Fliegen-Insekt Erkennung und Klassifizierung mit preiswerten Sensoren

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

Wir haben vorgeschlagen, ein System, das preiswert, nicht-invasive Pseudo-akustisch-optische Sensoren verwendet, um automatisch und genau zu erfassen, zu zählen und zu klassifizieren fliegenden Insekten basierend auf ihren fliegenden Sound.

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

Eine preiswerte, nicht-invasive System, das genau zu klassifizieren könnte fliegenden Insekten würden wichtige Implikationen für die entomologische Forschung haben, und damit für die Entwicklung von vielen nützlichen Anwendungen in Vektor-und Schädlingsbekämpfung für medizinische und landwirtschaftliche Entomologie. Angesichts dieser, haben die letzten 60 Jahre viele Forschungsanstrengungen dieser Aufgabe gewidmet gesehen. Bis heute ist jedoch keine dieser Forschung hat einen bleibenden Einfluss hatte. In dieser Arbeit zeigen wir, dass Pseudo-akustisch-optische Sensoren überlegen Daten zu erzeugen; dass zusätzliche Funktionen, sowohl intrinsische als auch extrinsische, um das Flugverhalten der Insekten, kann der Angreifer ausnutzen, um Insekten Klassifizierung zu verbessern; dass ein Bayes-Klassifizierung Ansatz erlaubt es, Klassifikationsmodelle, die sehr robust zu Überanpassung sind effizient zu lernen, und eine allgemeine Klassifizierung Rahmen erlaubt es, einfach zu integrieren beliebige Anzahl von Funktionen. Wir zeigen die Ergebnisse mit großen Experimente, die in den Schatten stellen alle bisherigen Werke combiNed, wie durch die Anzahl der Insekten und der Anzahl der betrachteten Spezies gemessen.

Introduction

Die Idee der automatischen Klassifizierung von Insekten mit dem Neben Klang ihrer Flug stammt aus den frühen Tagen der Computer und handelsüblichen Audio-Aufnahmegeräte 1. Allerdings hat kaum Fortschritte auf dieses Problem in den folgenden Jahrzehnten gemacht worden. Der mangelnde Fortschritt in diesem Streben kann auf mehrere Faktoren zurückgeführt werden verwandten.

Erstens hat das Fehlen einer wirksamen Sensoren Datenerfassung erschwert. Die meisten Versuche, die Daten zu sammeln haben akustische Mikrofone 2-5 verwendet. Solche Vorrichtungen sind sehr empfindlich gegenüber Rauschen und Umgebungsrauschen Wind in der Umgebung, was zu sehr spärlich und Daten geringer Qualität.

Zweitens Compoundierung diese Datenqualitätsprobleme ist die Tatsache, dass viele Forscher haben versucht, sehr kompliziert Klassifikationsmodelle, insbesondere neuronale Netze 6-8 zu lernen. Der Versuch, komplizierte Klassifikationsmodelle zu lernen, mit gerade einmal zehn Beispiele,ist ein Rezept für Überanpassung.

Drittens, die schwer zu erhalten, Daten dazu geführt, dass viele Forscher als 300 Fällen 9 oder weniger versucht, Klassifikationsmodelle mit sehr begrenzte Daten zu bauen, da nur wenige. Es ist jedoch bekannt, dass für den Aufbau eine genaue Klassifizierungsmodelle, besser 10-13 mehr Daten.

Diese Arbeit richtet sich an alle drei Fragen. Optische (und nicht akustisch) Sensoren können verwendet werden, um die Aufnahme "Sound" der Insektenflug von Meter entfernt, mit kompletter Invarianz gegen Windgeräusche und Umgebungsgeräusche. Diese Sensoren haben die Aufnahme von Millionen von markierten Trainingsinstanzen, weit mehr Daten als alle bisherigen Bemühungen kombiniert erlaubt, und so dazu beitragen, die Überanpassung geplagt hat, dass vorherige Forschungsanstrengungen zu vermeiden. Eine prinzipielle Verfahren wird unten gezeigt, dass ermöglicht den Einbau von zusätzlichen Informationen in die Klassifikationsmodell. Diese zusätzlichen Informationen können als alltägliche und als seineinfach zu erhalten, als die Zeit der Tage, doch erzeugen erhebliche Gewinne in der Genauigkeit des Modells. Schließlich wird gezeigt, dass die enormen Mengen an Daten, die wir gesammelt erlauben es uns, die Vorteile von "The unvernünftig Wirksamkeit der Daten" 10, um einfache, genaue und robuste Klassifikatoren zu produzieren.

Zusammenfassend hat Fluginsekten Klassifizierung über die zweifelhafte Ansprüche im Forschungslabor erstellt verschoben und ist nun bereit für die realen Einsatz. Die Sensoren und Software in dieser Arbeit vorgestellt werden Forscher weltweit bieten robuste Werkzeuge, um ihre Forschung zu beschleunigen.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Insektenkolonie und Aufzucht

  1. Moskito Kolonie und Aufzucht
    1. Hinter Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma und Aedes aegypti Erwachsene aus Labor Kolonien, die aus Wildfänge stammen.
    2. Hintermückenlarven in Emaille Pfannen unter Standardlaborbedingungen (27 ° C, 16: 8 Stunden Licht: dunkel [LD] Zyklus mit 1 Stunde der Dämmerung / Dämmerung Zeiten), und füttern sie ad libitum auf einer Mischung von Boden Nagerfutter und Bierhefe (3: 1, v: v).
    3. Moskito sammeln Puppen in 200 ml Becher, und legen Sie sie in Versuchskammern. Alternativ aspirieren die erwachsenen Mücken in Versuchskammern innerhalb 1 Woche nach Entstehung. Stellen Sie sicher, jeder Experimentierkammer enthält von 20 bis 40 Individuen der gleichen Art / Sex.
    4. Feed erwachsenen Mücken ad libitum auf einem 10% Saccharose-Wasser-Gemisch. Ersetzen Lebensmittel wöchentlich.
    5. Befeuchten Baumwolle Handtücher zweimal pro Woche und place sie oben auf den Versuchskammern, um Feuchtigkeit in dem Käfig zu halten. Darüber hinaus legen Sie eine Tasse 200 ml Leitungswasser in der Kammer zu allen Zeiten zu helfen, die Gesamtfeuchtigkeitsniveau.
    6. Pflegen Sie die Versuchskammern auf einem 16: 8 Stunden Licht: dunkel [LD] Zyklus 20,5-22 ° C und 30-50% RH für die Dauer des Experiments.
  2. Haus-Fliege und Fruit Fly Kolonie und Aufzucht
    1. Hinter Musca domestica von einem Labor-Kolonie, abgeleitet aus Wildfänge. Fangen wilde Drosophila simulans Personen und Hinter sie in den Versuchskammern.
    2. Hinter Musca domestica-Larven in Plastikwannen unter Standard-Laborbedingungen (00.12 h Licht: Dunkelheit [LD] Zyklus, 26 ° C, 40% RH) in einem Gemisch aus Wasser, Kleie Mahlzeit, Luzerne, Hefe und Milchpulver. Hinter Drosophila simulans Larven in einem Aufzuchtraum und füttern sie ad libitum auf einer Mischung von FäulnisObst.
    3. Absaugen Erwachsenen Musca domestica in Versuchskammern innerhalb 1 Woche nach Entstehung. Erwachsene Drosophila simulans können direkt in den Versuchskammern aufgezogen werden. Vor der Datenerhebung, sicherzustellen, dass jeder Versuchskammer nicht mehr als 10-15 Einzel Musca domestica oder 20-30 einzelnen Drosophila simulans.
    4. Füttern Erwachsenen Musca domestica ad libitum auf einer Mischung aus Zucker und fettarme Trockenmilch, mit freiem Zugang zu Wasser. Feed erwachsenen Drosophila simulans ad libitum auf einer Mischung von faulenden Früchten. Ersetzen Lebensmittel wöchentlich.
    5. Pflegen Versuchskammern auf einem 16: 8 Stunden Licht: dunkel [LD] Zyklus 20,5-22 ° C und 30-50% RH für die Dauer des Experiments.

2. Notieren Fliegen Sounds in Versuchskammern

  1. Versuchskammer-Setup
    Hinweis: Ein "Versuchs cHamber "den Käfig in unserem Labor entwickelt, in denen die Daten aufgezeichnet wurden. Der Sensor ist relativ kostengünstig. Wenn in Groß gebaut, könnte ein Satz für weniger als $ 10 hergestellt werden.
    1. Konstruieren Sie einen Experimentierkammer, eine der größeren Größe: 67 cm L x 22 cm B x 24,75 cm H oder der geringeren Größe: 30 cm L x 20 cm B x 20 cm H. Die Experimentierkammer besteht aus einem Fototransistor und einem Array Laserlinie zeigt auf den Fototransistor-Array.
      HINWEIS: Zusätzlich kann die Kammer aus Kritter Wächter, die modifiziert sind, um die Sensorvorrichtung sowie eine Hülse mit einem Stück PVC-Rohr befestigt ist, um Zugang zu den Insekten gehören ermöglichen.
    2. Schließen Sie den Fototransistor-Array zu einem elektronischen Bord. Die Ausgabe des elektronischen Bord-Feeds in eine digitale Audio-Recorder und wird als Audio-Daten im MP3-Format aufgezeichnet. Die Logik Aufbau des Sensors in Abbildung 1.II und einer physikalischen Ausführung der Kammer in 1.I.
    3. HINWEIS: Wenn ein Insekt fliegt über den Laserstrahl, der seine Flügel teilweise das Licht zu verschließen, so dass kleine Lichtschwankungen. Die Lichtschwankungen werden durch den Fototransistor-Array als Stromänderungen erfasst, und das Signal wird durch die kundenspezifische Elektronik-Platine gefiltert und verstärkt.
  2. Einrichten des Systems zum Treffer Sounds Produziert von fliegenden Insekten
    1. Verbinden der Experimentierkammer mit einer Stromversorgung. Schalten Sie das Gerät ein.
    2. Auf der Experimentierkammer, finden Sie die Laser-Licht und photoarray. Richten Sie die Laser-Licht auf die photoarray. Um die korrekte Ausrichtung zu erreichen, stellen die photoarray mit den Magneten an der Außenseite der Versuchskammer, die mit den Magneten an der photoarray im Inneren der Kammer angebracht entsprechen, bis das Laserlicht wird auf allen der individuellen photodiod zentriertES.
    3. Führen Sie zwei Gültigkeitsprüfungen, um sicherzustellen, dass das System ordnungsgemäß eingerichtet ist.
      Hinweis: Der erste Schritt besteht darin, sicherzustellen, dass das System mit Strom versorgt wird, werden alle Leitungen ordnungsgemäß angeschlossen sind, und der Laser auf dem Foto-Array zeigt. Der zweite Schritt ist die weitere Kontrolle der Laserausrichtung durchführen, um sicherzustellen, dass sie den Klang der Insekten Flügelschläge zu erfassen.
      1. Schließen Sie einen Kopfhörer (nicht die Recorder) in die Audio-Buchse. Tauchen Sie ein in der Hand und aus der Experimentierkammer, in der Nähe des photoarray, um das Flugzeug des Laserlichts zu brechen. Stellen Sie sicher, dass das Laserlicht an ist (es wird ein roter Lichtstrahl sein) und dass Sie der Lichtebene ein paar Mal mit der Hand zu brechen. Hören Sie auf Veränderungen im Geräuschpegel der Hand geht in die und aus der Lichtstrahl. Wenn Sie einen hörbaren Unterschied zu erkennen, ist der Sensor in der Lage, Geräusche durch die Bewegung der großen Objekten hergestellt zu erfassen. Wenn dies gelingt, gehen Sie zum nächsten Plausibilitätsprüfung, sonst prüfen, ob die Kopfhörer richtig angeschlossen ist undob der Laser den photoarray zeigt. Stellen Sie die photoarray entsprechend, bis der Ton der Hand bewegt sich in und aus der Experimentierkammer zu hören ist.
      2. Bringen Sie ein dünnes Stück von elektrischen Leitungen, um eine automatische Zahnbürste. Schalten Sie die Zahnbürste und tauchen die Verdrahtung in und aus der Experimentierkammer in der Nähe des phototarray. Sicherstellen, dass das Laserlicht trifft das Stück Verdrahtung wie es sich bewegt. Wenn Sie einen hörbaren Frequenzänderung zu erkennen, wenn das Stück von Verdrahtungs bricht das Flugzeug von Laserlicht, das System ist dann bereit, die durch die Bewegung der winzigen Objekte, dh, Insekten Klänge erzeugten Klänge zu erfassen. Wenn Sie nicht einen hörbaren Unterschied zu erkennen, gehen Sie zurück zu Schritt 2.2.2 neu ausrichten Laser-Licht und die photoarray.
    4. Nachdem das System ordnungsgemäß eingerichtet ist, den Deckel schließen und fügen Sie die Insekten.
  3. Datensammlung: Rekord Sounds Produziert von fliegenden Insekten
    1. Schalten Sie den Recorder und einen voicE-Annotation, die folgende Informationen enthält: Name der Art in der Versuchskammer, Alter der Insekten, Datum und Uhrzeit, aktuelle Umgebungs RT, und die relative Luftfeuchtigkeit. Unterbrechen Sie die Aufnahme.
    2. Schließen Sie den Recorder an das System, über das Audio-Kabel, und setzen Sie die Aufnahme. Lassen Sie den Recorder für 3 Tage aufnehmen, dann stoppen Sie die Aufnahme.
    3. Laden Sie die Daten vom Rekorder in einen neuen Ordner auf einem PC. Leeren Sie den Recorder durch das Löschen der Daten.
    4. Wiederholen des obigen Aufzeichnungsverfahren, bis die verbleibenden Insekten ab und starb es nicht mehr als 5 Insekten leben in den Käfig verlassen.

3. Sensordatenverarbeitung und Erkennung von Sounds Produziert von fliegenden Insekten

  1. Verwenden Sie Software, um Sounds Produziert von fliegenden Insekten zu erkennen.
    Hinweis: Die Software (Erkennungsalgorithmus) ist viel schneller als Echtzeit. Es dauert weniger als 3 h, um eine Aufzeichnungssitzung zu verarbeiten, das heißt, drei Tage von DATa, auf einem Standard-Maschine mit Intel (R) Core ™ Prozessor mit 2,00 GHz und 8 GB RAM.
    1. Für jeden Ordner mit Daten aus einer Aufnahme-Session, führen Sie den Erkennungssoftware, um Insektengeräusche zu erkennen. So führen Sie die Software, Open MATLAB, und geben Sie "circandian_wbf (DataDir)" im Befehlsfenster, wo DataDir ist das Verzeichnis der Aufnahmedaten. Dann "Enter" drücken, um zu beginnen.
      HINWEIS: Laden Sie die Software zur Erkennung von Referenz circadian_wbf # 16.
    2. Warten, bis der Algorithmus terminiert, dann überprüfen Sie die Erkennungsergebnisse. Der Algorithmus gibt alle erkannt Insektengeräusche in einem neuen Ordner mit dem Namen "DataDir _extf", wo DataDir ist die gleiche wie im vorherigen Schritt. Jeder Sound-Datei ist eine 1 Sekunde lange Audioclip ursprünglich aus dem Roh-Aufnahme extrahiert, mit einem digitalen Filter angewendet, um Rauschen zu entfernen. Die Auftrittszeit von jedem erkannten Ton wird in einer Datei namens "DataDir _time.mat & gerettet# 8221 ;. Am Beispiel eines erfassten Schallinsekten beobachten in 2.
  2. Erkennungsalgorithmus
    1. Verwenden Sie einen 0,1 s lang Schiebefenster, durch die Aufnahme gleiten. Das Schiebefenster beginnt mit dem Beginn der Aufzeichnung. Für jedes Fenster, die folgenden Schritte aus.
      1. Berechnen Sie die Grundfrequenz des aktuellen Fensters.
      2. Wenn die Grundfrequenz ist im Bereich von 100 Hz bis 1200 Hz, dann tun Sie das folgende:
        1. Entpacken Sie die 1-Sekunden-langen Audio-Clip Zentrierung auf das aktuelle Fenster aus der Aufnahme; gelten ein Digitalfilter, um den Lärm in den Clip entfernen und den gefilterten Audio in den Ordner "DataDir _extf".
        2. Speichern Sie die Eintrittszeit des aktuellen Fensters in die Datei "DataDir _time".
        3. Bewegen Sie den Schiebefenster auf den Punkt, die unmittelbar auf die extrahierten Audioclip.
      3. Wenn der Grund frequency ist NICHT im Bereich von 100 Hz bis 1200 Hz, bewegen Sie einfach den Schiebefenster 0,01 sec nach vorne.
    2. Vorgang wiederholen, bis das Schiebefenster am Ende der Aufzeichnung erreicht.

4. Insekten Klassifizierung

  1. Bayes-Klassifizierung mit den einfach das Fliegen Ton
    Hinweis: Bayes-Klassifikator ist eine probabilistische Klassifikator, die ein Objekt um seine wahrscheinlichste Klasse klassifiziert.
    1. Sound-Funktion Berechnung
      1. Für jedes Insekt Ton, zu berechnen, das Frequenzspektrum des Klangs mit Hilfe der diskreten Fourier-Transformation (DFT). Abzuschneiden das Frequenzspektrum nur diejenigen Datenpunkte entsprechend dem Frequenzbereich sind: 100 Hz bis 2.000 Hz ist. Der Kegelfrequenzspektrum wird dann in der Klassifizierung als "Vertreter" der Insekten Ton verwendet.
        HINWEIS: Die DFT ist ein Algorithmus, der Signale in der Zeitdomäne transformiert in den Frequenzbereich. Es ist ein Built-in-Funktion in den meisten Programmiersprachen Bibliotheken, und kann im Programm mit nur einer Codezeile aufgerufen werden.
    2. Zug ein Bayes-Klassifikator
      1. Verwenden Sie die KNN Dichte Schätzansatz 14, um die hinteren Wahrscheinlichkeitsverteilung mit Hilfe des Sound-Funktion zu erlernen. Mit der KNN-Ansatz ist das Trainingsphase, um eine Trainingsdatenmenge zu bauen.
        1. Zufällig probieren eine Reihe von Insekten Klänge aus den für die einzelnen Arten von Insekten gesammelt werden.
        2. Folgen Sie den Schritten in Abschnitt 4.1.1 und berechnen die abgeschnittenen Frequenzspektrum für jeden abgetasteten Klang. Die verkürzten Spektren zusammen mit Klasse Etiketten der Proben "(Insektenarten Name) komponierte die Trainingsdatenmenge.
    3. Verwenden Sie den Bayes-Klassifikator, um einen unbekannten Insekt klassifizieren
      1. Berechnen Sie die abgeschnittenen Frequenzspektrum des unbekannten Insekten Sound.
      2. Berechnen Sie die euklidische Distanz zwischen den Kegel Spektrum der unknown Objekt und alle die abgeschnittenen Spektren in der Trainingsdatenmenge.
      3. Finden Sie die Top-k (k = 8 in diesem Beitrag) nächsten Nachbarn des unbekannten Objekts in der Trainingsdatenmenge. Berechnen Sie die Wahrscheinlichkeit, dass der hintere unbekannte Insekten Sound gehört zu einer Klasse als der Anteil der Top-k nächsten Nachbarn, die als Klasse gekennzeichnet sind.
      4. Bewerte das unbekannte Objekt in die Klasse, die die höchste Wahrscheinlichkeit hat posterior.
  2. Fügen Sie eine Funktion, um die Classifier: Insektenzirkadianen Rhythmus
    1. Lernen Sie die Klasse Anlage Verteilungen der Auftrittszeit von Insekten-Sound, das heißt, die zirkadianen Rhythmus für jede Art von Insekten.
      1. Besorgen Sie sich die Auftrittszeit der einzelnen Ton von den Detektionsergebnisse (siehe Abschnitt 3.2).
      2. Für jede Art, bauen ein Histogramm der Insekten Sound Auftrittszeit.
      3. Normalisieren des Histogramms, so dass der Bereich des Histogramms gehört. Die normaleized Histogramm ist der circadiane Rhythmus der gegebenen Spezies. Es sagt die Wahrscheinlichkeit der Beobachtung eines Insekts der betreffenden Art im Flug innerhalb eines bestimmten Zeitraums.
    2. Klassifizieren eine unbekannte "Insekt Sound" durch die Kombination der "Insekten Sound" und den zirkadianen Rhythmus
      1. Angesichts der besonderen Punkt in der Zeit, in der die unbekannten Insekten Sound aufgetreten ist, erhalten die Wahrscheinlichkeit der Beobachtung ein Insekt der Klasse auf der Grundlage des zirkadianen Rhythmus der Klasse.
        HINWEIS: Der zirkadiane Rhythmus ist eine Wahrscheinlichkeitsverteilung. Es ist ein Array, das die Wahrscheinlichkeit der Erfassung eines Schall, durch eine bestimmte Insektenarten erzeugt, zu einer bestimmten Zeit des Tages. Also einmal eine Zeit gegeben ist, kann man einfach überprüfen, das Array, um die Wahrscheinlichkeit zu erhalten.
      2. Folgen Sie den Schritten in Abschnitt 4.1.2, um die spätere Wahrscheinlichkeit, dass die unbekannte Klang gehört zur Klasse unter Verwendung der Sound-Funktionen berechnen. Multiplizieren Sie die spätere Wahrscheinlichkeit zu den Ergebnissen herm den vorherigen Schritt, um die neue spätere Wahrscheinlichkeit zu erhalten.
      3. Klassifizieren Sie die "unbekannten Sound" auf die Klasse, die die höchste Wahrscheinlichkeit hat neue Hinter.
  3. Fügen Sie eine weitere Funktion, um die Classifier: Insekten Geographic Verteilung
    1. Lernen Sie die geographische Verteilung der Spezies von Interesse, entweder von Daten in historischen Aufzeichnungen veröffentlicht, einschlägige Literatur oder einfach sammeln die Wissen aus erster Hand von Feldtechniker / Biologen. Zu Demonstrationszwecken verwenden eine Simulation der Grafik Verteilung, wie in Abbildung 7 gezeigt.
    2. Klassifizieren "Unbekanntes Insekt Sound" mit "fliegenden Sound" und die beiden zusätzlichen Funktionen.
      1. Angesichts der geografischen Lage, wo das Insekt Sound abgefangen wurde, berechnen die Wahrscheinlichkeit der Beobachtung ein Insekt aus der Klasse an diesem bestimmten Ort über die grafische Verteilung der Arten.
        1. Folgen Sie den Schritten in Abschnitt 4.2.2 einnd berechnen die Wahrscheinlichkeit, dass der posteriore "unbekannten Sound" gehört zu Klasse unter Verwendung der Sound-Features und die zirkadianen Rhythmen. Multiplizieren das Ergebnis dieses Schritts der Ergebnisse aus dem vorherigen Schritt, um den neuen spätere Wahrscheinlichkeit zu erhalten.
      2. Klassifizieren Sie die "unbekannten Sound" auf die Klasse, die die höchste Wahrscheinlichkeit hat neue Hinter.
  4. Eines allgemeinen Rahmens für Hinzufügen von Funktionen
    1. Betrachten Sie die Bayes-Klassifikator, der gerade Sound-Funktionen als primäre Klassifizierer verwendet. Folgen Sie den Schritten unten, um neue Funktionen, die den Klassifikator hinzuzufügen.
      1. In der Trainingsphase, lernen die Klasse Anlage Dichtefunktionen der neuen Funktion.
      2. In der Klassifizierungsphase, angesichts der neuen Funktion des "unbekannten Sound", berechnen Sie die Wahrscheinlichkeit der Beobachtung der Funktion in der Klasse mit den Dichtefunktionen im vorherigen Schritt gelernt. Multiplizieren Sie die neue Wahrscheinlichkeit auf die previous spätere Wahrscheinlichkeit entsprechend dem "unbekannten Sound", um Klasse gehören, die der auf Basis wurden nur die ungeraden Funktionen, um die neue spätere Wahrscheinlichkeit zu erhalten. Bewerte das unbekannte Objekt in die höchste Klasse, die neue Hinter Wahrscheinlichkeit hat.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Zwei Experimente werden hier vorgestellt. Für beide Experimente wurden die verwendeten Daten zufällig aus einer Datenmenge, die über 100.000 Objekte enthält abgetastet.

Das erste Experiment zeigt die Fähigkeit der vorgeschlagenen Klassifizierer genau klassifizieren verschiedene Arten / Geschlechtern der Insekten. Da die Klassifikationsgenauigkeit hängt von den Insekten klassifiziert werden, wird eine einzige absolute Wert für Klassifikationsgenauigkeit nicht geben dem Leser eine gute Intuition über die Leistung des Systems. Statt, eher als die Genauigkeit der Berichterstattung Klassifiziergeräts auf einem festen Satz von Insekten, die für die Einstufung wurde auf Datensätzen mit einer inkrementell wachsenden Zahl von Arten angewendet und erhöht somit Einstufung Schwierigkeit.

Der Datensatz begann mit nur 2 Arten von Insekten; dann bei jedem Schritt eine weitere Spezies (oder ein einzelnes Geschlecht eines geschlechtsdimorphischen Arten) wurde zugegeben und der Klassifikator wurde verwendet, um die erhöhte klassifizierenAnzahl der Arten (der neue Datensatz). Insgesamt zehn Klassen der Insekten (verschiedene Geschlechter von der gleichen Spezies zu zählen als unterschiedliche Klassen) wurden als mit 5.000 Exemplaren in jeder Klasse.

Der Klassifikator verwendet sowohl Insekten-Sound (Frequenzspektrum) und Time-of-Achsenabschnitt für die Einstufung. Tabelle 1 zeigt die Klassifikationsgenauigkeit gemessen bei jedem Schritt und der entsprechenden Klasse bei diesem Schritt aufgenommen.

Nach Tabelle 1, die für die Einstufung erzielt mehr als 96% Genauigkeit bei der Klassifizierung nicht mehr als 5 Arten von Insekten, deutlich höher als die Ausfallrate von 20% Genauigkeit. Auch wenn die Anzahl der Klassen betrachtet steigt auf 10, ist die Klassifikationsgenauigkeit nie niedriger als 79%, noch einmal deutlich höher als die Ausfallrate von 10%. Beachten Sie, dass die zehn Klassen sind nicht leicht zu trennen, auch durch menschliche Inspektion. Unter den zehn Arten, acht von ihnen sind Mücken, Witzh davon sechs aus der gleichen Gattung.

Der zweite Versuch ist, zu zeigen, wie genau das System Sex fliegenden Insekten, insbesondere auf männliche Ae. Aegypti Moskitos von den Weibchen zu unterscheiden. Für den ersten Teil des Versuchs an, dass der "Fehlklassifizierungskosten" für die Fehlklassifizierung Männer als Frauen ist die gleiche wie die Kosten der Fehlklassifizierung von Frauen als Männer. Mit dieser Annahme sind die Einstufungsergebnisse in Tabelle 2.Ich gezeigt. Die Klassifikationsgenauigkeit Sex Ae. Aegypti ist etwa 99,4%.

Für den zweiten Teil des Experiments liegen die Kosten nicht asymmetrisch, dh Fehlklassifizierung von Frauen als Männer viel teurer als umgekehrt. Unter dieser Annahme wurde die Entscheidungsschwelle des Klassifikators geändert, um die Anzahl von Fehlklassifikationen hohen Kosten zu reduzieren. Mit der Schwelle richtig eingestellt ist, die Klassifizierungsergebnisse in Tabelle 2.II erreicht wurden. Von 2.000 Insekten in dem Experiment wurden zweiundzwanzig Männer, Frauen und Null falsch klassifiziert.

Figur 1
Abbildung 1. (I) Eine der Versuchskäfige verwendet, um die Daten zu sammeln. (II) Eine logische Version des Sensor-Setup mit den Komponenten kommentiert. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Figur 2
Figur 2 (i) ein Beispiel eines 1 sec Audioclips, die einen "fliegenden Insekten sound" durch den Sensor erzeugt wird. Der Ton wurde von einer weiblichen Cx. Stigmatosoma produziert. Die Insect Ton wird in rot / fett hervorgehoben. (II) Das "Insekt Sound", die durch das Zentrieren des Insektensignal und Polsterung mit 0s anderswo gereinigt wurde und in einen 1-sec langen Audioclip gespeichert. (III) Das Frequenzspektrum des das Insekt Sound, mit diskreten Fourier-Transformation erhalten. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Figur 3
Abbildung 3. Ein Bayes-Netzwerk, das eine einzelne Funktion zur Klassifizierung verwendet.

Figur 4
Abbildung 4. Ein Bayes-Netzwerk, das zwei unabhängige Funktionen für classificat verwendet Ion

Figur 5
Abbildung 5. Die zirkadianen Rhythmen der Cx. stigmatosoma (weiblich), Cx. tarsalis (männlich) und Ae. aegypti (weiblich), lernte auf Beobachtungen von dem Sensor, die über 1 Monat Laufzeit gesammelt wurden, erzeugt wird. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Figur 6
Abbildung 6. Ein Bayes-Netzwerk, das drei unabhängige Funktionen zur Klassifikation verwendet.

g "/>
Abbildung 7. Die Annahmen der geographischen Verteilung der einzelnen Insektenarten und Sensorpositionen in der Simulation, um die Wirksamkeit der Verwendung von Standort-of-Intercept-Funktion in der Klassifizierung demonstrieren. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Figur 8
Abbildung 8. Die allgemeine Bayes-Netzwerk, das n Funktionen für die Klassifizierung, wobei n eine positive ganze Zahl verwendet. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Schritt Species hinzugekommen Klassifikationsgenauigkeit Schritt Arten hinzugekommen Klassifikationsgenauigkeit
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%

Tabelle 1 Klassifizierung Genauigkeit mit zunehmender Anzahl von Klassen.

Vorhergesagt Klasse Vorhergesagt Klasse
Ich (Symmetric Kosten) weiblich männlich II (Asymmetric Kosten) weiblich männlich
Eigentliche Klasse weiblich 993 7 Eigentliche Klasse weiblich 1000 0
männlich 5 995 männlich 22 978

Tabelle 2 (I) Die Verwirrung Matrix für Diskriminierung aufgrund des Geschlechts von Ae. Aegypti Mücken mit der Entscheidungsschwelle für Frauen bei 0,5 (dh gleiche Kostenübernahme) gesetzt. (II) Die Verwechslungsmatrix des Geschlechts die gleichen Mücken, mit der Entscheidung Schwelle für Frauen bei 0,1 eingestellt.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Die hier beschriebene Sensor / Classification Framework ermöglicht die kostengünstige und skalierbare Klassifikation von fliegenden Insekten. Die vom System erreichbaren Genauigkeiten sind gut genug, um die Entwicklung kommerzieller Produkte ermöglichen und könnte ein nützliches Werkzeug in der entomologischen Forschung sein.

Die Fähigkeit, preiswert, nicht-invasiven Sensoren verwenden, um präzise und automatisch zu klassifizieren fliegenden Insekten würde erhebliche Auswirkungen auf die entomologische Forschung haben. Zum Beispiel durch den Einsatz des Systems in das Feld zu zählen und zu klassifizieren Insektenvektoren, kann das System in Echtzeit zählt der Zielarten geben, bieten Echtzeit-Informationen, die verwendet werden, um Intervention / Unterdrückung Programme zur Bekämpfung der Malaria zu planen. Darüber hinaus kann das System automatisch Insekten trennen nach Geschlecht, und so kann es zu freien Entomologen Arbeiten an der Sterile Insect Technique 15 von der mühsame und zeitaufwändige manuelle Geschlechtsbestimmung die Insekten verwendet werden. </ P>

In der Verwendung dieses Systems ist der wichtigste Schritt, um den Sensor für die Datensammlung richtig eingestellt. Wenn der Laser und die Fotoarray nicht richtig ausgerichtet ist, werden die Daten sehr laut sein. Nachdem die Insekten in den Käfig gesetzt, sollte die foto Array immer abgestimmt mit den Magneten an der Außenseite des Käfigs. Beachten Sie, dass blinkende Lichter, Kamerablitze und Vibrationen in der Nähe der Käfige Lärm auf die Daten einzuführen. Deshalb, um saubere Daten zu erhalten, setzen Sie den Käfig in einem dunklen Raum, und wo immer nötig, legen Sie trockene Handtücher unter den Käfigen, um die Schwingungsebene zu vermindern.

Die in dieser Arbeit vorgestellten Klassifizierer verwendet nur zwei zusätzliche Features. Allerdings kann es Dutzende von zusätzlichen Funktionen, die helfen könnten, die Verbesserung der Klassifikationsleistung sein. Da die potenziellen Funktionen sind Domain-und anwendungsspezifische, konnten die Benutzer Funktionen basierend auf ihren spezifischen Bedarf oder Anwendungen zu wählen. Der allgemeine Rahmen der classifier ermöglicht die einfache Funktionen, um den Klassifikator hinzufügen, um die Klassifikationsleistung zu verbessern.

Um die Übernahme und Erweiterung unserer Ideen zu fördern, machen wir alle Code, Daten und Schaltpläne Sensor an der UCR Computational Entomologie Seite 16-17 frei verfügbar. Darüber hinaus innerhalb der Grenzen unseres Budgets werden wir unsere Praxis des Gebens ein komplettes System zu jedem Forschungs Entomologe, der dies verlangt (wie in Abbildung 1 gezeigt) fortsetzen.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren erklären, dass sie keine finanziellen Interessen konkurrieren.

Acknowledgements

Wir möchten die Vodafone Americas Foundation, der Bill-und-Melinda-Gates-Stiftung, und der São Paulo Research Foundation (FAPESP) für die Förderung dieses Forschungs danken. Wir möchten auch die vielen Mitglieder der Fakultät von der Abteilung für Entomologie an der Universität von Kalifornien, Riverside, danke ich für ihren Rat an diesem Projekt.

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