spiral-surge algoritması kullanılarak koku kaynağı lokalizasyonu için tasarlanmış bir biyo-hibrid drone'un yapısına ek olarak, silkmoth antenli deneysel bir elektroantennogram cihazının çalışması sunulmaktadır.

Koku Kaynağı Lokalizasyonu için Silkmoth Anteni Kullanan Elektroantenografi Tabanlı Biyo-hibrid Koku Tespit Drone

Geceleri yapay ışığın (ALAN) gece uçan böcekler üzerindeki etkilerini incelemek için, örneklemenin gece vakti ile sınırlı olması gerekir. Protokol, araştırmacıların kullanıcı tanımlı dönemlerde artan çoğaltma ile örnekleme yapmalarını sağlayan düşük maliyetli bir otomatik uçuş durdurma tuzağını tanımlamaktadır.

Geceleri Yapay Işığa Çekilen Uçan Böceklerin Zamansal Alt Örneklemesi için Düşük Maliyetli Otomatik Uçuş Engelleme Tuzağı

Bu protokol, böcekler için harmonik radar etiketleri oluşturma, takma ve izleme yöntemlerini sunar.

Böcek Takibi için Harmonik Radar Etiketleri: Hafif, Düşük Maliyetli ve Erişilebilir

Keşfedin ucuz sensörlerle sinek tespiti ve sınıflandırma yöntemini. Bu teknik kanat vuruş seslerine dayanarak tür ve cinsiyet belirleme sağlar. Gerçek zamanlı izleme ve yüksek doğrulukla ekolojik çalışmalarda kullanılabilir.

Ucuz Sensörler ile Böcek Tespit ve Sınıflandırma Uçan

Daha fazla video keşfet