Ucuz Sensörler ile Böcek Tespit ve Sınıflandırma Uçan

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

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

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

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

Introduction

Otomatik olarak uçuş tesadüfi ses kullanılarak böceklerin sınıflandırılması fikri ilk bilgisayarların günlük ve ticari olarak kullanılabilir ses kayıt cihazı, 1 kadar uzanır. Ancak, küçük ilerleme Aradan on yıl içinde bu sorun üzerinde yapılmıştır. Bu peşinde ilerleme eksikliği birçok ilgili faktörlere bağlanabilir.

İlk olarak, etkili sensör eksikliği veri toplama güçleştirmiştir. Veri toplamak için en çabaları akustik mikrofonları 2-5 kullandık. Bu tür cihazlar çok seyrek ve düşük kaliteli veri sonuçlanan, çevre gürültü ve ortam gürültü rüzgar son derece duyarlıdır.

İkincisi, bu veri kalitesi sorunları bileşik birçok araştırmacı çok karmaşık sınıflandırma modelleri, özellikle nöral ağları 6-8 öğrenmeye çalıştılar olmasıdır. Örnekler sadece onlarca, karmaşık sınıflandırma modelleri öğrenmek için çalışılıyor,aşırı uydurma için bir reçetedir.

Üçüncüsü, elde veri zorlukla birçok araştırmacı 300 durumda 9 veya daha az gibi az, çok sınırlı verilerle sınıflandırma modelleri oluşturmak teşebbüs anlamına gelmektedir. Ancak, doğru sınıflandırma modeller oluşturmak için, daha fazla veri 10-13 daha iyi olduğu bilinmektedir.

Bu çalışma üç sorunları giderir. Optik (yerine akustik daha) sensörleri gürültü ve ortam sesleri rüzgar tam değişmezliği ile, uzak metre böcek uçuş "ses" kaydetmek için kullanılabilir. Bu sensörler etiketli eğitim durumlarda, kombine önceki tüm çabalardan çok daha fazla veri milyonlarca kayıt izin ve böylece bu bezdiren aşırı uydurma önceki araştırma çabalarını önlemek var. Aşağıda gösterilmiştir bir ilkeli yöntem sınıflandırma modeli içine ek bilgi yerleştirilmesini sağlar. Bu ek bilgiler gündelik olarak ve olabildiğincezaman-of-day olarak-elde-kolay, henüz hala modelin doğruluğu önemli kazanımlar üretmek. Son olarak, biz toplanan verilerin büyük miktarda bize, basit, doğru ve sağlam sınıflandırmıstır üretmek için "veri mantıksız etkinliği" 10 yararlanmak için izin olduğu gösterilmiştir.

Özetle, uçan böcek sınıflandırma araştırma laboratuvarında oluşturulan şüpheli iddiaları ötesine taşındı ve şimdi gerçek dünya dağıtım için hazır. Bu çalışmada sunulan sensörleri ve yazılımı dünya çapında araştırmalarını hızlandırmak için güçlü araçlar araştırmacılar sağlayacaktır.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Böcek Kolonisi ve Yetiştirme

  1. Sivrisinek Koloni ve Yetiştirme
    1. Vahşi kökenli Arka Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma ve laboratuar kolonilerden Aedes aegypti yetişkin bireyler yakaladı.
    2. Standart laboratuvar koşullarında emaye tava Arka sivrisinek larvaları (27 ° C, 16: 8 saat ışık: 1 saat alacakaranlık / şafak dönemleri karanlık [LD] döngüsü), ve zemin kemirgen çorbası karışımı onları istenildiği kadar beslemek ve Brewer mayası (3: 1, hacim: hacim).
    3. 200 ml bardak içine sivrisinek pupa toplayın ve deneysel odaların içine koyun. Alternatif olarak, ortaya çıkması 1 hafta içinde deneysel odalarına yetişkin sivrisinek aspire. Her deney odası aynı tür / cinsiyetten 20 ila 40 bireyleri içerdiğinden emin olun.
    4. % 10 sakroz ve su karışımı Besleme yetişkin sivrisinekler ad libitum verilmiştir. Gıda haftalık değiştirin.
    5. Pl haftada iki kez pamuk havlu ıslatın vekafes içinde nem muhafaza etmek için deney odası üstüne onları. Buna ek olarak, genel olarak bir nem seviyesini muhafaza yardımcı olmak için her zaman bölmesi içinde musluk suyu içinde bir 200 mi kap yerleştirin.
    6. 8 saat aydınlık: 16 ile ilgili deneysel bölmeyi muhafaza koyu [LD] döngüsü, 20,5-22 ° C ve% 30-50 göreli nem deney süresi.
  2. Ev Fly ve Meyve Sineği Koloni ve Yetiştirme
    1. Vahşi türetilmiş bir laboratuvar kolonisinden Arka Musca domestica, bireyleri yakaladı. Deneysel odalarında vahşi Drosophila simulans bireyleri ve arka onları yakalamak.
    2. Standart laboratuar koşulları altında plastik tüpler içinde arka Musca domestica larvası (12:12 saat aydınlık: karanlık [LD] çevrimi, 26 ° C,% 40 bağıl nem), su, kepek tozu, yonca, maya ve süt tozunun bir karışımı içinde gerçekleştirilir. Bir yetiştirme odasında Arka Drosophila simulans larva ve çürüyen bir karışımı onları istenildiği doyurmayameyve.
    3. Ortaya çıkmasına 1 hafta içinde deneysel odalarına aspire yetişkin Musca domestica. Yetişkin Drosophila simulans doğrudan deneysel odalarında yetiştirilen olabilir. Veri toplama öncesinde, her deney odası, birden fazla 10-15 bireysel Muska domestia veya 20-30 bireysel Drosophila simulans hiçbir içerdiğinden emin olun.
    4. Suya serbest erişim, şeker ve düşük yağlı süt tozu karışımı yetişkin Musca domestica libitum besleyin. Çürüyen meyve bir karışımına, Drosophila ergin Besleme simulans ad libitum verilmiştir. Gıda haftalık değiştirin.
    5. 8 saat aydınlık: 16 ile ilgili deneysel bölmeyi muhafaza koyu [LD] döngüsü, 20,5-22 ° C ve% 30-50 göreli nem deneyin süresi için.

Deneysel Chambers 2. Kayıt Uçan Sesler

  1. Deneysel Odası Kurulumu
    Not: Bir "Deneysel chamber "veri kaydedildiği bizim laboratuvarda tasarlanan kafes, gösterir. Sensör oldukça ucuzdur. Toplu olarak inşa edilmiş, bir dizi kadar az 10 $ için imal edilebilir.
    1. 67 cm x 22 cm L G x 24,75 cm H ya da daha küçük boyutta: 30 cm x 20 cm L G x 20 cm H Deney bölmesi, bir dizi ve fototransistör oluşan bir deney haznesi, ya da daha büyük boyutta Construct phototransistor dizi işaret lazer çizgisi.
      Not: Ek olarak, odacık sensör düzeneği hem de böcek erişim sağlamak için PVC boru parçasına bağlı bir manşon içerecek şekilde modifiye edilir Kritter Koruyucularının oluşur.
    2. Bir elektronik karta phototransistor dizi bağlayın. Elektronik kartın çıkış dijital ses kaydedici içine besleyen ve MP3 formatında ses veri olarak kaydedilir. Şekil 1.II algılayıcı ve Şekil 1.I boşluğun fiziksel bir versiyonunun mantık tasarımı bakınız.
    3. NOT: bir böcek, lazer ışınının karşısında uçar, kanatları kısmen, ışık tıkamaktadır küçük bir ışık dalgalanmalara yol. Işık dalgalanmaları akımındaki değişiklikleri phototransistor dizisi tarafından yakalanır ve sinyal elektronik kart tasarlanmış özel ile filtre edilmiş ve amplifiye edilir.
  2. Uçan Böcekler tarafından üretilen Record Sesler Sistemi Kurma
    1. Bir güç kaynağına deneysel odasına bağlayın. Gücü açın.
    2. Deneysel odasının üzerine, lazer ışıkları ve photoarray bulabilirsiniz. Photoarray için lazer ışıkları hizalayın. Lazer ışığı, tüm bireysel photodiod merkezli kadar haznenin iç kısmına photoarray bağlı mıknatısların uygun deneysel odasının dışında mıknatıslar kullanılarak photoarray ayarlamak düzgün bir uyum elde etmek içines.
    3. Sistem düzgün kurulduğundan emin olmak için iki sağlık kontrolleri gerçekleştirin.
      Not: İlk adım sistemi, tüm kabloların doğru şekilde bağlandığından desteklenmektedir ve lazer fotoğraf dizisinde işaret emin olmaktır. İkinci adım, böceklerin kanat darbelerinin ses yakalamak sağlamak için lazer hizalama üzerinde daha fazla kontrol yapmaktır.
      1. Ses girişine (yerine kaydedici daha) kulaklıkları takın. Lazer ışık düzlemini kırmak için, photoarray yakınına ve deney odasının üzerinden el dalma. Emin lazer ışığının yandığından emin olun (bir ışık kırmızı ışın olacaktır) ve elinizle ışık düzlemi birkaç kez kırmak olduğunu. Eliniz ve ışık demetinin dışarı gider gibi gürültü seviyesinde değişiklikler için dinleyin. Eğer sesli bir fark tespit ederseniz, sensör büyük nesnelerin hareketi tarafından üretilen sesleri yakalamak için yapabiliyor. Eğer başarılı olursa, kulaklık düzgün şekilde bağlanıp bağlanmadığını kontrol edin, aksi takdirde, bir sonraki aklı kontrolünden geçmek velazer photoarray işaret olup olmadığını. Elin ses ve deneysel odasının üzerinden hareket duyulabilir buna uygun kadar photoarray ayarlayın.
      2. Otomatik diş fırçası elektrik kablolama ince bir parça eklemek. Diş fırçası açın ve ve phototarray yakın deneysel odasının dışına kablo dalma. Hareket ettikçe lazer ışığı kablolama parçası isabet olduğundan emin olun. Eğer frekansta sesli bir değişiklik tespit ederseniz kablo parçası lazer ışık düzlemini kırdığında, sonra sistem, yani küçücük nesneler, böcek sesleri hareketi tarafından üretilen sesleri yakalamak için hazırdır. Eğer sesli bir fark tespit etmezseniz, lazer ışıkları ve photoarray yeniden hizalamak için 2.2.2 adıma geri dönün.
    4. Sistem düzgün kurulduktan sonra, kapağını kapatın ve böcekler ekleyin.
  3. Veri Toplama: Uçan Böcekler Yapımcı Rekor Sesler
    1. Kaydedici açın ve bir Voic yapmakaşağıdaki bilgileri içeren bir e açıklama: deneysel odasında türlerin adı, böcekler, tarih ve zaman, şimdiki ortam RT, ve bağıl nem yaş. Kaydı duraklatmak.
    2. Ses kablosu aracılığıyla, sisteme kayıt cihazı bağlamak ve kayda devam. Daha sonra kaydı durdurmak, 3 gün boyunca kaydetmek için kaydediciyi bırakın.
    3. Bir PC'de yeni bir klasöre kaydedici gelen verileri indirmek. Verileri silerek kaydedici boşaltın.
    4. Kalan böcekler kapalı öldü ve kafeste hayatta kalan fazla 5 böcekler hiçbir kalmayıncaya kadar, yukarıdaki kayıt işlemini tekrarlayın.

3. Sensör Veri İşleme ve Uçan Böcekler tarafından üretilen Sounds Algılama

  1. Uçan Böcekler tarafından üretilen Sesler Algılama Yazılımı kullanmak.
    Not: Yazılım (algılama algoritması) gerçek zamanlı çok daha hızlıdır. Bu dat, yani üç gün, bir kayıt oturumu işlemek için en az 3 saat sürerBir, 2.00 GHz ve 8 GB RAM, Intel (R) Core ™ işlemciye sahip standart bir makinede.
    1. Bir kayıt oturumu veri içeren her klasör için, böcek sesleri algılamak için algılama yazılımını çalıştırın. Yazılım, açık MATLAB çalıştırmak ve DATADIR veri kayıt dizini komut penceresinde "circandian_wbf (DATADIR)", yazın. Ardından başlatmak için "Enter" tuşuna basın.
      NOT: Referans # 16 den algılama yazılımı circadian_wbf indirin.
    2. Algoritma sona kadar, sonra algılama sonuçlarını kontrol bekleyin. Algoritma çıkışları tüm tespit böcek DATADIR önceki adımda aynıdır "DATADIR _extf" adlı yeni bir klasörde geliyor. Her ses dosyası dijital bir filtre gürültü çıkarmak için uygulanan aslen, ham kayıt çıkarılan 1 sn uzun ses klip. Tespit edilen her sesin oluşumu zamanı "DATADIR _time.mat & adında bir dosyaya kaydedilir# 8221 ;. Şekil 2 içinde, tespit edilen bir böcek ses örneği dikkate alınmalıdır.
  2. Algılama Algoritması
    1. Kayıt kaydırmak için 0.1 sn uzun sürme penceresini kullanın. Sürgülü pencere kaydın başından itibaren başlar. Her pencere için, aşağıdaki adımları izleyin.
      1. Geçerli pencerenin temel frekans hesaplayınız.
      2. Temel frekans 100 Hz ile 1.200 aralığında ise, aşağıdakileri yapın:
        1. Kayıttan geçerli pencerede ortalayan 1-sn uzun ses klibi ayıklayın; klipte gürültü çıkarmak ve klasör "DATADIR _extf" içine süzüldü ses kaydetmek için dijital bir filtre uygulamak.
        2. Dosya "DATADIR _süre" içine geçerli pencerenin meydana geliş saati kaydedin.
        3. Hemen çıkarılan ses klibini izler noktasına kayan pencereyi taşıyın.
      3. Eğer temel frequency 100 Hz ile 1.200 aralığında, sadece ileriye kayan pencere 0,01 sn hareket değildir.
    2. Sürgülü pencere kaydın sonuna ulaşıncaya kadar işlemi tekrarlayın.

4. Böcek Sınıflandırma

  1. Sadece Uçan Ses'i kullanma Bayes Sınıflandırma
    Not: Bayes onun en olası sınıfı için bir nesne sınıflandıran bir olasılık sınıflandırıcı olduğunu.
    1. Ses Özelliği Hesaplama
      1. Her böcek ses için, Ayrık Fourier Dönüşümü kullanarak ses (DFT) frekans spektrumunu hesaplamak. Frekans aralığına karşılık sadece bu veri noktalarını içerecek şekilde frekans spektrumunu kesecek: 100 Hz ile 2.000. Kesik frekans spektrumu sonra böcek ses "temsilcisi" olarak sınıflandırılmasında kullanılır.
        NOT: DFT frekans alanına zaman alanında sinyalleri dönüştüren bir algoritmadır. Bu bui olduğult-çoğu programlama kütüphanelerde fonksiyon ve kod sadece bir satır ile programda çağrılabilir.
    2. Bayes sınıflandırıcı Tren
      1. Ses özelliğini kullanarak posterior olasılık dağılımını öğrenmek için kNN yoğunluk tahmin yaklaşımını 14 kullanın. KNN yaklaşımla, eğitim safhası bir eğitim veri kümesi inşa etmektir.
        1. Rasgele böceklerin her bir tür için toplanan verilerden böcek sesleri çok sayıda örnek.
        2. Bölüm 4.1.1 adımları izleyin ve örneklenen her ses için kesik frekans spektrumunu hesaplamak. Birlikte numunelerin sınıf etiketlerine (böcek türleri adı) ile kesilmiş spektrumları eğitim veri kümesi oluşur.
    3. Bilinmeyen bir böcek sınıflandırmak için Bayes sınıflandırıcı kullanın
      1. Bilinmeyen böcek sesin kesik frekans spektrumunu hesaplamak.
      2. Bilinmeyen bir kesik spektrumu arasındaki Öklid uzaklığını hesaplayabilirizn nesne ve eğitim veri kümesi içinde tüm kesilmiş spektrumları.
      3. Üst k (bu yazıda k = 8) eğitim veri kümesi içinde bilinmeyen bir nesnenin en yakın komşuları bulabilirsiniz. Sınıf olarak etiketli üst k en yakın komşularının fraksiyonu olarak bir sınıfa ait bilinmeyen böcek ses posterior olasılığını hesaplayınız.
      4. Yüksek arka olasılığa sahiptir sınıfına bilinmeyen nesneyi sınıflandırır.
  2. Böcek sirkadiyen ritim: sınıflandırıcısını bir Özellik Ekle
    1. , Böceklerin her tür için sirkadiyen ritmi böcek ses oluş zamanları, sınıf klimalı dağılımları öğrenin.
      1. Algılama sonuçları her ses (bakınız Bölüm 3.2) meydana geliş saati edinin.
      2. Her tür için böcek ses oluşumu zaman bir histogram oluşturmak.
      3. Histogram alan biri olduğunu böylece histogram normalleştirmek. Normalsürerlerken, histogram verilen türlerin sirkadiyen ritim olduğunu. Bu belli bir süre içinde uçuş, bu türün, bir böcek gözlemleme olasılığını söyler.
    2. "Böcek sesi" ve sirkadiyen ritim birleştirerek bilinmeyen bir "böcek sesi" sınıflandırmak
      1. Bilinmeyen böcek ses meydana geldiği zaman içinde belli bir noktaya göz önüne alındığında, sınıf tipi ritim üzerinde sınıfın bir böcek gözlemleme olasılığıdır elde edilir.
        NOT: sirkadiyen ritim bir olasılık dağılımıdır. Bu, günün belirli bir zamanda böceklerin belirli bir türleri tarafından üretilen bir ses, tespit olasılığını belirten bir dizidir. Bir süre verilir Yani, bir kez bir sadece olasılığını almak için dizi kontrol edebilirsiniz.
      2. Bilinmeyen ses ses özelliklerini kullanarak sınıfa ait posterior olasılığını hesaplamak için bölüm 4.1.2 adımları izleyin. Fro sonuçlarına posterior olasılık çarpınYeni posterior olasılık almak için önceki adımı m.
      3. Yüksek yeni arka olasılığına sahiptir sınıfına "bilinmeyen sesi" sınıflandırır.
  3. Sınıflandırıcısını için One More Özelliği ekleyin: Böcek Coğrafi Dağılımı
    1. Ilgi, gerek tarihî kayıtlarda yayınlanan verilere, ilgili literatürden türlerin coğrafi dağılımını öğrenmek, ya da sadece alan teknisyen / biyologların gelen ilk elden bilgi toplamak. Şekil 7'de gösterildiği gibi gösteri amaçlı, grafik dağılımı bir simülasyon kullanabilirsiniz.
    2. "Uçan ses" ve iki ek özellikleri kullanarak bir "bilinmeyen böcek sesi" sınıflandırır.
      1. Böcek ses yakalandığı coğrafi konumu göz önüne alındığında, türlerin grafik dağılımı kullanılarak belirli konumda sınıftan bir böcek gözlemleme olasılığını hesaplamak.
        1. Bölüm 4.2.2 a'da adımları izleyinnd "bilinmeyen ses" ses özelliklerini ve sirkadiyen ritimleri kullanarak sınıfa ait arka olasılığını hesaplarlar. Yeni arka olasılığını elde etmek için, önceki aşamada elde edilen sonuçlar, bu adımın sonucu çarpın.
      2. Yüksek yeni arka olasılığına sahiptir sınıfına "bilinmeyen sesi" sınıflandırır.
  4. Özellikleri Ekleme için Genel Çerçeve
    1. Birincil sınıflandırıcı olarak sadece ses özelliklerini kullanan Bayes sınıflandırıcı düşünün. Sınıflandırıcı yeni özellikler eklemek için aşağıdaki adımları izleyin.
      1. Eğitim aşamasında, yeni özelliği sınıf klimalı yoğunluk fonksiyonlarını öğrenmek.
      2. Sınıflandırma aşamasında, "bilinmeyen ses" yeni özellik verilen, önceki adımda öğrenilen yoğunluk fonksiyonlarını kullanarak sınıfta özelliğini gözlemleme olasılığını hesaplamak. Pr için yeni olasılığını çarpınSadece tuhaf özellikleri dayanarak hesaplanandan edildi sınıfa ait "bilinmeyen sesi" karşılık evious posterior olasılık, yeni arka olasılığını elde etmek. En yeni arka olasılığına sahiptir sınıfına bilinmeyen nesneyi sınıflandırır.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

İki deney burada sunulmuştur. Deneyler için kullanılan veri rastgele 100.000 nesneleri içeren bir veri kümesi örnek seçildi.

Birinci deney, doğru bir böceklerle değişik türleri / cinsiyeti sınıflandırmak için önerilen sınıflandırıcının kabiliyetini göstermektedir. Sınıflandırma doğruluğu sınıflandırılır böcekler bağlıdır olarak sınıflandırma doğruluğu için tek bir mutlak değer okuyucuya sistemin performansı hakkında iyi bir sezgi vermeyecektir. Bunun yerine, daha çok böcek sabit bir kümesi Sınıflandırıcının doğru raporlama daha sınıflandırıcı türünün bir adım adım artan sayıda veri setleri uygulandı ve bu nedenle sınıflandırma zorluk artmaktadır.

Veri kümesi böceklerin sadece 2 türler ile başladı; Daha sonra her adımda, bir daha türleri (ya da cinsi olarak dimorfik türdeki bir cinsiyet) ilave edildi ve sınıflandırıcı artan sınıflandırmak için kullanıldı:türlerin sayısı (yeni veri seti). Böceklerin on sınıflarına (farklı sınıfları sayma aynı türden farklı cins) toplam her sınıfta 5000 örnekli ile, kabul edildi.

Sınıflandırıcı hem böcek-ses (frekans spektrumu) ve zaman içinde-kesişim sınıflandırılması için kullanılır. Tablo 1, her adımda ve bu aşamada ilave ilgili sınıf ölçülen sınıflandırma doğruluğunu gösterir.

Tablo 1'e göre, sınıflandırıcı% 20 doğruluk varsayılan hızından daha önemli ölçüde daha yüksek böceklerin en fazla 5 tür, sınıflandırmak fazla% 96 doğruluk ulaşır. Sınıfları sayısı 10 olarak artar bile, sınıflandırma doğruluğu daha% 10 varsayılan oranında önemli ölçüde daha yüksek,% 79 den hiç düşüktür. On sınıfları hatta insan muayene ile ayırmak kolay değildir unutmayın. On türler arasında, sekiz sivrisinekler, zekâ vardırh onları aynı cinsten olmanın altı.

İkinci deney sistemi özellikle, böcekler seks uçan ne kadar doğru dişilerden erkek Ae. Aegypti sivrisinek ayırt etmek, göstermektir. Deneyin ilk kısmı için, kadın gibi erkek misclassifying bir "yanlış sınıflandırma maliyet" erkek gibi kadın misclassifying maliyeti olarak aynı olduğunu varsayalım. Bu varsayım ile sınıflandırma sonuçları Tablo 2.I gösterilmiştir. Seks Ae. Aegypti'nin için sınıflandırma doğruluğu yaklaşık% 99.4 olduğunu.

Deneyin ikinci bölümü için, maliyet, yani erkek gibi kadın yanlış sınıflandırma çok daha pahalı ters fazladır, asimetrik değil varsayalım. Bu varsayımla, sınıflandırıcının karar eşiği yüksek maliyetli yanlış sınıflandırılması sayısını azaltmak için değiştirildi. Eşik düzgün, Tablo 2'de sınıflandırma sonuçları ayarlandı.II elde edildi. Deneyde 2.000 böceklerin, yirmi iki erkek ve sıfır dişiler sınıflandırıldıgı görüldü.

Şekil 1
Şekil 1. (I) veri toplamak için kullanılan deneysel kafesleri biri. (II) açıklamalı bileşenleri ile sensör kurulumu mantıksal bir versiyonu. , bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Şekil 2
Şekil 2. (I) 'in sensör tarafından üretilen bir "uçan böcek ses" ihtiva eden bir 1 saniye ses klibi örneği. Ses bir kadın Cx. Stigmatosoma tarafından üretildi. Böcek öct ses / kırmızı kalın harflerle yazılmıştır. (II) başka 0'lar ile böcek sinyali ve dolgu merkezleme tarafından 1-sn uzun ses klibi içine temizlenmiş ve kaydedilmiş "böcek sesi",. (III) frekans spektrumu Ayrık Fourier Dönüşümü kullanılarak elde böcek ses. bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Şekil 3,
Şekil 3. sınıflandırma için tek bir özellik kullanan Bayes ağı.

Şekil 4
Şekil 4. classificat için iki bağımsız özelliklerini kullanan Bayes ağı iyon

Şekil 5,
Şekil 5. Cx sirkadiyen ritimler. (kadın) stigmatosoma, Cx. tarsalis (erkek), ve Ae. aegypti (dişi), 1 ay süresince toplanan sensör tarafından oluşturulan gözlemlerine dayalı öğrenildi. , bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Şekil 6,
Şekil 6. sınıflandırma için üç bağımsız özelliklerini kullanan bir Bayes ağı.

g "/>
Şekil 7. simülasyonda her böcek türlerinin ve sensör yerleri coğrafi dağılımlarının varsayımlar sınıflandırılması konum-of-kesişim özelliğini kullanarak etkinliğini göstermek için. , bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Şekil 8
Şekil 8. n pozitif tam sayıdır sınıflandırma, n özelliklerini kullanır genel Bayes ağ. , bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Adım Specler Eklendi Sınıflandırma Doğruluğu Adım Türler Eklendi Sınıflandırma Doğruluğu
1 Ae. aegypti Kullanılamaz 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%

Sınıfların sayısını arttırarak Tablo 1. Sınıflandırma doğruluğu.

Öngörülen sınıf Öngörülen sınıf
Ben (Simetrik maliyet) kadın erkek II (Asimetrik maliyet) kadın erkek
Gerçek sınıf kadın 993 7 Gerçek sınıf kadın 1.000 0
erkek 5 995 erkek 22 978

Tablo 2. (I) Ae cinsiyet ayrımcılığı için karışıklık matrisi. 0.5 (yani, aynı maliyet varsayımı) ayarlanır kadınlarda karar eşiği ile aegypti sivrisinekler. Cinsiyet (II) karışıklık matris aynı sivrisinekler, kararı ile 0.1 set kadınlar için eşik.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Burada anlatılan sensörü / sınıflandırma çerçeve uçan böcekler ucuz ve ölçeklenebilir sınıflandırma sağlar. Sistem tarafından ulaşılabilir doğrulukları ticari ürünlerin geliştirilmesini sağlayacak kadar iyi ve entomolojik araştırmaları için kullanışlı bir araç olabilir.

Doğru ve otomatik olarak uçan böcekler sınıflandırmak için ucuz, invaziv olmayan sensörleri kullanmak için yeteneği entomolojik araştırmaları için önemli etkileri olacaktır. Örneğin, böcek vektörleri saymak ve sınıflandırmak için sahada sistemi dağıtarak, sistem, sıtma ile mücadele için müdahale / bastırma programlarını planlamak için kullanılabilir üreten gerçek zamanlı bilgi, hedef türlerin gerçek zamanlı sayılarını sağlayabilir. Ayrıca, sistem otomatik olarak cinsiyete göre böcekler ayırabilirsiniz ve böylece elle böcekler sexing sıkıcı ve zaman alıcı görevi Steril Böcek Tekniği 15 üzerinde çalışan ücretsiz entomologların kullanılabilir. </ P>

Bu sistemi kullanarak, en kritik adım doğru veri toplama sensörünü ayarlamak için. Lazer ve fotoğraf dizi düzgün hizada değilse, veriler çok gürültülü olacaktır. Böcekler kafes yerleştirilir sonra, fotoğraf dizisinin her zaman ince ayar kafesin dışında mıknatıslar kullanılarak olmalıdır. Kafeslerin yakınındaki ışıkları, kamera yanıp ve titreşimleri yanıp sönen verilerine gürültü tanıtacak unutmayın. Bu nedenle, temiz, verileri elde karanlık bir odada kafes yerleştirin ve gerekli yerlerde, titreşim seviyesini azaltmak amacıyla kafeslerde altında kuru havlu koyun.

Bu çalışmada sunulan sınıflandırıcı sadece iki ek özellik kullanılır. Ancak, sınıflandırma performansını artırmaya yardımcı olabilir ek özellikler onlarca olabilir. Potansiyel özellikleri belirli bir etki alanı ve uygulama olduğundan, kullanıcıların kendi özel ihtiyaç veya uygulamalara dayalı özelliklerini seçebilirsiniz. Cl genel çerçevesiassifier kullanıcıların kolayca sınıflandırma performansını artırmak için sınıflandırıcı özellikler eklemek için izin verir.

Bizim fikirlerin benimsenmesini ve uzamasını teşvik etmek, biz BKC Hesaplamalı Entomoloji Sayfa 16-17 serbestçe kullanılabilir tüm kod, veri ve sensör şemaları yapıyoruz. Ayrıca, bizim bütçe sınırları içinde, biz istekte herhangi bir araştırma entomoloğa için (Şekil 1'de gösterildiği gibi) tam bir sistem vererek bizim uygulama devam edecek.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Yazarlar hiçbir rakip mali çıkarlarının olmadığını beyan ederim.

Acknowledgements

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

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