Полет обнаружения насекомых и классификации с недорогих датчиков

Bioengineering

Your institution must subscribe to JoVE's Bioengineering section to access this content.

Fill out the form below to receive a free trial or learn more about access:

 

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.

Cite this Article

Copy Citation | Download Citations

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).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

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.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1 Insect Colony и Разведение

  1. Москитная Colony и Разведение
    1. Задние Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma, и Aedes aegypti взрослых от лабораторных колоний, которые возникли от дикой поймали лиц.
    2. Задняя личинки комаров в эмалированную посуду в стандартных лабораторных условиях (27 ° С, 16: 8 ч света: темно [LD] цикл с 1 ч периоды Сумерки / рассвет), и кормить их вволю на смеси земли грызунов и пивные дрожжи (3: 1, по объему).
    3. Соберите комаров куколки в 200 мл чашки, и поместить их в экспериментальных камерах. Кроме того, аспирации взрослых комаров в экспериментальных камерах в течение 1 недели появления. Убедитесь, что каждый экспериментальная камера содержит от 20 до 40 особей того же вида / пола.
    4. Кормовые взрослых комаров вволю на 10% сахарозы и водной смеси. Заменить пищи еженедельно.
    5. Смочить ватные полотенца два раза в неделю и пласе их сверху экспериментальных камер, чтобы поддерживать влажность в клетке. Кроме того, поместить в 200 мл чашку водопроводной воды в камере в любой момент времени, чтобы помочь сохранить общий уровень влажности.
    6. Поддержание экспериментальные камеры на 16: 8 ч света и темноты [LD] цикл, 20.5-22 ° C и 30-50% относительной влажности в течение всего срока эксперимента.
  2. Дом Fly и муха Colony и Разведение
    1. Задняя Муха доместика из лаборатории колонии, происходит от дикой поймали лиц. Поймать диких Drosophila simulans лиц и тыл их в экспериментальных камерах.
    2. Задний Musca Domestica личинки в пластиковые ваннами в стандартных лабораторных условиях (12:12 ч света и темноты [LD] цикл, 26 ° С, 40% относительной влажности) в смеси воды, муки из отрубей, люцерна, дрожжей и сухого молока. Задние Drosophila simulans личинки в воспитании камеры и кормить их вволю на смеси гниенияфрукты.
    3. Аспирируйте взрослых Муха доместика в экспериментальных камерах в течение 1 недели появления. Взрослые Drosophila simulans можно непосредственно выращены в экспериментальных камерах. До сбора данных, убедитесь, что каждая экспериментальная камера не содержит не более 10-15 индивидуальный Musca Domestica или 20-30 индивидуальных Drosophila simulans.
    4. Поток взрослых Musca Domestica вволю на смеси сахара и низким содержанием жира сухого молока, со свободным доступом к воде. Поток взрослых Drosophila simulans вволю на смеси гниющих фруктов. Заменить пищи еженедельно.
    5. Поддержание экспериментальные камеры на 16: 8 ч света и темноты [LD] цикл, 20.5-22 ° C и 30-50% относительной влажности в течение всего срока эксперимента.

2. Запишите Летающие Звуки в экспериментальные камеры

  1. Экспериментальная палата Setup
    Примечание: "экспериментальный CHamber "обозначает клетку, предназначенный в нашей лаборатории, в которой был записан данных. Датчик достаточно недорогой. Когда построили оптом, набор до можно изготовить менее чем за $ 10.
    1. Построить экспериментальную камеру, либо большего размера: 67 см Д х 22 см Ш х 24,75 см Н, или меньшего размера: 30 см Д х 20 см Ш х 20 см H. Экспериментальная камера состоит из массива фототранзистора и лазерная линия указывает на массив фототранзистора.
      Примечание: Кроме того, камера состоит из Kritter Хранителей, которые были изменены, чтобы включить устройство датчика, а также втулку, прикрепленную к части труб из ПВХ, чтобы разрешить доступ к насекомым.
    2. Подключите массив фототранзистор к электронной плате. Выход электронной плате каналы в цифровой диктофон и записывается как аудио данных в формате MP3. Смотреть логическую конструкцию датчика в рисунке 1.II и физического версии камеры на рисунке 1.I.
    3. ПРИМЕЧАНИЕ: Когда насекомое летит через лазерный луч, крылья частично закрывают свет, в результате чего небольшие колебания света. Световые колебания захватываются массива фототранзистора как изменения в текущих, а сигнал фильтруется и усиливается специально созданных электронная плата.
  2. Настроить систему для записи звука Подготовлено летающих насекомых
    1. Подключите экспериментальную камеру к источнику питания. Включите питание.
    2. На экспериментальной камере, найти лазерные лучи и фотоматрица. Совместите лазерные лучи к фотоматрица. Для достижения правильного выравнивания, регулировать фотоматрица с помощью магнитов на внешней экспериментальной камере, которые соответствуют магнитов, прикрепленных к фотоматрица на внутренней камере, пока лазерный луч не сосредоточена на всех индивидуальных photodiodэс.
    3. Выполните два вменяемости проверок, чтобы убедиться, что система правильно настроить.
      Примечание: Первый шаг, чтобы убедиться, что система работает, все провода правильно подключены и лазер указывая на фото массива. Второй шаг заключается в проведении дальнейших проверок на лазерной центровки для обеспечения он может захватить звук wingbeats насекомых.
      1. Подключите наушники (вместо диктофона) в гнездо для наушников. Выточка руку в и из экспериментальной камере, вблизи фотоматрица, чтобы разбить плоскость лазерного света. Убедитесь, что лазерный луч на (это будет красный луч света) и, что вы нарушаете плоскости света несколько раз рукой. Прислушайтесь к изменениям в уровне шума, как ваша рука входит и выходит из светового пучка. При обнаружении звуковой разницу, датчик способен захватить звуки, производимые движением больших объектов. В случае успеха, перейти к следующей проверки отсутствия ошибок, иначе, проверить, если наушники подключены правильно или лазер указывая на фотоматрица. Отрегулируйте фотоматрица соответственно так, чтобы звук от руки не движется в и из экспериментальной камере можно услышать.
      2. Прикрепите тонкий кусок электропроводки к автоматическому зубной щеткой. Включение зубной щетки и погрузить проводку в и из экспериментальной камере, близкой к phototarray. Убедитесь, что лазерный свет бьет кусок проводки, как она движется. При обнаружении звуковой изменение в частоте, когда кусок проводки разрывает плоскость лазерного луча, система готова для захвата звуков, издаваемых при движении мелких объектов, т.е. звуков насекомых. Если вы не обнаружить заметное снижение, вернитесь к шагу 2.2.2 повторно совместите лазерные лучи и фотоматрица.
    4. После того как система правильно настроен, закройте крышку и добавьте насекомых.
  3. Сбор данных: Запись звуков, производимых летающих насекомых
    1. Включите видеомагнитофон и сделать Voicэ аннотации, что включает в себя следующую информацию: название вида в экспериментальной камере, возраст насекомых, дата и время, текущей окружающей РТ, и относительной влажности. Приостановит запись.
    2. Подключите диктофон к системе, с помощью аудио кабеля, и возобновить запись. Оставьте рекордер для записи в течение 3 дней, затем остановить запись.
    3. Скачать данные с регистратора в новую папку на ПК. Слейте диктофон, удалив данные.
    4. Повторите описанную выше процедуру записи, пока остальные насекомые не вымерли и есть не более 5 насекомых осталось в живых в клетке.

Обработка 3 Датчик данных и Обнаружение звуков, производимых летающих насекомых

  1. Используйте программное обеспечение для обнаружения звуков, производимых летающих насекомых.
    Примечание: Программное обеспечение (алгоритм обнаружения) гораздо быстрее, чем в реальном времени. Она занимает меньше 3 часов обрабатывать сессии записи, то есть три дня DAT, на стандартном компьютере с Intel (R) Core ™ CPU на 2,00 ГГц и 8 Гб оперативной памяти.
    1. Для каждой папки, содержащей данные из сеанса записи, запустить программу обнаружения для обнаружения звуков насекомых. Для запуска программы, открытое MATLAB, и наберите "circandian_wbf (DATADIR)" в окне командной, где DATADIR это каталог из записи данных. Затем нажмите "Enter", чтобы начать.
      ПРИМЕЧАНИЕ: Скачать программное обеспечение для обнаружения circadian_wbf из источника № 16.
    2. Подождите, пока алгоритм не прекращает, а затем проверить результаты обнаружения. Выходы алгоритм всех обнаруженных насекомых звуков в новую папку под названием "DATADIR _extf", где DATADIR является такой же, как в предыдущем шаге. Каждый звуковой файл представляет собой 1 сек пор, аудиоклип первоначально извлечены из сырого записи, с цифровой фильтр применяется для удаления шума. Время появление каждого зарегистрированного звука сохраняется в файле с именем "DATADIR _time.mat &# 8221 ;. Соблюдайте пример обнаруженного звука насекомых на рисунке 2.
  2. Обнаружение Алгоритм
    1. Используйте длинные раздвижные окна 0,1 сек скользить через записи. Скользящее окно начинается с начала записи. Для каждого окна, выполните следующие действия.
      1. Вычислить основную частоту текущего окна.
      2. Если основная частота находится в диапазоне от 100 Гц до 1200 Гц, а затем сделать следующее:
        1. Извлеките 1-сек длинный звуковой клип центрирование на текущем окне от записи; применить цифровой фильтр для удаления шума в клипе и сохранить отфильтрованный аудио в папку "DATADIR _extf".
        2. Сэкономьте время возникновения текущего окна в файл "DATADIR _time".
        3. Перемещение окна до того, что непосредственно следует извлеченный аудио этот клип.
      3. Если основной фрequency НЕ в диапазоне от 100 Гц до 1200 Гц, просто переместите скользящий окно 0,01 сек вперед.
    2. Повторите процесс, пока скользящее окно не достигнет конца записи.

4 Insect Классификация

  1. Байеса Классификация Использование Просто Летающий Sound
    Примечание: байесовский классификатор является вероятностной классификатор, что классифицирует объект в его наиболее вероятного класса.
    1. Звук Функция Вычисление
      1. Для каждого звука насекомых, вычислить частотный спектр звука с использованием дискретного преобразования Фурье (ДПФ). Обрезать частотный спектр, чтобы включать только те точки данных, соответствующие диапазоне частот: от 100 Гц до 2000 Гц. Укороченный частотный спектр затем используется в классификации как "представитель" из насекомых звука.
        Примечание: ДПФ представляет собой алгоритм, который преобразует сигналы во временной области в частотную область. Это Буйл-в функции в большинстве библиотек программирования, и можно назвать в программе с помощью одной строки кода.
    2. Поезд байесовский классификатор
      1. Используйте плотности Knn оценки подхода 14, чтобы узнать распределение задней вероятности, используя звуковой функцию. С приближением Knn, фаза тренировки построить тренировочный набор данных.
        1. Случайно отведать ряд звуков насекомых от данных, собранных для каждого вида насекомых.
        2. Следуйте инструкциям в разделе 4.1.1 и вычислить усеченный спектр частот для каждого сэмпла. Укороченные спектры вместе с класса этикеток образцов были (название видов насекомых) состоит учебный набор данных.
    3. Используйте Байеса классификатор классифицировать неизвестный насекомое
      1. Вычислить усеченный частотный спектр неизвестного насекомого звука.
      2. Вычислить евклидово расстояние между усеченной спектра неизвестнаян возразить и все усеченные спектры в учебном наборе данных.
      3. Найти верхнюю К (К = 8 в этой статье) ближайших соседей неизвестного объекта в учебном наборе данных. Вычислить заднюю вероятность неизвестного насекомого звука, принадлежащего к классу как доля лучших K ближайших соседей, которые помечены как класса.
      4. Оцените неизвестный объект к классу, который имеет самый высокий задний вероятность.
  2. Добавить функцию с Классификатором: Insect циркадный ритм
    1. Узнать распределения класса с кондиционером того времени возникновения звука насекомых, то есть циркадный ритм для каждого вида насекомых.
      1. Получить время появления каждого звука от результатов обнаружения (CF раздел 3.2).
      2. Для каждого вида, построить гистограмму насекомых времени звук возникновения.
      3. Нормализация гистограмму, так что площадь гистограммы один. Нормальныйзуется гистограмма является циркадный ритм данного вида. Это говорит вероятность наблюдения насекомое, из этого вида, в полете в течение определенного периода времени.
    2. Оцените неизвестный "насекомых звук" путем объединения "насекомых звук" и циркадный ритм
      1. Учитывая особый момент времени, в котором неизвестно насекомое звук произошло, получить вероятность наблюдения насекомое класса на основе циркадного ритма класса.
        ПРИМЕЧАНИЕ: циркадный ритм является распределение вероятностей. Это массив, определяющий вероятность обнаружения звука, производимого определенным видом насекомых, в определенное время суток. Поэтому, как только дается время, можно просто проверить массив, чтобы получить вероятность.
      2. Следуйте инструкциям в разделе 4.1.2 для вычисления заднюю вероятность того, что неизвестно звук относится к классу с помощью звуковых возможностей. Умножьте заднюю вероятность результатам сюдам предыдущий шаг, чтобы получить новый задний вероятность.
      3. Оцените «неизвестное звук" к классу, который имеет самый высокий новый задний вероятность.
  3. Добавить еще один объект, чтобы Классификатора: Insect географического распределения
    1. Узнать географическое распределение видов представляют интерес, или от данных, опубликованных в исторических записей, соответствующей литературы, или просто собрать из первых рук знания из полевых техников / биологов. Для демонстрационных целей, использовать имитацию графического распределения, как показано на рисунке 7.
    2. Оцените «неизвестное насекомое звук", используя "летающий звук" и две дополнительные функции.
      1. Учитывая географическое расположение, где был перехвачен насекомое звук, вычислить вероятность наблюдения насекомое от класса в то определенном месте с помощью графического распределение видов.
        1. Выполните шаги в разделе 4.2.2й вычислить заднюю вероятность того, что "неизвестный звук" принадлежит к классу с помощью звуковых возможностей и циркадные ритмы. Умножьте результат этого шага к результатам от предыдущего шага, чтобы получить новый задний вероятность.
      2. Оцените «неизвестное звук" к классу, который имеет самый высокий новый задний вероятность.
  4. Общие рамки Добавление функций
    1. Рассмотрим Байеса классификатор, который использует только звуковые особенности в качестве основного классификатора. Чтобы добавить новые функции в классификатор выполните следующие действия.
      1. В фазе подготовки, узнать класса с кондиционером плотности функции новой функции.
      2. В стадии классификации, учитывая новые особенностью «неизвестного звука", вычислить вероятность обнаружения функцию в классе с использованием функции плотности полученные в предыдущем шаге. Умножьте новый вероятность к прevious апостериорная вероятность, соответствующая «неизвестного звука", принадлежащего к классу которых были рассчитаны на основе всего нечетных функций, для получения новой задней вероятность. Оцените неизвестный объект к классу, который имеет самый высокий новый задний вероятность.

Subscription Required. Please recommend JoVE to your librarian.

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 классифицировать различные виды / пола насекомых. Как точность классификации зависит от насекомых, чтобы быть классифицированы, один абсолютное значение для точности классификации не дать читателю хорошей интуицией о производительности системы. Вместо этого, вместо того, отчетности точность классификатора на фиксированный набор насекомых, классификатор был применен к наборам данных с приращением увеличением числа видов, и, следовательно, увеличения классификации трудности.

Набор данных началась с всего 2 видов насекомых; то на каждом шаге, добавляют больше одного вида (или одного пола сексуально диморфных видов) и классификатор используется для классификации увеличилисьчисло видов (новый набор данных). В общей сложности десять классов насекомых (разного пола из того же вида в расчете как различные классы) были рассмотрены, с 5000 экземпляров в каждом классе.

Классификатор используется как насекомых-звук (частотного спектра) и время-перехватом для классификации. Таблица 1 показывает точность классификации, измеренный при каждом шаге и соответствующего класса добавленной на этом шаге.

Согласно таблице 1, классификатор достигает более 96% точности при классификации не более 5 видов насекомых, значительно более высокие, чем ставки по умолчанию 20% точностью. Даже тогда, когда число классов рассматривать увеличивается до 10, точность классификации никогда не ниже, чем 79%, еще раз значительно выше, чем скорости по умолчанию 10%. Обратите внимание, что десять классов не легко отделить, даже с помощью человека. Среди десяти видов, восемь из них являются комары, остроумиеч шесть из которых являются из того же рода.

Второй эксперимент, чтобы показать, насколько точно система может секса летающих насекомых, в частности, различать мужчин Ae. Aegypti комаров от самок. Для первой части эксперимента предположим, что "стоимость неправильная классификация" из неправильной оценки мужчин, как женщин так же, как стоимости неправильной оценки самок, как мужчин. При таком предположении, результаты классификации, приведены в таблице 2.I. Точность классификации для секса Ae. Aegypti о 99,4%.

Для второй части эксперимента, предположим, стоимость не асимметричный, т.е., неправильная классификация женщин, как мужчин гораздо более дорогостоящим, чем наоборот. При таком предположении, порог принятия решения классификатора был изменен, чтобы уменьшить количество высокой стоимости неправильной классификации. С порога правильно отрегулирован, результаты классификации в таблице 2.Были достигнуты II. Из 2000 насекомых в эксперименте, двадцать два мужчины и ноль самки неправильно классифицирован.

Рисунок 1
Рисунок 1 (Я) Один из экспериментальных клетках, используемых для сбора данных. (II) логично версия установки датчика с компонентами аннотированных. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 2
Рисунок 2 (Я) пример 1 сек аудиоклипе содержащей "летающее насекомое звук" сгенерированный датчиком. Звук был произведен женской CX. Stigmatosoma. InSeКТ звук будет выделена красным / шрифтом. (II) "насекомое звук", который был очищен и сохранен в течение длительного аудиоклипе 1-сек центрируя сигнал насекомых и отступы с 0s в другом месте. (III) частотный спектр насекомое звук, полученный с помощью дискретного преобразования Фурье. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 3
Рисунок 3 байесовской сети, которая использует единую функцию для классификации.

Рисунок 4
Рисунок 4 байесовской сети, которая использует два независимых функций для classificat ионный

Рисунок 5
Рисунок 5. суточные ритмы Сх. stigmatosoma (женщина), Сх. tarsalis (мужчины), и Ae. aegypti (женщина), уроки на основе наблюдений, полученных с помощью датчика, которые были собраны в течение 1 продолжительности месяца. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 6
Рисунок 6 байесовской сети, которая использует три независимых функций для классификации.

г "/>
Рисунок 7 Предположения географических распределений каждого вида насекомых и расположения датчиков в симуляции, чтобы продемонстрировать эффективность использования расположение-в-перехвата функцию в классификации. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 8
Рисунок 8 Общая байесовской сети, которая использует п функции для классификации, где п целое положительное число. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Шаг Specх годов Добавлено Классификация точность Шаг Виды Добавлено Классификация точность
1 Ae. aegypti N / A 6 Cx. quinquefasciatus 92.69%
2 Муха доместика 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%

Таблица точность 1 Классификация с увеличением количества классов.

Прогнозируемая класс Прогнозируемая класс
Я (Симметричный стоимость) женский мужчина II (Asymmetric стоимость) женский мужчина
Фактический класс женский 993 7 Фактический класс женский 1000 0
мужчина 5 995 мужчина 22 978

Таблица 2 (I) Матрица неточностей для секса дискриминации Ae. Aegypti комаров с порогом принятия решения для женщин устанавливается в размере 0,5 (т.е. же затрат предположения). (II) Путаница матрица секса те же комары, с решением Порог для женщин, поставленных на 0,1.

Subscription Required. Please recommend JoVE to your librarian.

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.

Возможность использовать недорогие, неинвазивные датчики для точного и автоматически классифицировать летающих насекомых будет иметь значительные последствия для энтомологических исследований. Например, путем развертывания системы в области рассчитывать и классифицировать насекомых, являющихся переносчиками, система может обеспечить в режиме реального времени рассчитывает целевых видов, производству информацию в режиме реального времени, который можно использовать для планирования программ вмешательства / подавления для борьбы с малярией. Кроме того, система может автоматически разделить насекомых по полу, и, таким образом, он может быть использован для свободных энтомологов, работающих на метода стерильных насекомых 15 от утомительной и трудоемкой задачей вручную определение пола насекомых. </ P>

При использовании этой системы, наиболее важным шагом является правильно настроить датчик для сбора данных. Если лазер и фото массив не выровнены, данные будет очень шумно. После того, как насекомые помещают в клетку, фото массива всегда должны быть доработаны с помощью магнитов на внешней части клетки. Обратите внимание, что мигающие огни, вспышки фотоаппаратов и колебания вблизи клеток представит шум данным. Поэтому для получения достоверных данных, разместить клетку в темной комнате, и там, где это необходимо, поместите сухие полотенца под клетками с целью уменьшения уровня вибрации.

Классификатор представлены в этой работе используются всего две дополнительные функции. Тем не менее, может быть десятки дополнительных функций, которые могут помочь улучшить производительность классификации. Как потенциальные функции домен и специализированную, пользователи могут выбрать функции, основанные на их конкретных потребностей или приложений. Общие рамки из клassifier позволяет пользователям легко добавлять новые функции в классификатор, чтобы повысить производительность классификации.

Чтобы стимулировать принятие и расширение наших представлений, мы делаем все схемы код, данные и датчиков в свободном доступе в УЦР вычислительного энтомологии Page 16-17. Кроме того, в рамках нашего бюджета, мы будем продолжать нашу практику предоставления полной системы (как показано на рисунке 1) для любой исследовательской энтомолога, который просит один.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Авторы заявляют, что они не имеют конкурирующие финансовые интересы.

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 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

  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 Forthcoming.
  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. 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).
  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. Chen, Y. Supporting Materials. Available from: https://sites.google.com/site/insectclassification Forthcoming.
  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).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics