Flying Insect Detection og klassifikation med billige sensorer

Bioengineering

GE Global Research 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 foreslog et system, der bruger billig, noninvasive pseudo-akustisk optiske sensorer til automatisk og præcist afsløre, tælle, og klassificere flyvende insekter baseret på deres flyvende lyd.

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, non-invasiv system, der kunne præcist klassificere flyvende insekter vil få betydelige konsekvenser for entomologiske forskning, og give mulighed for udvikling af mange nyttige applikationer i vektor og skadedyrsbekæmpelse for både medicinsk og landbrug entomologi. På denne baggrund har de sidste 60 år set mange forskningsindsats, der afsættes til denne opgave. Til dato har dog ingen af ​​denne forskning haft en varig betydning. I dette arbejde, viser vi, at pseudo-akustisk optiske sensorer kan producere overlegen data; at ekstra funktioner, både indre og ydre til insektets flugt adfærd, kan udnyttes til at forbedre insekt klassificering; at en Bayes klassifikation tilgang gør det muligt at effektivt at lære klassifikationsmodeller som er meget robust over-montering og en generel klassifikation rammer giver mulighed for nemt at inkorporere vilkårligt antal funktioner. Vi demonstrerer resultaterne med storskalaforsøg, der dværg alle tidligere værker combiNed, som målt ved antallet af insekter og antallet af arter, der betragtes.

Introduction

Ideen om automatisk at klassificere insekter ved hjælp af den utilsigtede lyden af deres fly daterer sig tilbage til de tidligste dage af computere og kommercielt tilgængelige lydoptagelse udstyr 1. Imidlertid er der gjort store fremskridt på dette problem i de mellemliggende årtier. De manglende fremskridt i denne stræben kan tilskrives flere relaterede faktorer.

For det første har manglen på effektive sensorer foretaget dataindsamling vanskelig. De fleste bestræbelser på at indsamle data har brugt akustiske mikrofoner 2-5. Sådanne anordninger er ekstremt følsomme overfor vindstøj og baggrundsstøj i miljøet, hvilket resulterer i meget sparsomme og lav kvalitet af data.

For det andet, hvilket har forstærket disse problemer med datakvaliteten, er det faktum, at mange forskere har forsøgt at lære meget komplicerede klassifikation modeller, især neurale netværk 6-8. Forsøger at lære komplicerede klassifikationsmodeller, med blot snesevis af eksempler,er en opskrift på over-montering.

For det tredje har difficultly at skaffe data betydet, at mange forskere har forsøgt at bygge klassifikationsmodeller med meget begrænsede data, så få som 300 forekomster 9 eller derunder. Imidlertid er det kendt, at for at bygge nøjagtige modeller klassificering, flere data er bedre 10-13.

Dette arbejde henvender sig til alle tre spørgsmål. Optisk (snarere end akustisk) sensorer kan bruges til at optage den "lyd" insekt flyvning fra meter væk, med komplet invarians at vindstøj og omgivende lyde. Disse sensorer har tilladt registrering af millioner af mærkede uddannelse tilfælde langt flere data end alle tidligere indsats tilsammen, og dermed bidrage til at undgå de over-montering, der har plaget tidligere forskningsindsats. En principfast metode er vist nedenfor, der tillader inkorporering af yderligere oplysninger i klassificeringen modellen. Disse yderligere oplysninger kan være så dagligdags og somlet at opnå som det tidspunkt på dagen, men stadig producere betydelige gevinster i nøjagtigheden af ​​modellen. Endelig er det påvist, at de enorme mængder af data, vi indsamlede tillade os at drage fordel af "The urimelig effektivitet af data" 10 til at producere enkle, præcise og robuste klassificører.

Sammenfattende har flyvende insekt klassificering bevæget sig ud over de tvivlsomme påstande, der er oprettet i forskningslaboratorium og er nu klar til den virkelige verden indsættelsen. Sensorerne og software der præsenteres i dette arbejde vil give forskere fra hele verden robuste værktøjer til at fremskynde deres forskning.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Insekt Colony og opdræt

  1. Mosquito Colony og opdræt
    1. Bageste Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma og Aedes aegypti voksne fra lab kolonier, der stammede fra vildtfangede individer.
    2. Bageste myggelarver i emalje pander under standardlaboratoriebetingelser (27 ° C, 16: 8 timers lys: mørke [LD] cyklus med 1 time Skumring / morgengry perioder), og fodre dem ad libitum på en blanding af jorden gnaver chow og ølgær (3: 1, vol: vol).
    3. Saml myg pupper i 200 ml kopper, og placere dem i eksperimentelle kamre. Alternativt aspireres de voksne myg i eksperimentelle kamre inden for 1 uge fremkomst. Sørg for, at hver eksperimentel kammer indeholder 20 til 40 individer af samme art / køn.
    4. Feed voksne myg ad libitum på en 10% saccharose og vand blanding. Udskift mad ugentligt.
    5. Fugt bomuld håndklæder to gange om ugen og place dem på toppen af ​​de eksperimentelle kamre at bevare fugtigheden i buret. Hertil kommer, at placere en 200 ml kop vand fra hanen i kammeret på alle tidspunkter for at hjælpe med at opretholde den overordnede fugtighedsniveau.
    6. Oprethold de eksperimentelle kamre på en 16: 8 timers lys: mørk [LD] cyklus, fra 20,5 til 22 ° C og 30-50% relativ fugtighed for varigheden af ​​eksperimentet.
  2. Hus flyve og bananfluen Colony og opdræt
    1. Bageste Musca domestica fra en lab koloni, der stammer fra vildtfangede individer. Fang vilde Drosophila simulans enkeltpersoner og bag dem i den eksperimentelle kamre.
    2. Bag Musca domestica larver i plastbægre under standardlaboratoriebetingelser (12:12 timers lys: mørke [LD] cyklus, 26 ° C, 40% RH) i en blanding af vand, klidmel, lucerne, gær og mælkepulver. Rear Drosophila simulans larver i et opdræt kammer og fodre dem ad libitum på en blanding af rådnendefrugt.
    3. Aspirer voksen Musca domestica i eksperimentelle kamre inden for 1 uge fremkomst. Voksen Drosophila simulans direkte kan opdrættes i de eksperimentelle kamre. Forud for dataindsamling, så sørg for hver forsøgsgruppe kammer indeholder ikke mere end 10-15 individuel Musca domestica eller 20-30 individuelle Drosophila simulans.
    4. Feed voksen Musca domestica ad libitum på en blanding af sukker og fedtfattig tørmælk, med fri adgang til vand. Foder voksen Drosophila simulans ad libitum på en blanding af rådnende frugt. Udskift mad ugentligt.
    5. Oprethold eksperimentelle kamre på en 16: 8 timers lys: mørk [LD] cyklus, 20,5-22 ° C og 30-50% relativ fugtighed for varigheden af ​​eksperimentet.

2. Notér Flying Lyde i eksperimentel Chambers

  1. Eksperimentel Afdeling opsætning
    Bemærk: En "eksperimentel CHamber "betegner buret designet i vores laboratorium, hvor dataene blev registreret. Sensoren er forholdsvis billig. Når bygget i løs vægt, kan et sæt op fremstilles for mindre end 10 dollars.
    1. Konstruere en eksperimentel kammer, enten af ​​den større størrelse: 67 cm L x 22 cm B x 24,75 cm H, eller den mindre størrelse: 30 cm L x 20 cm B x 20 cm H. Den eksperimentelle kammer består af en fototransistor array og en laserlinje peger på fototransistoren array.
      BEMÆRK: Derudover kammeret består af KRITTER Brugere, der er modificeret til at omfatte sensor apparatet samt en muffe fastgjort til et stykke PVC-rør til at give adgang til de insekter.
    2. Slut fototransistoren array til en elektronisk bord. Udgangen af ​​den elektroniske tavle-feeds til en digital lydoptager og registreres som lyddata i MP3-format. Se logik design af sensoren i fig 1, del II og en fysisk version af kammeret i figur 1.i.
    3. BEMÆRK: Når et insekt flyver over laserstrålen, sine vinger delvis okkludere lys, der forårsager små lette udsving. De lette udsving opfanges af fototransistoren array som ændringer i de nuværende, og signalet filtreres og forstærkes af specialdesignede elektroniske tavle.
  2. Konfigurere systemet til at optage lyde fra flyvende insekter
    1. Tilslut den eksperimentelle kammer til en strømforsyning. Tænd for strømmen.
    2. På den eksperimentelle kammer, finde laser lys og photoarray. Juster laser lys til photoarray. For at opnå korrekt justering justeres photoarray hjælp af magneter på ydersiden af ​​den eksperimentelle kammer, der svarer til de magneter, der er knyttet til photoarray på det indre af kammeret, indtil laserlyset er centreret om alle de enkelte photodiodes.
    3. Udfør to sanity checks for at sikre, at systemet er konfigureret korrekt.
      Bemærk: Første skridt er at sikre, at systemet er tændt, alle ledninger er tilsluttet korrekt, og laseren peger på foto array. Det andet skridt er at foretage yderligere kontrol på laser tilpasning for at sikre, det kan fange lyden af ​​insekternes vingeslag.
      1. Sæt hovedtelefoner (snarere end optageren) i lydstik. Dyk hånd ind og ud af det eksperimentelle kammer nær photoarray at bryde planet af laserlys. Sørg for, at laserlyset er tændt (det vil være en rød lysstråle), og at du bryder planet for lys et par gange med hånden. Lyt for ændringer i støjniveauet som din hånd går ind og ud af lysstrålen. Hvis du opdager en hørbar forskel, sensoren er i stand til at fange lyde, der fremkommer ved flytning af store objekter. Hvis det lykkes, gå videre til den næste tilregnelighed check, ellers, kontrollere, om hovedtelefonen er tilsluttet korrekt, oghvorvidt laseren peger på photoarray. Juster photoarray herom, indtil lyden af ​​hånden bevæger sig ind og ud af det eksperimentelle kammer kan høres.
      2. Vedhæft et tyndt stykke elektriske ledninger til en automatisk tandbørste. Tænd tandbørste, og styrte ledninger ind og ud af den eksperimentelle kammer tæt på phototarray. Sørg for, at laserlyset rammer det stykke ledninger som den bevæger sig. Hvis du opdager en hørbar ændring i frekvens, når det stykke ledninger bryder planet af laserlys, er systemet derefter klar til at fange de lyde, der fremkommer ved bevægelse af små genstande, dvs insekt lyde. Hvis du ikke registrerer en hørbar forskel, gå tilbage til trin 2.2.2 at re-justere laser lys og photoarray.
    4. Efter at systemet er sat rigtigt op, luk låget og tilsæt insekter.
  3. Dataindsamling: Optag lyde fra flyvende insekter
    1. Tænd for optageren, og gøre en Telefonsve anmærkning, der indeholder følgende oplysninger: navn af arterne i den eksperimentelle kammer, alder insekter, dato og klokkeslæt, aktuel omgivende RT, og relativ fugtighed. Pause i optagelsen.
    2. Slut optageren til systemet via lydkablet, og genoptage optagelsen. Lad optageren til at optage i 3 dage, og derefter stoppe optagelsen.
    3. Downloade data fra optageren i en ny mappe på en pc. Tøm optageren ved at slette dataene.
    4. Gentag ovenstående optagelsen, indtil de resterende insekter er døde ud, og der er ikke mere end 5 insekter efterladt i live i buret.

3. Føler Databehandling og afsløring af lyde fra flyvende insekter

  1. Brug software til at registrere lyde fra flyvende insekter.
    Bemærk: Softwaren (afsløring algoritme) er meget hurtigere end real-tid. Det tager mindre end 3 timer til at behandle en optagelse, dvs tre dage daten, på en standard maskine med Intel (R) Core ™ CPU ved 2,00 GHz og 8 GB RAM.
    1. For hver mappe, der indeholder data fra en optagelse, skal du køre afsløring software til at registrere insekt lyde. At køre softwaren, åbne Matlab, og skriv "circandian_wbf (datadir)" i kommando-vinduet, hvor datadir er den mappe af registrering af data. Tryk derefter på "Enter" for at starte.
      BEMÆRK: Download afsløring software circadian_wbf fra henvisning # 16.
    2. Vent, indtil algoritmen afsluttes, så tjek resultaterne afsløring. Algoritmen udgange alle de fundne insekt lyde i en ny mappe med navnet "datadir _extf", hvor datadir er den samme som i det foregående trin. Hver lydfil er en 1 sek lang lydklip oprindelig udvundet fra den rå optagelse, med et digitalt filter, der anvendes til at fjerne støj. Forekomsten tid hvert detekteret lyd gemmes i en fil med navnet "datadir _time.mat &# 8221 ;. Overhold eksempel på en detekteret insekt lyd i figur 2.
  2. Algoritme Detection
    1. Brug en 0,1 sek lang glidende vindue til at glide gennem optagelsen. Skydevinduet starter fra begyndelsen af ​​optagelsen. For hvert vindue, skal du følge nedenstående trin.
      1. Beregn den grundlæggende frekvens af det aktuelle vindue.
      2. Hvis den grundlæggende frekvens er inden for intervallet 100 Hz til 1.200 Hz, skal du gøre følgende:
        1. Uddrag 1-sek lang lydklip centrering på det aktuelle vindue fra optagelsen; anvende et digitalt filter til at fjerne støj i klippet og gemme den filtrerede lyd i mappen "datadir _extf".
        2. Spar forekomsten for den aktuelle vindue i filen "datadir _time".
        3. Flyt glidende vindue til det punkt, som følger umiddelbart efter det udtrukne lydklip.
      3. Hvis grundlæggende frequency er ikke inden for området 100 Hz til 1.200 Hz, skal du blot flytte den glidende vindue 0,01 sek fremad.
    2. Gentag processen, indtil det glidende vindue når slutningen af ​​optagelsen.

4. Insect Klassifikation

  1. Bayesianske Klassificering Brug Bare Flying Sound
    Bemærk: Bayesiansk klassificeringen er en probabilistisk klassifikatør der klassificerer et objekt til sin mest sandsynlige klasse.
    1. Lyd Feature Computation
      1. For hver insekt lyd beregne frekvensspektret af lyden ved hjælp af diskrete Fourier-transformation (DFT). Afkorte frekvensspektrum til at omfatte kun de datapunkter, der svarer til det frekvensområde: 100 Hz til 2.000 Hz. Den afkortede frekvensspektrum anvendes derefter i klassificeringen som "repræsentant" for insekt lyd.
        BEMÆRK: DFT er en algoritme, der omdanner signaler i tidsdomænet til frekvensdomænet. Det er en BuiLT-in-funktion i de fleste programmering biblioteker, og kan kaldes i programmet med kun én linje kode.
    2. Tog en Bayesiansk klassifikatør
      1. Brug KNN tæthed estimering tilgang 14 for at lære den bageste sandsynligheden distribution via lyd funktion. Med KNN tilgang, uddannelse fase er at opbygge en uddannelse datasæt.
        1. Tilfældigt prøve en række insekt lyde fra de indsamlede for hver art af insekter data.
        2. Følg trinene i afsnit 4.1.1 og beregne den afkortede frekvensspektret for hver lyd samplet. De afkortede spektre sammen med prøverne klasse etiketter (insektarter navn) komponeret uddannelse datasæt.
    3. Brug Bayesian klassificeringen til at klassificere et ukendt insekt
      1. Beregn trunkerede frekvensspektret af den ukendte insekt lyd.
      2. Beregn den euklidiske afstand mellem trunkerede spektrum unknown objekt og alle de trunkerede spektre i uddannelsen datasættet.
      3. Find den øverste k (k = 8 i dette papir) nærmeste naboer ukendt genstand i uddannelsen datasættet. Beregn den bageste sandsynligheden for det ukendte insekt lyd tilhører en klasse som den del af de øverste k nærmeste naboer, der er mærket som klasse.
      4. Klassificere det ukendte objekt til den klasse, der har den højeste bageste sandsynlighed.
  2. Tilføje en funktion til klassifikatoren: Insekt døgnrytme
    1. Lær klassen aircondition fordelinger af forekomsten tid insekt lyd, der er den døgnrytme for hver art af insekter.
      1. Anskaf forekomsten tidspunktet for hver lyd fra de resultater, detektion (jævnfør afsnit 3.2).
      2. For hver art, opbygge et histogram af insekt lyd forekomst tid.
      3. Normalisere histogrammet, således at det område af histogrammet er én. Den normaleliseret histogram er døgnrytmen af ​​de pågældende dyrearter. Det fortæller sandsynligheden for at observere et insekt, af denne art, på flugt inden for en bestemt periode.
    2. Klassificere et ukendt "insekt lyd" ved at kombinere "insekt lyd", og døgnrytmen
      1. I betragtning af det specifikke tidspunkt, hvor den ukendte insekt lyd opstod, få sandsynligheden for at observere et insekt af klasse baseret på døgnrytme af klasse.
        BEMÆRK: døgnrytme er en sandsynlighedsfordeling. Det er et array med angivelse sandsynlighed afslører en lyd, der frembringes af specifikke arter af insekter, på et bestemt tidspunkt på dagen. Så engang en tid, der er givet, kan man blot markere array til at få sandsynligheden.
      2. Følg trinene i afsnit 4.1.2 til at beregne bageste sandsynlighed for, at den ukendte lyd tilhører klasse ved hjælp af lyd-funktioner. Multiplicer bageste sandsynlighed resultaterne tilbagem det forrige trin for at få den nye bageste sandsynlighed.
      3. Klassificere "ukendt lyd" til den klasse, der har den højeste nye bageste sandsynlighed.
  3. Tilføje endnu en funktion til Classifier: Insekt Geografisk fordeling
    1. Lær den geografiske fordeling af de arter af interesse, enten fra offentliggjorte data i historiske optegnelser, relevant litteratur, eller blot samle den første hånd viden fra teknikere / biologer. Til demonstration formål bruge en simulering af det grafiske fordeling, som vist i figur 7.
    2. Klassificere et "ukendt insekt lyd" ved hjælp af "flyvende lyd", og de to ekstra funktioner.
      1. I betragtning af den geografiske placering, hvor insekt lyden blev opfanget, udregne sandsynligheden for at observere et insekt fra klasse på den specifikke placering ved hjælp af grafisk fordeling af arter.
        1. Følg trinene i afsnit 4.2.2 and beregne den bageste sandsynlighed for, at "ukendt lyd" hører til klasse ved hjælp af lyd-funktioner og døgnrytmen. Multiplicer resultatet af dette trin for at resultaterne fra det foregående trin, for at få den nye bageste sandsynlighed.
      2. Klassificere "ukendt lyd" til den klasse, der har den højeste nye bageste sandsynlighed.
  4. En generel ramme for at tilføje funktioner
    1. Overvej Bayesian klassificeringen, der kun bruger lydfunktioner som primære klassifikation. Følg trinene nedenfor for at tilføje nye funktioner til klassificeringen.
      1. I uddannelsen fase, lære klassen aircondition tæthedsfunktioner af den nye funktion.
      2. I klassificeringen fase, i betragtning af den nye funktion af "ukendt lyd", udregne sandsynligheden for at observere funktion i klassen ved hjælp af tæthedsfunktioner lært i det foregående trin. Multiplicer nye sandsynlighed PRevious bageste sandsynlighed svarende til "ukendt lyd", der hører til klasse, som blev beregnet på grundlag af netop de ulige funktioner, for at opnå den nye bageste sandsynlighed. Klassificere det ukendte objekt til den klasse, der har størst nye posterior sandsynlighed.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

To forsøg er præsenteret her. For begge forsøg blev de data, der anvendes stikprøver fra et datasæt, der indeholder over 100.000 genstande.

Det første eksperiment viser evnen af ​​den foreslåede klassificeringen præcist at klassificere forskellige arter / køn af insekter. Da klassificeringen nøjagtigheden afhænger af de insekter, der skal klassificeres, vil en enkelt absolut værdi for klassificering nøjagtighed ikke give læseren en god intuition om effektiviteten af ​​systemet. I stedet stedet for at rapportere klassificeringen nøjagtighed på et fast sæt af insekter, blev klassificeringen anvendt på datasæt med en trinvist stigende antal arter, og dermed øge klassifikation vanskeligheder.

Datasættet begyndte med kun 2 arter af insekter; derefter ved hvert trin blev en flere arter (eller en enkelt køn for en seksuelt dimorfe arter) tilsat, og klassificeringen blev brugt til at klassificere den øgedeantal arter (det nye datasæt). I alt ti klasser af insekter (forskelligt køn fra samme art tælle som forskellige klasser) blev overvejet med 5.000 eksemplarer i hver klasse.

Klassifikatoren anvendes både insekt-lyd (frekvensspektrum) og tid-af-skæring til klassificering. Tabel 1 viser klassificeringen nøjagtighed målt ved hvert trin og den relevante klasse tilføjes dette skridt.

Ifølge tabel 1, opnår klassificeringen mere end 96% nøjagtighed, når klassificering højst 5 arter af insekter, hvilket er betydeligt højere end standarden på 20% nøjagtighed. Selv når antallet af klasser betragtet stiger til 10, klassificeringen nøjagtighed er aldrig lavere end 79%, igen betydeligt højere end standarden på 10%. Bemærk, at de ti klasser er ikke let at adskille, selv ved menneskelig inspektion. Blandt de ti arter, otte af dem er myg, with seks af dem er fra den samme slægt.

Det andet eksperiment er at vise, hvor præcist kan systemet køn flyvende insekter, især til at skelne mellem mandlige Æ. Aegypti myg fra hunner. For den første del af forsøget, antage, at de "misklassifikation omkostninger" misclassifying mænd som kvinder er den samme som kostprisen for misclassifying kvinder som mænd. Med denne antagelse, er resultaterne af den klassificering vist i tabel 2.I. Klassificeringen nøjagtighed til sex Ae. Aegypti er omkring 99,4%.

For den anden del af forsøget, påtage sig omkostningerne ikke er asymmetrisk, dvs misklassifikation af kvinder som mænd er meget dyrere end det modsatte. Med denne antagelse blev tærsklen beslutning om klassificeringen ændret til at reducere antallet af dyre fejlklassificeringer. Med tærsklen justeret korrekt, er resultaterne klassificering i tabel 2.II blev opnået. 2.000 insekter i eksperimentet blev toogtyve mænd, og nul hunner kategoriseret.

Figur 1
Figur 1. (I) En af de eksperimentelle bure bruges til at indsamle data. (II) En logisk udgave af sensoren setup med de komponenter, annoterede. Klik her for at se en større version af dette tal.

Figur 2
Figur 2. (I) Et eksempel på en 1 sek lydklip, der indeholder en "flyvende insekt lyd" produceret af sensoren. Lyden blev produceret af en kvindelig Cx. Stigmatosoma. Den insect lyd er fremhævet med rød / fed. (ii) "insekt lyd", der er blevet rengjort og gemmes i en 1 sek lang lydklip ved at centrere den insekt-signalet og polstring med 0'er andetsteds. (III) Hyppigheden spektrum af insekt lyd, opnået ved hjælp af diskrete Fourier transformation. Klik her for at se en større version af dette tal.

Figur 3
Figur 3. En Bayesiansk netværk, der bruger et enkelt karakteristikum for klassificering.

Figur 4
Figur 4. En Bayesiansk netværk, der benytter to uafhængige funktioner til classificat ion

Figur 5
Figur 5. døgnrytmen CX. stigmatosoma (hun), Cx. tarsalis (han), og Ae. aegypti (kvinde), lærte baseret på observationer genereret af sensor, der blev indsamlet over 1 måned varighed. Klik her for at se en større version af dette tal.

Figur 6
Figur 6. En Bayesiansk netværk, der benytter tre uafhængige funktioner til klassificering.

g "/>
Figur 7. Forudsætningerne for de geografiske fordelinger af hver insektarter og sensorsystemer steder i simuleringen at demonstrere effektiviteten af at anvende placering-af-skæringspunkt funktion i klassifikationen. Klik her for at se en større version af dette tal.

Figur 8
Figur 8. Den generelle Bayesian netværk, der bruger n funktioner til klassificering, hvor n er et positivt heltal. Klik her for at se en større version af dette tal.

Trin Specerne Tilføjet Klassifikation Nøjagtighed Trin Tilføjede arter Klassifikation Nøjagtighed
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%

Tabel 1. Klassificering nøjagtighed med stigende antal klasser.

Forudsagt klasse Forudsagt klasse
I (Symmetrisk omkostninger) Kvinde mandlig II (Asymmetric omkostninger) Kvinde mandlig
Faktisk klasse Kvinde 993 7 Faktisk klasse Kvinde 1.000 0
mandlig 5 995 mandlig 22 978

Tabel 2. (I) forvirring matrix for kønsdiskrimination af Ae. Aegypti myg med tærsklen beslutning for kvinder er fastsat til 0,5 (dvs. samme pris antagelse). (II) Forvirringen matrix af køn de samme myg, med beslutningen tærskel for kvinder sat til 0,1.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Sensoren / klassificering rammer beskrevet her giver billig og skalerbar klassificering af flyvende insekter. Nøjagtighed kan opnås i systemet, er god nok til at muliggøre udviklingen af ​​kommercielle produkter og kan være et nyttigt redskab i entomologisk forskning.

Evnen til at bruge billig, invasive sensorer til præcist og automatisk klassificere flyvende insekter vil få betydelige konsekvenser for entomologisk forskning. For eksempel ved implementering af systemet i feltet for at tælle og klassificere insekter, kan systemet levere real-time tællinger af målarterne, der producerer real-time information, der kan bruges til at planlægge interventions- / undertrykkelse programmer til bekæmpelse af malaria. Desuden kan systemet automatisk adskille insekter efter køn, og dermed kan bruges til gratis entomologer arbejder på Steril Insekt Teknik 15 fra den kedelige og tidskrævende opgave for manuelt at kønsbestemmelse insekterne. </ P>

Ved at bruge dette system, det mest kritiske skridt er korrekt sat op sensoren til dataindsamling. Hvis laseren og fotoet vifte ikke er justeret korrekt, vil data være meget støjende. Efter insekter er placeret i buret bør tilgængeligt matrix altid finjusteres ved hjælp af magneter på ydersiden af ​​buret. Bemærk, at blinkende lys, kamera blinker og vibrationer nær burene vil indføre støj til dataene. Derfor, for at opnå rene data, skal du placere buret i et mørkt rum, og når det er nødvendigt, skal du placere tørre håndklæder under burene for at mindske niveauet af vibrationer.

Klassifikatoren præsenteres i dette arbejde bruges kun to ekstra funktioner. Dog kan der være snesevis af ekstra funktioner, som kan hjælpe med at forbedre klassificeringen ydeevne. Da de potentielle funktioner er bestemt domæne og anvendelse, kan brugerne vælge funktioner baseret på deres specifikke behov eller applikationer. De generelle rammer i CLassifier giver brugerne mulighed for nemt at tilføje funktioner til at klassificeringen for at forbedre klassificeringen ydeevne.

At fremme vedtagelsen og udvidelse af vores idéer, gør vi alle kode, data og sensorsystemer skemaer frit tilgængelige på UCR Computational Entomologi Side 16-17. Endvidere inden for rammerne af vores budget, vil vi fortsætte vores praksis med at give et komplet system (som vist i figur 1) til enhver forskning entomolog som anmoder én.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne erklærer, at de ikke har nogen konkurrerende finansielle interesser.

Acknowledgements

Vi vil gerne takke Vodafone Amerika Foundation, Bill og Melinda Gates Foundation, og São Paulo Research Foundation (FAPESP) til finansiering af denne forskning. Vi vil også gerne takke de mange videnskabelige medarbejdere fra Institut for Entomologi ved University of California, Riverside, om deres råd på dette 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