Vôo Detecção e Classificação Insect com sensores baratos

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

Propusemos um sistema que utiliza sensores de pseudo-acústico de baixo custo, não invasivo ópticos para detectar automaticamente e com precisão, contar e classificar insetos voadores com base em seu som de vôo.

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

Um sistema de baixo custo, não invasivo e que poderia classificar com precisão insetos voadores teria implicações importantes para a pesquisa entomológica, e permitir o desenvolvimento de muitas aplicações úteis no vetor e controle de pragas, tanto para entomologia médica e agrícola. Diante disso, nos últimos 60 anos tenho visto muitos esforços de pesquisa dedicados a esta tarefa. Até o momento, no entanto, nada disto pesquisa teve um impacto duradouro. Neste trabalho, mostramos que os sensores ópticos pseudo-acústico pode produzir dados superior; que recursos adicionais, tanto intrínsecos e extrínsecos ao comportamento de voo do inseto, pode ser explorada para melhorar a classificação de insetos; que uma abordagem de classificação bayesiana permite aprender de forma eficiente modelos de classificação que são muito robustos para o excesso de encaixe, e uma estrutura de classificação geral permite incorporar facilmente número arbitrário de recursos. Nós demonstramos os resultados de experimentos em grande escala que anão todos os trabalhos anteriores combinido, como medida pelo número de insectos e o número de espécies consideradas.

Introduction

A idéia de classificar automaticamente insetos usando o som incidental de seu vôo remonta aos primeiros dias de computadores e disponível no mercado equipamentos de gravação de áudio: 1. No entanto, pouco progresso foi feito sobre este problema nas décadas intervenientes. A falta de progresso nesta busca pode ser atribuída a vários fatores relacionados.

Em primeiro lugar, a falta de sensores eficazes tornou difícil a recolha de dados. A maioria dos esforços para coletar dados usaram microfones acústicos 2-5. Tais dispositivos são extremamente sensíveis a ruídos de vento e ruído ambiente no meio ambiente, resultando em dados muito esparsas e de baixa qualidade.

Em segundo lugar, agravando esses problemas de qualidade dos dados é o fato de que muitos pesquisadores têm tentado aprender modelos de classificação muito complicada, principalmente redes neurais 6-8. Tentando aprender modelos de classificação complicadas, com apenas dezenas de exemplos,é uma receita para o excesso de montagem.

Em terceiro lugar, a dificuldade de obtenção de dados fez com que muitos pesquisadores têm tentado construir modelos de classificação com dados muito limitados, como poucos como 300 casos 9 ou menos. No entanto, sabe-se que para a construção de modelos de classificação precisos, mais dados melhor 10-13.

Este trabalho aborda as três questões. Sensores ópticos (em vez de acústica) pode ser usado para gravar o "som" do vôo de insetos de metros de distância, com invariância completa a ruídos de vento e sons do ambiente. Estes sensores têm permitido a gravação de milhões de casos de treinamento rotulados, muito mais dados do que todos os esforços anteriores combinados, e, assim, ajudar a evitar o excesso de montagem que tem atormentado os esforços de investigação anteriores. Um método de princípio é mostrado abaixo, que permite a incorporação de informação adicional sobre o modelo de classificação. Esta informação adicional pode ser tão cotidiano e comofácil de obter como a hora do dia, e ainda assim produzir ganhos significativos na precisão do modelo. Por fim, demonstra-se que as enormes quantidades de dados foram coletados nos permitem tirar partido de "A efetividade irracional de dados" 10 para produzir classificadores simples, precisos e robustos.

Em resumo, voando classificação inseto foi além das reivindicações duvidosas criados no laboratório de pesquisa e agora está pronto para a implantação do mundo real. Os sensores e software apresentados neste trabalho irá fornecer aos pesquisadores em todo o mundo ferramentas robustas para acelerar suas pesquisas.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Insect Colony e Criação

  1. Mosquito Colony e Criação
    1. Tarsalis traseiros Culex, Culex quinquefasciatus stigmatosoma Culex e Aedes aegypti adultos de colônias de laboratório, que se originou a partir de selvagens capturados indivíduos.
    2. Larvas do mosquito traseiro em panelas de esmalte sob condições padrão de laboratório (27 ° C, 16: 8 horas de luz: escuro ciclo [LD] com 1 hora e períodos Crepúsculo / Madrugada), e alimentá-los à vontade em uma mistura de roedor chão ração e levedura de cerveja (3: 1, v: v).
    3. Colete mosquito pupas em 200 ml copos, e colocá-los em câmaras experimentais. Como alternativa, aspirar os mosquitos adultos em câmaras experimentais dentro de 1 semana de emergência. Certifique-se que cada câmara experimental contém de 20 a 40 indivíduos da mesma espécie / sexo.
    4. Mosquitos adultos ração à vontade em um sacarose 10% e mistura de água. Troque semanalmente alimentos.
    5. Umedeça toalhas de algodão duas vezes por semana e place-los no topo das câmaras experimentais para manter a humidade no interior da gaiola. Além disso, colocar um copo de 200 ml de água da torneira na câmara em todos os momentos para ajudar a manter o nível de humidade total.
    6. Manter as câmaras experimentais sobre uma 16: 8 hr de luz: escuro [DL] ciclo, 20,5-22 ° C e 30-50% de HR durante a duração da experiência.
  2. Mosca da casa e Fruit Fly Colony e Criação
    1. Musca domestica traseira de uma colônia de laboratório, derivado de selvagens capturados indivíduos. Pegar selvagens Drosophila simulans indivíduos e criá-los em câmaras experimentais.
    2. Larvas de Musca domestica traseira em tubos de plástico, em condições normais de laboratório (0:12 horas de luz: escuro [DL] ciclo, 26 ° C, 40% HR) numa mistura de água, farinha de farelo, alfafa, de levedura, e leite em pó. Larvas de Drosophila simulans traseiros em estufas de criação e alimentá-los à vontade em uma mistura de podridãofruta.
    3. Aspirar adulto Musca domestica em câmaras experimentais dentro de 1 semana de emergência. Adulto Drosophila simulans podem ser criados diretamente nas câmaras experimentais. Antes da coleta de dados, certifique-se cada câmara experimental contém não mais do que 10-15 Musca domestica indivíduo ou 20-30 individuais Drosophila simulans.
    4. Musca domestica adulta alimentação ad libitum, com uma mistura de açúcar e de leite desnatado seco, com livre acesso à água. Alimentação adulto Drosophila simulans ad libitum em uma mistura de frutas podres. Troque semanalmente alimentos.
    5. Manter câmaras experimentais em 16: 8 horas de luz: escuro [LD] ciclo, 20,5-22 ° C e 30-50% de umidade relativa durante o período do experimento.

2. Registre vôo Sounds em câmaras experimentais

  1. Configuração Experimental Câmara
    Nota: Um "c experimentalHamber "indica a gaiola concebidos no nosso laboratório, em que os dados foram gravados. O sensor é bastante barato. Quando construído no volume, um set-up poderia ser fabricado por menos de US $ 10.
    1. Construir uma câmara experimental, ou de maior tamanho: 67 cm x 22 cm L W x 24,75 centímetros H, ou o tamanho menor: 30 cm de comprimento x 20 cm x 20 cm W H. A câmara experimental é constituído por uma matriz e um fototransistor linha de laser apontando para a matriz fototransistor.
      NOTA: Para além disso, a câmara é constituída por Kritter depositários que são modificadas para incluir o aparelho sensor, assim como uma manga ligada a uma peça de tubagem de PVC para permitir o acesso para os insectos.
    2. Ligue a matriz phototransistor para uma placa eletrônica. A saída da placa eletrônica alimenta um gravador de som digital e é registrado como dados de áudio no formato MP3. Ver o desenho lógica do sensor na Figura 1.II e um suporte físico da câmara da Figura 1.I.
    3. NOTA: Quando um insecto voa através do feixe de laser, as asas ocluir parcialmente a luz, fazendo pequenas variações ligeiras. As flutuações ligeiras são capturados pela matriz fototransistor como alterações na corrente, e o sinal é filtrado e amplificado pelo projetados placa electrónica.
  2. Configurar o sistema para gravar sons produzidos por insetos voadores
    1. Ligue a câmara experimental para uma fonte de alimentação. Ligue o aparelho.
    2. Na câmara experimental, encontrar as luzes de laser e photoarray. Alinhe as luzes de laser para o photoarray. Para conseguir o alinhamento correcto, ajustar o photoarray usando os magnetos do lado de fora da câmara experimental, que correspondem aos ímans fixos ao photoarray no interior da câmara até que a luz laser é centrada em todo o indivíduo photodiodes.
    3. Execute duas checagens para verificar se o sistema está configurado corretamente.
      Nota: O primeiro passo é ter certeza de que o sistema é ligado, todos os fios estão conectados corretamente e que o laser está apontando para a matriz da foto. O segundo passo é a realização de verificações complementares sobre o alinhamento a laser para garantir que ele pode capturar o som de wingbeats dos insetos.
      1. Conecte fones de ouvido (e não o gravador) à tomada de áudio. Mergulha mão dentro e para fora da câmara experimental, perto da photoarray, para quebrar o plano da luz laser. Verifique se a luz laser é ligado (ele vai ser um feixe de luz vermelha) e que você quebrar o plano da luz algumas vezes com a mão. Ouvir para alterações no nível de ruído, pois a mão entra e sai do feixe de luz. Se você detectar uma diferença audível, o sensor é capaz de captar sons produzidos pelo movimento de objetos grandes. Se for bem sucedido, passe para a próxima verificação de sanidade, caso contrário, verifique se o fone de ouvido está conectado corretamente ese o laser está apontando para a photoarray. Ajuste o photoarray de acordo até o som da mão movendo-se para dentro e para fora da câmara experimental pode ser ouvido.
      2. Fixe um pedaço fino de fiação elétrica para uma escova de dentes automática. Ligue a escova de dentes, e mergulhar a fiação dentro e fora da câmara experimental perto do phototarray. Verifique se a luz laser é bater a parte de fiação como ele se move. Se detectar uma mudança de frequência audível, quando a peça de fiação quebra o plano da luz laser, o sistema é, em seguida, pronto para captar os sons produzidos pelo movimento de pequenos objectos, isto é, os sons de insectos. Se você não detectar uma diferença audível, volte para o passo 2.2.2 para realinhar as luzes de laser e do photoarray.
    4. Depois que o sistema está configurado corretamente, feche a tampa e acrescente os insetos.
  3. Coleta de dados: Grave sons produzidos por insetos voadores
    1. Ligue o gravador e fazer uma voice anotação que inclui as seguintes informações: nome da espécie na câmara experimental, a idade dos insetos, data e hora, RT ambiente atual, e umidade relativa. Pausar a gravação.
    2. Ligue o gravador ao sistema, através do cabo de áudio e continuar a gravação. Deixe o gravador para gravar durante 3 dias, em seguida, parar a gravação.
    3. Faça o download dos dados do gravador em uma nova pasta em um PC. Esvazie o gravador de apagar os dados.
    4. Repita o processo de gravação acima, até que os insetos restantes morreram fora e já não há mais de 5 insetos deixados vivos na gaiola.

Processamento de Dados 3 Sensor e Detecção de sons produzidos por insetos voadores

  1. Use software para detectar sons produzidos por insetos voadores.
    Nota: O software (algoritmo de detecção) é muito mais rápido do que o tempo real. Demora menos de 3 horas para processar uma sessão de gravação, ou seja, três dias de datum, em uma máquina de fábrica com CPU Intel (R) Core ™ em 2.00 GHz e 8 GB de RAM.
    1. Para cada pasta que contém os dados de uma sessão de gravação, execute o software de detecção para detectar os sons de insetos. Para executar o software, abra o MATLAB e digite "circandian_wbf (DataDir)" na janela de comando, onde DataDir é o diretório de dados de gravação. Em seguida, pressione "Enter" para iniciar.
      NOTA: Faça o download do software de detecção circadian_wbf de referência # 16.
    2. Aguarde até que o algoritmo termina, em seguida, verificar os resultados de detecção. As saídas de todo o algoritmo de insectos sons detectados em uma nova pasta chamada "DataDir _extf", onde DataDir é o mesmo que no passo anterior. Cada ficheiro de som é um 1 seg longo clipe de áudio originalmente extraído a partir da gravação em bruto, com um filtro digital aplicada para eliminar o ruído. O tempo de ocorrência de cada som detectado é salvo em um arquivo chamado "DataDir _time.mat &# 8221 ;. Observar o exemplo de som de insecto detectado na Figura 2.
  2. Algoritmo de Detecção
    1. Use a 0,1 seg janela longo deslizante para deslizar através da gravação. A janela deslizante é iniciado a partir do início da gravação. Para cada janela, siga os passos abaixo.
      1. Calcule a freqüência fundamental da janela atual.
      2. Se a frequência fundamental está dentro da faixa de 100 Hz a 1200 Hz, em seguida, faça o seguinte:
        1. Extraia o clipe de áudio 1-seg longo centralização na janela atual da gravação; aplicar um filtro digital para remover o ruído no clipe e salvar o áudio filtrada para a pasta "DataDir _extf".
        2. Poupe o tempo ocorrência da janela atual para o arquivo "DataDir _time".
        3. Mover a janela deslizante para o ponto que se segue imediatamente o clipe de áudio extraídos.
      3. Se o fr fundamentaisequency não está dentro da faixa de 100 Hz a 1.200 Hz, basta mover a janela deslizante 0,01 seg adiante.
    2. Repetir o processo até que a janela deslizante alcance o fim da gravação.

4. Insect Classificação

  1. Classificação Bayesiana usando apenas o vôo de som
    Nota: classificador Bayesiana é um classificador probabilístico que classifica um objeto de sua classe mais provável.
    1. Computação recurso de som
      1. Para cada som inseto, calcular o espectro do som usando Transformada Discreta de Fourier (DFT) de freqüência. Truncar o espectro de freqüência para incluir apenas os pontos de dados correspondentes à faixa de freqüência: 100 Hz a 2.000 Hz. O espectro de freqüência truncada é então utilizado na classificação como o "representante" do som do inseto.
        NOTA: O DFT é um algoritmo que transforma os sinais em domínio tempo para o domínio da frequência. É um buifunção lt-in na maioria das bibliotecas de programação, e pode ser chamado no programa com apenas uma linha de código.
    2. Treinar um classificador bayesiano
      1. Use o método de estimativa de densidade kNN 14 para saber a distribuição de probabilidade posterior usando o recurso de som. Com a aproximação kNN, a fase de treinamento é a construção de um conjunto de dados de treinamento.
        1. Aleatoriamente provar uma série de sons de insetos a partir dos dados coletados para cada espécie de insetos.
        2. Siga os passos da Seção 4.1.1 e calcular o espectro de frequências truncado para cada som amostrado. Os espectros truncadas juntamente com rótulos de classe das amostras (nome da espécie do inseto) compôs o conjunto de dados de treinamento.
    3. Use o classificador Bayesiana para classificar um inseto desconhecido
      1. Calcule o espectro de frequências truncada do som inseto desconhecido.
      2. Calcule a distância euclidiana entre o espectro truncada do desconhecidon objeto e todos os espectros truncadas no conjunto de dados de treinamento.
      3. Encontre o top k (k = 8 neste artigo) vizinhos mais próximos do objeto desconhecido no conjunto de dados de treinamento. Calcular a probabilidade posterior do som inseto desconhecido pertencente a uma classe como a fracção dos melhores k vizinhos mais próximos que estejam rotulados como classe.
      4. Classificar o objeto desconhecido para a classe que tem a maior probabilidade posterior.
  2. Adicionar um recurso para o Classificador: Insect ritmo circadiano
    1. Saiba as distribuições condicionado de classe da época ocorrência de som de insetos, ou seja, o ritmo circadiano para cada espécie de insetos.
      1. Encontre o tempo de ocorrência de cada som a partir dos resultados de detecção (cf. Secção 3.2).
      2. Para cada espécie, construir um histograma de ocorrência do tempo de som de insectos.
      3. Normalizar o histograma de modo que a área do histograma é um. O normaisizado histograma é o ritmo circadiano da espécie dada. Ele conta a probabilidade de observar um inseto, de que as espécies, em vôo dentro de um determinado período de tempo.
    2. Classifique um desconhecido "inseto som", combinando o "inseto som" eo ritmo circadiano
      1. Dado o momento específico em que ocorreu o som inseto desconhecido, obter a probabilidade de observar um inseto de classe com base no ritmo circadiano de classe.
        NOTA: O ritmo circadiano é uma distribuição de probabilidade. É uma matriz que especifica a probabilidade de detectar um som, produzido por uma determinada espécie de insetos, em um momento específico do dia. Assim, uma vez é dado um tempo, pode-se simplesmente verificar a matriz para obter a probabilidade.
      2. Siga as etapas na seção 4.1.2 para calcular a probabilidade posterior de que o som desconhecido pertence à classe usando os recursos de som. Multiplique a probabilidade posterior aos resultados froSou o passo anterior para obter a nova probabilidade posterior.
      3. Classificar o "som desconhecido" para a classe que tem a maior probabilidade de nova posterior.
  3. Adicionar One More facilidade à Classificador: Insect Distribuição Geográfica
    1. Aprenda a distribuição geográfica das espécies de interesse, quer a partir de dados publicados em registros históricos, literatura relevante, ou simplesmente reunir o conhecimento de primeira mão de campo técnicos / biólogos. Para fins de demonstração, usar uma simulação da distribuição gráfico, como mostrado na Figura 7.
    2. Classificar um "som inseto desconhecido" usando "som voando" e os dois recursos adicionais.
      1. Dada a localização geográfica de onde o som do inseto foi interceptado, calcular a probabilidade de observar um inseto da classe naquele local específico, usando a distribuição gráfica de espécies.
        1. Siga os passos na seção 4.2.2 and calcular a probabilidade posterior de que o "som desconhecido" pertence à classe usando os recursos de som e os ritmos circadianos. Multiplicar o resultado desta etapa para os resultados da etapa anterior, a fim de obter o novo probabilidade posterior.
      2. Classificar o "som desconhecido" para a classe que tem a maior probabilidade de nova posterior.
  4. Um quadro geral que permite adicionar recursos
    1. Considere o classificador bayesiano que utiliza apenas recursos de som como o classificador primário. Siga os passos abaixo para adicionar novos recursos ao classificador.
      1. Na fase de treinamento, aprender as funções de densidade de ar-classe do novo recurso.
      2. Na fase de classificação, dada a novidade do "som desconhecido", calcular a probabilidade de observar o recurso em sala de aula usando as funções de densidade aprendidas na etapa anterior. Multiplicar a nova probabilidade de o prprobabilidade posterior evious correspondente ao "som desconhecido" pertencente a classe que foram calculados com base apenas nas características ímpares, para obter a nova probabilidade posterior. Classificar o objeto desconhecido para a classe que tem a maior probabilidade de nova posterior.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Dois experimentos são apresentados aqui. Em ambos os experimentos, os dados utilizados foram coletados aleatoriamente a partir de um conjunto de dados que contém mais de 100.000 objetos.

A primeira experiência mostra a capacidade do classificador proposto classificar com precisão diferentes espécies / sexos dos insectos. Como a precisão da classificação depende dos insetos para ser classificado, um único valor absoluto para a precisão da classificação não vai dar ao leitor uma boa intuição sobre o desempenho do sistema. Em vez disso, em vez de reportar a precisão do classificador com um conjunto fixo de insectos, o classificador foi aplicado a conjuntos de dados com um número crescente de espécies de forma incremental, e por conseguinte, aumentar a dificuldade de classificação.

O conjunto de dados começou com apenas duas espécies de insetos; em seguida, a cada passo, mais uma espécie (ou um único sexo de uma espécie de dimorfismo sexual) foi adicionado e o classificador foi utilizado para classificar o aumentonúmero de espécies (o novo conjunto de dados). Um total de dez classes de insetos (sexos diferentes, da mesma espécie que contam como as diferentes classes) foram considerados, com 5.000 exemplares em cada classe.

O classificador utilizado tanto inseto-som (espectro de freqüência) e de tempo de interceptação para a classificação. Tabela 1 mostra a precisão da classificação medido a cada etapa e da classe correspondente adicionado a esse passo.

De acordo com a Tabela 1, o classificador obtém uma precisão superior a 96% ao classificar mais de 5 espécies de insetos, significativamente mais elevadas do que a taxa de inadimplência de precisão de 20%. Mesmo quando o número de classes consideradas aumenta para 10, a precisão da classificação nunca é menor do que 79%, novamente significativamente maior do que a taxa de inadimplência de 10%. Note-se que os dez classes não são fáceis de separar, mesmo por inspeção humana. Entre as dez espécies, oito deles são os mosquitos, sagacidadeh seis deles sendo do mesmo gênero.

O segundo experimento é mostrar a precisão do sistema pode sexo insetos voadores, especificamente, para distinguir machos de Ae. Mosquitos aegypti das fêmeas. Para a primeira parte da experiência, assumir que o "custo má classificação" de misclassifying machos como fêmeas é o mesmo que o custo da misclassifying fêmeas como machos. Com este pressuposto, os resultados da classificação são apresentados na Tabela 2.I. A precisão da classificação de sexo Ae. Aegypti é de cerca de 99,4%.

Para a segunda parte do experimento, assumir o custo não é assimétrica, ou seja, erros de classificação das fêmeas como machos é muito mais caro do que o inverso. Com este pressuposto, o limiar de decisão do classificador foi alterada para reduzir o número de erros de classificação de alto custo. Com o limiar ajustado corretamente, os resultados da classificação da Tabela 2.II foram alcançados. De 2.000 insetos no experimento, vinte e dois do sexo masculino, e zero fêmeas foram classificados erroneamente.

Figura 1
Figura 1 (I) Uma das gaiolas experimentais usados ​​para coletar os dados. (II) A versão lógica da configuração do sensor com os componentes anotados. Clique aqui para ver uma versão maior desta figura.

Figura 2
A Figura 2 (I) Um exemplo de um clipe de áudio contendo uma 1 seg "voar som insectos" gerado pelo sensor. O som foi produzido por uma fêmea Cx. Stigmatosoma. O insesom ct é destacado em vermelho / ousado. (II) O "inseto de som", que foi limpo e salvos em um 1-seg longo clipe de áudio por centrar o sinal de insetos e preenchimento com 0s em outros lugares. (III) O espectro de freqüência o som de insetos, obtidas usando Transformada Discreta de Fourier. Clique aqui para ver uma versão maior desta figura.

Figura 3
Figura 3 Uma rede Bayesiana que utiliza um único recurso para a classificação.

Figura 4
Figura 4 A rede Bayesiana que utiliza dois recursos independentes para classificat ion

Figura 5
Figura 5 Os ritmos circadianos de Cx. stigmatosoma (feminino), Cx. tarsalis (masculino), e Ae. aegypti (fêmea), aprendidas com base em observações geradas pelo sensor que foram coletados durante a duração de 1 mês. Clique aqui para ver uma versão maior desta figura.

Figura 6
Figura 6 A rede Bayesiana que usa três recursos independentes para a classificação.

g "/>
Figura 7 os pressupostos da distribuição geográfica de cada espécie de inseto e localizações dos sensores na simulação para demonstrar a eficácia do uso de recurso de localização-de-interceptação na classificação. Clique aqui para ver uma versão maior desta figura.

Figura 8
Figura 8 A rede geral Bayesian que usa n recursos para a classificação, onde n é um inteiro positivo. Clique aqui para ver uma versão maior desta figura.

Passo Species Adicionado Classificação da precisão Passo Espécies Adicionado Classificação da precisão
1 Ae. aegypti N / D 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%

Tabela 1 Classificação precisão com o aumento do número de classes.

Classe Prevista Classe Prevista
I (custo Symmetric) feminino masculino II (custo assimétrico) feminino masculino
Classe real feminino 993 7 Classe real feminino 1000 0
masculino 5 995 masculino 22 978

Tabela 2 (I) A matriz de confusão para a discriminação sexual de Ae. Mosquitos Aedes aegypti com o limiar de decisão para o sexo feminino é fixado em 0,5 (ou seja, a mesma suposição de custo). (II) A matriz de confusão de sexo os mesmos mosquitos, com a decisão limite para as fêmeas fixado em 0,1.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

A estrutura do sensor / classificação descrita aqui permite a classificação de baixo custo e escalável de insetos voadores. As precisões alcançáveis ​​pelo sistema são bons o suficiente para permitir o desenvolvimento de produtos comerciais e pode ser uma ferramenta útil na investigação entomológica.

A habilidade de usar sensores de baixo custo, não-invasivos com precisão e automaticamente classificar insetos voadores teria implicações significativas para a pesquisa entomológica. Por exemplo, com a implantação do sistema no campo de contar e classificar insetos vetores, o sistema pode fornecer a contagem em tempo real das espécies-alvo, produzindo informações em tempo real que pode ser usado para planejar programas de intervenção / supressão de combate à malária. Além disso, o sistema pode separar automaticamente insectos por sexo, e assim pode ser usado para entomologistas livres que trabalham na técnica do inseto estéril 15 do tediosa e demorada tarefa de sexagem manualmente os insectos. </ P>

Ao utilizar este sistema, o passo mais importante é configurar corretamente o sensor de coleta de dados. Se o laser ea matriz foto não estão devidamente alinhados, os dados vão ser muito barulhento. Após os insectos são colocados na gaiola, a matriz deve ser sempre foto usando os magnetos na parte de fora da gaiola afinadas. Note-se que luzes, flashes e vibrações perto das gaiolas irá introduzir ruído aos dados. Portanto, para obter os dados limpos, colocar a gaiola numa sala escura, e sempre que necessário, colocar as toalhas secas sob as gaiolas, a fim de diminuir o nível de vibrações.

O classificador apresentado neste trabalho usou apenas dois recursos adicionais. No entanto, pode haver dezenas de recursos adicionais que podem ajudar a melhorar o desempenho de classificação. À medida que os recursos potenciais são de domínio e aplicação específica, os usuários poderão escolher os recursos com base em sua necessidade ou aplicações específicas. O quadro geral do classifier permite aos usuários facilmente adicionar funcionalidades para o classificador de melhorar o desempenho de classificação.

Para incentivar a adoção e ampliação de nossas idéias, estamos fazendo todos os esquemas de código, dados e sensores disponíveis livremente na UCR Computacional Entomologia página 16-17. Além disso, dentro dos limites do nosso orçamento, vamos continuar a nossa prática de dar um sistema completo (como mostrado na Figura 1) para qualquer entomologista quem solicitar.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores declaram que não têm interesses financeiros concorrentes.

Acknowledgements

Gostaríamos de agradecer à Fundação Vodafone Américas, a Fundação Bill e Melinda Gates, e da Fundação de Pesquisa de São Paulo (FAPESP) pelo financiamento desta pesquisa. Gostaríamos também de agradecer aos muitos membros do corpo docente do Departamento de Entomologia da Universidade da Califórnia, Riverside, por seus conselhos sobre este projeto.

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