Flygande insekter Detection och klassificering med billiga sensorer

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

Vi föreslog ett system som använder billiga, noninvasive pseudo akustisk optiska sensorer för att automatiskt och noggrant detektera, räkna och klassificera flygande insekter baserade på deras flygande ljud.

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

En billig, icke-invasiv system som exakt skulle klassificera flygande insekter skulle få viktiga konsekvenser för entomologisk forskning, och möjliggöra utvecklingen av många användbara program i vektor och skadedjursbekämpning för både medicinsk och jordbruks entomologi. Mot denna bakgrund har de senaste sextio åren sett många forskningsinsatser ägnas åt denna uppgift. Hittills har dock inget av denna forskning har haft en bestående inverkan. I detta arbete visar vi att pseudo-akustiska optiska sensorer kan producera överlägsna data; att ytterligare funktioner, både inre och yttre till insektens flygbeteende, kan utnyttjas för att förbättra insekt klassificering; att en Bayesiansk metod klassificering gör det möjligt att effektivt lära modeller klassificerings som är mycket robust för att översittande, och ett ramverk allmän klassificering gör det möjligt att enkelt integrera godtyckligt antal funktioner. Vi visar resultaten med storskaliga experiment som dvärg alla tidigare verk combined, mätt med antalet insekter och antalet arter som anses.

Introduction

Idén att automatiskt klassificera insekter med hjälp av underordnad betydelse ljudet av deras flyg går tillbaka till de tidigaste dagarna av datorer och kommersiellt tillgänglig ljudinspelning utrustning 1. Däremot har få framsteg gjorts på detta problem under de mellanliggande årtiondena. Bristen på framsteg i denna strävan kan tillskrivas flera relaterade faktorer.

För det första har bristen på effektiva sensorer tillverkade datainsamling svårt. De flesta insatserna för att samla in uppgifter har använt akustiska mikrofoner 2-5. Sådana anordningar är extremt känsliga för vindbrus och omgivande buller i miljön, vilket resulterar i mycket glesa och lågkvalitativa data.

För det andra, kompoundering dessa uppgifter kvalitetsfrågor är det faktum att många forskare har försökt att lära sig mycket komplicerade klassificeringsmodeller, speciellt neurala nätverk 6-8. Att försöka lära sig komplicerade modeller klassificerings, med bara tiotals exempel,är ett recept för över-montering.

För det tredje har svårighet att erhålla uppgifter inneburit att många forskare har försökt att bygga klassificeringsmodeller med mycket begränsade uppgifter, så få som 300 fall 9 eller mindre. Det är dock känt att för att bygga korrekta modeller klassificerings är bättre 10-13 mer information.

Detta arbete tar upp alla tre frågor. Optiska (snarare än akustiskt) sensorer kan användas för att spela in "ljud" insekt flygning från meter bort, med fullständig invarians att vindbrus och omgivande ljud. Dessa sensorer har tillåtit registrering av miljontals märkta utbildnings instanser, långt mer data än alla tidigare försök i kombination, och på så sätt bidra till att undvika de översittande som har plågat tidigare forskning. En principiell metod visas nedan som gör införlivandet av kompletterande information i klassificeringsmodellen. Denna ytterligare information kan vara så quotidian och somlätt att få som tiden av dagen, men ändå ge betydande vinster i noggrannheten i modellen. Slutligen visas det att de enorma mängder data vi samlat det möjligt för oss att dra nytta av "The orimligt effektivitet data" 10 för att producera enkla, exakta och robusta klassificerare.

Sammanfattningsvis har flygande insekt klassificering gått utöver de tvivelaktiga påståenden som skapats i forskningslabb och är nu redo för verkliga utbyggnaden. Sensorerna och mjukvara som presenteras i detta arbete kommer att ge forskare i hela världen robusta verktyg för att påskynda sin forskning.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1 Insect Colony och Uppfödning

  1. Mosquito Colony och Uppfödning
    1. Bakre Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma och Aedes aegypti vuxna från lab kolonier, som har sitt ursprung från vildfångad individer.
    2. Bakre mygglarver i emalj kastruller under standardlaboratorieförhållanden (27 ° C, 16: 8 h ljus: mörker [LD] cykel med 1 tim skymning / gryning perioder) och mata dem efter behag på en blandning av mark gnagarfoder och Öljäst (3: 1, volym: volym).
    3. Samla mygga puppor i 200 ml koppar, och placera dem i experimentkammare. Alternativt aspirera vuxna myggor i experimentkammare inom 1 vecka uppkomst. Se till att varje experimentell kammare innehåller 20 till 40 individer av samma art / kön.
    4. Foder vuxna myggor ad libitum på en 10% sackaros och vatten-blandning. Byt mat varje vecka.
    5. Fukta bomull handdukar två gånger i veckan och place dem ovanpå de experimentella kamrarna för att bibehålla fuktigheten inom buren. Dessutom, placera en 200 ml kopp kranvatten i kammaren vid alla tidpunkter för att hjälpa till att upprätthålla den totala fuktnivån.
    6. Behåll experimentkammare på en 16: 8 h ljus: mörker [LD] cykel, från 20,5 till 22 ° C och 30-50% RH under hela experimentet.
  2. House Fly och frukt Fly Colony och Uppfödning
    1. Bakre Musca domestica från ett labb koloni, som härrör från vildfångad individer. Fånga vilda Drosophila simulans individer och uppfostra dem i experimentkammare.
    2. Bakre Musca domestica larver i plast baljor under standardlaboratorieförhållanden (12:12 h ljus: mörker [LD] cykel, 26 ° C, 40% RH) i en blandning av vatten, kli måltid, alfalfa, jäst och mjölkpulver. Bakre Drosophila simulans larver i en uppfödnings kammare och mata dem ad libitum på en blandning av rötafrukt.
    3. Sug vuxna Musca domestica i experimentkammare inom 1 vecka efter uppkomst. Vuxna Drosophila simulans direkt kan födas upp i de experimentella kamrarna. Före datainsamling, se till att varje experimentell kammare innehåller högst 10-15 enskilda Musca domestica eller 20-30 individuella Drosophila simulans.
    4. Feed vuxna Musca domestica efter behag på en blandning av socker och fettsnål torrmjölk, med fri tillgång till vatten. Feed vuxna Drosophila simulans efter behag på en blandning av ruttnande frukt. Byt mat varje vecka.
    5. Upprätthålla experimentella kammare på en 16: 8 h ljus: mörker [LD] cykel, från 20,5 till 22 ° C och 30-50% RH under hela experimentet.

2. Notera Flying Ljud i Experimentella Chambers

  1. Experimentell avdelningen Setup
    Anm: En "experimentell cHamber "betecknar buren utformad i vårt labb, där data registrerades. Sensorn är ganska billigt. När byggdes i bulk, kan en uppsättning up tillverkas för mindre än $ 10.
    1. Konstruera en experimentell kammare, antingen av den större storleken: 67 cm L x 22 cm B x 24.75 cm H eller mindre storlek: 30 cm L x 20 cm B x 20 cm H. Den experimentella Kammaren består av en fototransistor array och en laserlinjen pekar på fototransistorn array.
      ANMÄRKNING: Dessutom kammaren består av KRITTER Keepers som modifieras för att inkludera sensoranordningen liksom en hylsa fäst vid ett stycke PVC-rörledning för att tillåta åtkomst till de insekter.
    2. Anslut fototransistorn arrayen till en elektronisk anslagstavla. Utgången av det elektroniska kortet matar in i en digital ljudinspelare och redovisas som ljuddata i MP3-format. Se den logiska konstruktionen av sensorn i figur 1.II och en fysisk version av kammaren i fig 1.I.
    3. OBSERVERA: När en insekt flyger över laserstrålen, vingarna delvis täppa till ljuset, vilket orsakar små ljusförändringar. De lätta fluktuationer fångas upp av fototransistorn array som förändringar i strömmen, och signalen filtreras och förstärks av den specialdesignade kretskortet.
  2. Konfigurera systemet för att registrera ljud som skapas av Flying Insects
    1. Anslut den experimentella kammare till en strömförsörjning. Slå på strömmen.
    2. På den experimentella kammare, hitta laserljus och photoarray. Rikta laserljus till photoarray. För att uppnå korrekt inriktning, justera photoarray använder magneterna på utsidan av den experimentella kammare som motsvarar magneterna fästa vid photoarray på det inre av kammaren tills laserljuset är centrerad på alla de individuella fotodiodes.
    3. Utför två sanity kontroller för att se till att systemet är ordentligt inställd.
      Obs: Det första steget är att se till att systemet drivs, alla kablar är korrekt anslutna och lasern pekar på foto array. Det andra steget är att genomföra ytterligare kontroller på laser anpassning så att den kan fånga ljudet av insekternas vingslag.
      1. Anslut hörlurar (snarare än spelaren) i ljuduttaget. Dopp hand i och ut ur den experimentella kammare, nära photoarray, för att bryta det plan av laserljuset. Se till att laserljuset är på (det blir en röd ljusstråle) och att du bryter planet av ljus ett par gånger med handen. Lyssna efter förändringar i ljudnivå som din hand går in och ut ur ljusstrålen. Om du upptäcker en hörbar skillnad, sensorn kan fånga ljud som skapas av förflyttning av stora föremål. Om det lyckas, gå vidare till nästa sanity check, annars kontrollera om hörlurarna är ordentligt ansluten ochom lasern pekar på photoarray. Justera photoarray följaktligen tills ljudet av handen rör sig in och ut ur den experimentella kammaren kan höras.
      2. Bifoga en tunn bit av elektriska ledningar till en automatisk tandborste. Slå på tandborsten, och störta ledningarna i och ut ur den experimentella kammaren nära den phototarray. Se till att laserljuset slår bit ledningar när den rör sig. Om man upptäcker en hörbar ändring i frekvens, när stycket av ledningar bryter den plan av laserljus, är systemet sedan redo att fånga de ljud som skapas av rörelsen hos små föremål, dvs insektsljud. Om du inte upptäcker en hörbar skillnad, gå tillbaka till steg 2.2.2 att åter rikta laserljus och photoarray.
    4. När systemet är rätt inställd, stäng locket och lägg insekterna.
  3. Data Collection: Spela in ljud Producerad av Flying Insects
    1. Slå på inspelaren och göra en Röstbrevle anteckning som innehåller följande information: namn på arten i den experimentella kammare, ålder insekter, datum och tid, aktuell omgivnings RT, och relativ fuktighet. Pausa inspelningen.
    2. Anslut recordern till systemet, via ljudkabeln, och återuppta inspelningen. Låt brännaren att spela in i 3 dagar, sedan stoppa inspelningen.
    3. Hämta data från brännaren till en ny mapp på en dator. Töm brännaren genom att radera data.
    4. Upprepa ovanstående inspelningsprocessen, tills de återstående insekter har dött ut och det är inte mer än fem insekter kvar vid liv i buren.

3 Sensor databehandling och detektering av ljud som skapas av Flying Insects

  1. Använd programvara för att upptäcka ljud som skapas av flygande insekter.
    OBS: Programvaran (detekteringsalgoritmen) är mycket snabbare än realtid. Det tar mindre än 3 timmar att bearbeta en inspelning, dvs tre dagar data, på en standardmaskin med Intel (R) Core ™ processor på 2,00 GHz och 8 GB RAM.
    1. För varje mapp som innehåller data från en inspelning, kör upptäckt programvara för att upptäcka insektsljud. För att köra programmet, öppna MATLAB, och skriv "circandian_wbf (datadir)" i kommandofönstret, där datadir är den katalog av inspelningsdata. Tryck sedan på "Enter" för att starta.
      OBS: Hämta upptäckt programvara circadian_wbf från referens # 16.
    2. Vänta tills algoritmen avslutas, sedan kontrollera resultatet upptäckt. Algoritmen utgångar alla detekterade insekten ljud i en ny mapp med namnet "datadir _extf", där datadir är samma som i föregående steg. Varje ljudfil är en 1 sekund lång ljudklipp ursprungligen utvinns ur rå inspelningen, med ett digitalt filter för att ta bort brus. Förekomsten tiden för varje detekterad ljud sparas i en fil med namnet "datadir _time.mat &# 8221 ;. Observera exempel på en detekterad insektsljud i figur 2.
  2. Detection Algorithm
    1. Använd en 0,1 sek lång skjutfönster att glida igenom inspelningen. Den glidande fönstret startar från början av inspelningen. För varje fönster, följ stegen nedan.
      1. Beräkna den fundamentala frekvensen för den aktuella fönstret.
      2. Om grundfrekvensen ligger inom intervallet 100 Hz till 1200 Hz, gör du följande:
        1. Extrahera den 1-sek långa ljudklipp centre på det aktuella fönstret från inspelningen; tillämpa ett digitalt filter för att ta bort brus i klippet och spara den filtrerade ljud i mappen "datadir _extf".
        2. Spara förekomsten tiden för det aktuella fönstret i filen "datadir _time".
        3. Flytta skjutfönstret till den punkt som omedelbart följer den extraherade ljudklippet.
      3. Om den grundläggande frequency är inte inom intervallet 100 Hz till 1200 Hz, helt enkelt flytta skjutfönster 0.01 sek framåt.
    2. Upprepa processen tills skjutfönstret når slutet av inspelningen.

4. Insekt Klassificering

  1. Bayesiansk klassificering Använda Bara Flying Sound
    Obs: Bayesian klassificerare är en sannolikhets klassificerare som klassificerar ett objekt till dess mest sann klass.
    1. Ljud Feature Beräkning
      1. För varje insektsljud, beräkna frekvensspektrum ljudet med diskreta Fouriertransformen (DFT). Trunkera frekvensspektrumet för att inkludera endast de datapunkter som motsvarar frekvensområdet 100 Hz till 2000 Hz. Den trunkerade frekvensspektrum används sedan i den klassificering som den "representativa" i insekten ljud.
        OBS: Den DFT är en algoritm som omvandlar signaler i tidsdomänen till frekvensdomänen. Det är en built-in funktion i de flesta programmeringsbibliotek, och kan kallas i programmet med bara en rad kod.
    2. Träna en Bayesiansk klassificerare
      1. Använd kNN densitetsuppskattning strategi 14 för att lära sig den bakre sannolikhetsfördelning med hjälp av ljudfunktionen. Med kNN tillvägagångssätt, är träningsfasen för att bygga en tränings dataset.
        1. Slumpmässigt prova ett antal insektsljud från data som samlats in för varje art av insekter.
        2. Följ stegen i avsnitt 4.1.1 och beräkna den trunkerade frekvensspektrum för varje samplade ljud. De stympade spektrum samt provens klass etiketter (insektsarter namn) består utbildningen dataset.
    3. Använd Bayes klassificerare att klassificera en okänd insekt
      1. Beräkna den trunkerade frekvensspektrum för det okända insektsljud.
      2. Beräkna det euklidiska avståndet mellan den trunkerade spektrumet för unknown invändningar och alla stympade spektra i tränings dataset.
      3. Hitta topp k (k = 8 i detta dokument) närmaste grannar i det okända föremålet i utbildningen dataset. Beräkna den bakre sannolikheten för det okända insektsljud som tillhör en klass som den del av de bästa k närmaste grannarna som är märkta som klass.
      4. Klassificera okända föremålet för den klass som har den högsta bakre sannolikhet.
  2. Lägg en Feature till klassificerande: Insect dygnsrytmen
    1. Lär klassrade fördelningar av förekomsten tiden för insektsljud, det vill säga dygnsrytmen för varje art av insekter.
      1. Skaffa förekomsten tiden för varje ljud från resultaten detektions (jfr avsnitt 3.2).
      2. För varje art, bygga ett histogram av insektsljud förekomsten tid.
      3. Normalisera histogrammet så att området i histogrammet är ett. Den normalaized histogram är dygnsrytmen av viss art. Den talar sannolikheten för att observera en insekt, av den arten, i flyg inom en viss tidsperiod.
    2. Klassificera en okänd "insektsljud" genom att kombinera "insektsljud" och dygnsrytmen
      1. Med tanke på den specifika tidpunkt då det okända insektsljud inträffade, få sannolikheten att observera en insekt av klass baserad på dygnsrytmen för klassen.
        OBS: Den dygnsrytmen är en sannolikhetsfördelning. Det är ett fält som anger sannolikheten för att detektera ett ljud, som produceras av en specifik art av insekter, vid en viss tid på dagen. Så när en tid ges, kan man ta en array för att få sannolikheten.
      2. Följ stegen i avsnitt 4.1.2 för att beräkna den bakre sannolikheten att den okända ljudet tillhör klass med hjälp av ljudfunktioner. Multiplicera den bakre sannolikheten för att resultaten tillbakam föregående steg för att få den nya bakre sannolikhet.
      3. Klassificera "okända ljud" för den klass som har den högsta nya bakre sannolikhet.
  3. Lägg ytterligare något till klassificerande: Insect Geografisk fördelning
    1. Lär dig den geografiska fördelningen av de arter av intresse, antingen från uppgifter som publicerats i historiska dokument, relevant litteratur, eller helt enkelt samla förstahandsinformation från fälttekniker / biologer. För demonstrationsändamål, använd en simulering av den grafiska fördelning, som visas i figur 7.
    2. Klassificera en "okänd insekt ljud" med "flygande ljud" och de två ytterligare funktioner.
      1. Med tanke på den geografiska plats där insektsljud fångades, beräkna sannolikheten för att observera en insekt från klass på den specifika platsen med hjälp av grafiska fördelningen av arter.
        1. Följ stegen i avsnitt 4.2.2 and beräkna den bakre sannolikheten att "okända ljud" hör till klassen genom att använda ljudfunktioner och dygnsrytmen. Multiplicera resultatet av detta steg till resultaten från föregående steg, för att få den nya bakre sannolikhet.
      2. Klassificera "okända ljud" för den klass som har den högsta nya bakre sannolikhet.
  4. En allmän ram för Lägga till funktioner
    1. Tänk på Bayesiansk klassificerare som använder bara ljud funktioner som den primära klassificerare. Följ stegen nedan för att lägga till nya funktioner till klassificerare.
      1. I träningsfasen, lär de klassrade täthetsfunktioner i den nya funktionen.
      2. I klassificeringsfasen, med tanke på den nya funktionen av "okända ljud", beräkna sannolikheten för att observera funktionen i klassen med hjälp av täthetsfunktioner lärt i föregående steg. Multiplicera den nya sannolikheten för previous bakre sannolikhet motsvarar den "okända ljud" hör till klassen som beräknades utifrån bara de udda funktioner, för att få den nya bakre sannolikhet. Klassificera okända föremålet för den klass som har störst ny bakre sannolikhet.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Två experiment presenteras här. För båda experimenten var de uppgifter som används slumpmässigt prov från en datamängd som innehåller över 100.000 föremål.

Det första experimentet visar förmågan av den föreslagna klassificerare att korrekt klassificera olika arter / kön av insekter. Eftersom klassificeringen noggrannhet beror på insekter att sekretessbelagt, skall ett enda absolut värde för klassificeringsnoggrannhet inte ge läsaren en god intuition om systemets prestanda. Istället behöver inte rapportera klassificerings noggrannhet på en fast uppsättning insekter, var klassificerare tillämpas på datamängder med en stegvis ökande antal arter, och därmed ökar klassificeringssvårigheter.

Den dataset började med bara 2 arter av insekter; sedan vid varje steg, var en flera arter (eller en enda kön ett sexuellt dimorfa arter) tillsattes och klassificerare användes för att klassificera den ökadeantal arter (den nya dataset). Sammanlagt tio klasser av insekter (olika kön från samma art räknar så olika klasser) ansågs, med 5000 exemplar i varje klass.

Den klassificerare som används både insektsljud (frekvensspektrum) och tids på-axeln för klassificering. Tabell 1 visar klassificeringen noggrannhet mäts vid varje steg och den aktuella klassen läggas till det steget.

Enligt tabell 1, uppnår klassificerare mer än 96% noggrannhet vid klassificering högst fem arter av insekter, betydligt högre än standardsatsen på 20% noggrannhet. Även när antalet klasser anses ökar till 10, är ​​klassificeringen noggrannheten aldrig lägre än 79%, återigen betydligt högre än standardsats på 10%. Notera att de tio klasser är inte lätt att separera, även av mänsklig inspektion. Bland de tio arter, varav åtta är myggor, intelligensh sex av dem är från samma släkte.

Det andra experimentet är att visa hur exakt systemet kan kön flygande insekter, särskilt för att skilja manliga Ae. Aegypti myggor från hondjur. För den första delen av experimentet, anta att "felklassificering kostnad" för misclassifying hanar som honor är samma som kostnaden för misclassifying honor som hanar. Med detta antagande är klassificeringsresultaten visas i tabell 2.I. Klassificeringen noggrannhet kön Ae. Aegypti är ca 99,4%.

För den andra delen av experimentet, antar att kostnaden inte är asymmetrisk, dvs är mycket dyrare än det omvända felklassificering av honor som hanar. Med detta antagande har beslutet tröskel klassificerare ändras för att minska antalet dyra felklassificeringar. Med tröskeln korrekt inställd, klassificeringsresultaten i tabell 2.II uppnåddes. Av 2.000 insekter i experimentet var tjugotvå män och noll kvinnor misclassified.

Figur 1
Figur 1 (I) En av de experimentella burar som används för att samla in data. (II) En logisk version av sensor setup med de komponenter som kommenterade. Klicka här för att se en större version av denna siffra.

Figur 2
Figur 2 (I) Ett exempel på en 1 sek ljudklipp innehållande en "flygande insekter ljud" som genereras av sensorn. Ljudet har producerats av en kvinnlig Cx. Stigmatosoma. Den Insect ljud markeras i rött / fetstil. (II) Den "insektsljud", som har rengjorts och sparas i en 1-sek långa ljudklipp genom att centrera insekten signalen och stoppning med 0: or på andra håll. (III) Det frekvensspektrum insektsljud, som erhållits med hjälp av diskret Fouriertransform. Klicka här för att se en större version av denna siffra.

Figur 3
Figur 3 En Bayesiansk nätverk som använder en enda funktion för klassificering.

Figur 4
Figur 4 En Bayesiansk nätverk som använder två oberoende funktioner för Klassifi- ion

Figur 5
Figur 5 De dygnsrytmen av Cx. stigmatosoma (hona), Cx. tarsalis (male), och Ae. aegypti (hona), lärde baserad på observationer som genereras av sensorn som samlades över 1 månad varaktighet. Klicka här för att se en större version av denna siffra.

Figur 6
Figur 6 En Bayesiansk nätverk som använder tre oberoende funktioner för klassificering.

g "/>
Figur 7 Antagandena för de geografiska distributioner av varje insektsarter och sensor platser i simuleringen för att demonstrera effektiviteten av att använda plats-of-intercept funktion i klassificeringen. Klicka här för att se en större version av denna siffra.

Figur 8
Figur 8 Den allmänna Bayesiansk nätverk som använder n funktioner för klassificering, där n är ett positivt heltal. Klicka här för att se en större version av denna siffra.

Steg Species Tillverkad Klassificering Noggrannhet Steg Arter Tillverkad Klassificering Noggrannhet
1 Ae. aegypti N / A 6 Cx. quinquefasciatus 92,69%
2 Musca domestica 98,99% 7 Cx. stigmatosoma 89,66%
3 Ae. aegypti 98,27% 8 Cx. tarsalis 83,54%
4 Cx. stigmatosoma 97,31% 9 Cx. quinquefasciatus 81,04%
5 <em> Cx. tarsalis ♀ 96,10% 10 Drosophila simulans 79,44%

Tabell 1 Klassificering noggrannhet med ökande antal klasser.

Predicted klass Predicted klass
I (Symmetrisk kostnad) hona hane II (Asymmetric kostnad) hona hane
Faktisk klass hona 993 7 Faktisk klass hona 1000 0
hane 5 995 hane 22 978

Tabell 2 (I) Förvirringen matris för diskriminering av Ae kön. Aegypti myggor med beslutströskeln för kvinnlig är fastställd till 0,5 (det vill säga, samma kostnad antagande). (II) Förvirringen matris av kön samma myggor, med beslutet tröskeln för kvinnlig fastställts till 0,1.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Ramverket sensor / klassificering beskrivs här låter billigt och skalbar klassificering av flygande insekter. Noggrannhet kan uppnås av systemet är bra nog för att möjliggöra utvecklingen av kommersiella produkter och skulle kunna vara ett användbart verktyg i entomologiska forskningen.

Möjligheten att använda billiga, icke-invasiva sensorer för att noggrant och automatiskt klassificera flygande insekter skulle få betydande konsekvenser för entomologiska forskningen. Till exempel, genom att placera ut systemet i fältet för att räkna och klassificera insekter, kan systemet ge realtid räknar av målarten, producerar realtidsinformation som kan användas för att planera interventions / undertryckning för att bekämpa malaria. Dessutom kan systemet automatiskt skilja insekter efter kön, och därför kan användas för att fria entomologer som arbetar på Sterile Insect Technique 15 från det tråkiga och tidskrävande uppgiften att manuellt könsbestämning insekterna. </ P>

Genom att använda detta system, är det mest kritiska steget för att korrekt ställa in sensorn för datainsamling. Om lasern och foto arrayen inte är korrekt justerade, kommer uppgifterna vara mycket bullriga. Efter insekterna är placerade i buren ska foto array alltid finjusteras med hjälp av magneter på utsidan av buren. Observera att blinkande lampor, kamerablixtar och vibrationer nära burarna kommer att introducera brus till uppgifterna. Därför, för att få rena uppgifter, placera buren i ett mörkt rum, och där så behövs, placera torra handdukar under burarna för att minska vibrationsnivån.

Den klassificerare som presenteras i detta arbete används bara två ytterligare funktioner. Dock kan det finnas dussintals ytterligare funktioner som skulle kunna bidra till att förbättra klassificeringen prestanda. Eftersom de potentiella funktioner är domän och applikationsspecifika, kan användarna välja funktioner baserat på deras specifika behov eller applikationer. Den allmänna ramen för classifier tillåter användare att enkelt lägga till funktioner till klassificerare för att förbättra klassificeringen prestanda.

För att uppmuntra införande och utbyggnad av våra idéer, gör vi alla kod, data och sensor scheman fritt tillgängliga på UCR Computational Entomologi sidan 16-17. Vidare inom ramen för vår budget, kommer vi att fortsätta vår praxis att ge ett komplett system (som visas i figur 1) till någon forskning entomolog som begär en.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna förklarar att de inte har några konkurrerande ekonomiska intressen.

Acknowledgements

Vi vill tacka för Vodafone Americas Foundation, Bill och Melinda Gates Foundation, och São Paulo Research Foundation (FAPESP) för att finansiera denna forskning. Vi vill också tacka de många lärare från institutionen för entomologi vid University of California, Riverside, för deras råd om detta 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