Volare Insetto rilevamento e classificazione con sensori Economico

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

Abbiamo proposto un sistema che utilizza poco costoso, sensori non invasivi pseudo-acustico ottici per rilevare automaticamente e con precisione, contare e classificare insetti base al loro suono volare volare.

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

Un sistema poco costoso, non invasivo in grado di classificare con precisione insetti volanti avrebbe importanti implicazioni per la ricerca entomologica, e consentire lo sviluppo di molte applicazioni utili nel vettore e di controllo dei parassiti sia per entomologia medica e agricolo. Dato questo, negli ultimi 60 anni hanno visto molti sforzi di ricerca dedicati a questo compito. Ad oggi, tuttavia, nessuna di queste ricerche ha avuto un impatto duraturo. In questo lavoro, dimostriamo che i sensori ottici pseudo-acustiche in grado di produrre dati superiore; che funzionalità aggiuntive, sia intrinseco ed estrinseco al comportamento in volo dell'insetto, può essere sfruttata per migliorare la classificazione degli insetti; che un approccio di classificazione bayesiana consente di imparare in modo efficace modelli di classificazione che sono molto robusti a un eccesso di montaggio, e un quadro generale di classificazione permette di incorporare facilmente numero arbitrario di funzioni. Dimostriamo i risultati con esperimenti su larga scala che minimizzano tutte le opere precedenti COMBIned, misurata dal numero di insetti e il numero di specie considerate.

Introduction

L'idea di classificare automaticamente insetti utilizzando il suono incidentale del loro volo risale ai primi giorni di computer e disponibile in commercio apparecchi di registrazione audio 1. Tuttavia, sono stati compiuti pochi progressi su questo problema nei decenni successivi. La mancanza di progressi in questa ricerca può essere attribuito a diversi fattori correlati.

In primo luogo, la mancanza di sensori efficaci ha reso difficile la raccolta dei dati. La maggior parte degli sforzi per raccogliere dati hanno utilizzato i microfoni acustici 2-5. Tali dispositivi sono estremamente sensibili al rumore del vento e il rumore ambientale nell'ambiente, con conseguente dati molto radi e di bassa qualità.

In secondo luogo, aggravando i problemi di qualità dei dati è il fatto che molti ricercatori hanno tentato di imparare modelli di classificazione molto complicati, specialmente le reti neurali 6-8. Cercando di imparare complicati modelli di classificazione, con soli decine di esempi,è una ricetta per over-fitting.

In terzo luogo, l'difficilmente dei dati ottenere ha fatto sì che molti ricercatori hanno tentato di costruire modelli di classificazione con dati molto limitati, da un minimo di 300 istanze di 9 o meno. Tuttavia, è noto che per la costruzione di modelli di classificazione accurati, più dati è meglio 10-13.

Questo lavoro affronta tre questioni. Ottici (piuttosto che acustica) sensori possono essere utilizzati per registrare il "suono" del volo degli insetti da metri di distanza, con totale invarianza di rumore del vento e suoni ambientali. Questi sensori hanno permesso la registrazione di milioni di casi di formazione etichettati, molti più dati rispetto tutti gli sforzi precedenti messi insieme, e, quindi, contribuire ad evitare gli sforzi di ricerca precedenti over-montaggio che ha afflitto. Un metodo di principio è illustrato di seguito, che consente l'integrazione di ulteriori informazioni nel modello di classificazione. Queste informazioni aggiuntive possono essere quotidiana e comefacile da ottenere come il tempo del giorno, ma ancora producono significativi aumenti di accuratezza del modello. Infine, è dimostrato che le enormi quantità di dati che abbiamo raccolto ci permettono di approfittare di "L'irragionevole efficacia dei dati" 10 per la produzione di classificatori semplici, precise e solide.

In sintesi, la classificazione degli insetti volanti si è spostata al di là delle affermazioni dubbie creati nel laboratorio di ricerca ed è ora pronto per la distribuzione nel mondo reale. I sensori e software presentati in questo lavoro fornirà ai ricercatori di tutto il mondo strumenti robusti per accelerare la loro ricerca.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Insetti Colony e allevamento

  1. Mosquito Colony e allevamento
    1. Tarsalis posteriori Culex, quinquefasciatus Culex, stigmatosoma Culex e Aedes aegypti adulti provenienti da colonie di laboratorio, che ha avuto origine da individui selvatici catturati.
    2. Larve di zanzara posteriore in pentole smaltate in condizioni standard di laboratorio (27 ° C, 16: luce 8 ore: scuro [LD] ciclo con 1 hr periodi tramonto / alba), e ad libitum nutrirsi di una miscela di roditore terra chow e lievito di birra (3: 1, v: v).
    3. Raccogliere pupe di zanzara in 200 ml tazze, e metterli nelle camere sperimentali. In alternativa, aspirare le zanzare adulte nelle camere sperimentali entro 1 settimana di emergenza. Assicurarsi che ogni camera sperimentale contiene da 20 a 40 individui della stessa specie / sesso.
    4. Mangimi zanzare adulte ad libitum su una saccarosio del 10% e la miscela di acqua. Sostituire alimentare settimanale.
    5. Inumidire asciugamani in cotone due volte a settimana e plli ace sopra le camere sperimentali per mantenere l'umidità all'interno della gabbia. Inoltre, posizionare una tazza di 200 ml di acqua di rubinetto nella camera a tutte le ore per aiutare a mantenere il livello di umidità complessivo.
    6. Mantenere le camere sperimentali su un 16: 8 ore di luce: buio ciclo [LD], 20,5-22 ° C e 30-50% di umidità relativa per tutta la durata dell'esperimento.
  2. Casa Fly and Fruit Fly Colony e allevamento
    1. Musca domestica posteriore da una colonia di laboratorio, derivato da selvatici catturati individui. Cattura selvatici Drosophila simulans individui e li posteriori nelle camere sperimentali.
    2. Posteriore larve di Musca domestica in vasche di plastica in condizioni standard di laboratorio (12:12 ora di luce: buio [LD] ciclo, 26 ° C, 40% RH) in una miscela di acqua, farina di crusca, erba medica, lievito e latte in polvere. Posteriori Drosophila simulans larve in una camera di allevamento e ad libitum nutrirsi di una miscela di decomposizionefrutta.
    3. Aspirare adulto Musca domestica in camere sperimentali entro 1 settimana di emergenza. Adulti di Drosophila simulans possono essere direttamente allevati nelle camere sperimentali. Prima della raccolta dei dati, assicurarsi che ogni camera sperimentale contiene non più di 10-15 domestica Musca individuale o 20-30 individuali Drosophila simulans.
    4. Alimentare adulto Musca domestica ad libitum su una miscela di zucchero e basso contenuto di grassi del latte essiccato, con libero accesso all'acqua. Alimentazione adulto Drosophila simulans ad libitum su una miscela di frutta marcia. Sostituire alimentare settimanale.
    5. Mantenere camere sperimentali su 16: 8 ore di luce: buio [LD] ciclo, 20,5-22 ° C e 30-50% di umidità relativa per tutta la durata dell'esperimento.

2. Record volanti Suoni in Chambers sperimentali

  1. Impostazione camera sperimentale
    Nota: Un "c sperimentaleHamber "denota la gabbia progettata nel nostro laboratorio, in cui è stato registrato il dato. Il sensore è piuttosto economico. Quando costruita alla rinfusa, un set up potrebbe essere prodotto per meno di $ 10.
    1. Costruire una camera sperimentale, una delle maggiori dimensioni: 67 centimetri L x 22 cm L x 24,75 centimetri H, o la taglia più piccola: 30 cm L x 20 cm L x 20 cm H. La camera sperimentale è costituito da una matrice fototransistor e un linea laser indicando la matrice fototransistor.
      NOTA: Inoltre, la camera è costituita da Kritter custodi che sono modificati per includere l'apparato sensore e un manicotto attaccato ad un pezzo di tubazioni in PVC per consentire l'accesso agli insetti.
    2. Collegare l'array fototransistor ad una scheda elettronica. L'uscita della scheda elettronica si inserisce in un registratore audio digitale e viene registrato come dati audio in formato MP3. Vedere la progettazione logica del sensore di Figura 1, parte e una versione fisica della camera in Figura 1.I.
    3. NOTA: Quando un insetto vola attraverso il fascio laser, le ali parzialmente occludono la luce, provocando piccole fluttuazioni di luce. Le fluttuazioni di luce vengono catturati dalla matrice fototransistor come variazioni di corrente, e il segnale viene filtrato e amplificato dal custom designed scheda elettronica.
  2. Configurare il sistema per registrare suoni prodotti da insetti volanti
    1. Collegare la camera sperimentale di un alimentatore. Accendere l'alimentazione.
    2. Nella camera sperimentale, trovare le luci laser e photoarray. Allineare le luci laser al photoarray. Per ottenere l'allineamento corretto, regolare la photoarray utilizzando i magneti all'esterno della camera sperimentale che corrispondono ai magneti fissati alla photoarray sul interno della camera fino a quando la luce laser è centrata su tutto il fotodiodo individuoes.
    3. Eseguire due controlli di integrità per assicurarsi che il sistema sia impostato correttamente.
      Nota: Il primo passo è quello di assicurarsi che il sistema è alimentato, tutti i cavi siano collegati correttamente e che il laser è puntato verso la matrice fotografia. Il secondo passo è quello di condurre ulteriori verifiche sul grado di allineamento laser per garantire che possa catturare il suono del battito d'ali degli insetti.
      1. Collegare le cuffie (piuttosto che il registratore) nel jack audio. Tuffo mano dentro e fuori la camera sperimentale, vicino al photoarray, per rompere il piano della luce laser. Assicurarsi che la luce laser è acceso (sarà un fascio di luce rossa), e che si rompere il piano della luce un paio di volte con la mano. Ascoltare per i cambiamenti nel livello di rumore come la mano va dentro e fuori del fascio di luce. Se si rileva una differenza udibile, il sensore è in grado di catturare i suoni prodotti dal movimento di oggetti di grandi dimensioni. In caso di successo, passare al successivo controllo di integrità, in caso contrario, controllare se la cuffia è collegata correttamente ese il laser è puntato verso il photoarray. Regolare il photoarray di conseguenza fino al suono della mano in movimento dentro e fuori dalla camera sperimentale può essere ascoltato.
      2. Applicare un sottile pezzo di cablaggio elettrico per uno spazzolino da denti automatico. Accendere lo spazzolino da denti, e immergere il cablaggio dentro e fuori la camera sperimentale vicino al phototarray. Assicurarsi che la luce laser colpisce il pezzo di cablaggio come si muove. Se si rileva un cambiamento udibile in frequenza, quando il pezzo di cablaggio rompe il piano di luce laser, il sistema è pronto a catturare i suoni prodotti dal movimento di oggetti piccoli, cioè, suoni di insetti. Se non si rileva una differenza udibile, tornare al punto 2.2.2 per ri-allineare le luci laser e il photoarray.
    4. Dopo che il sistema sia configurato correttamente, chiudere il coperchio e aggiungere gli insetti.
  3. Raccolta dati: Record suoni prodotti da insetti volanti
    1. Accendere il registratore e fare un voice l'annotazione che include le seguenti informazioni: nome della specie nella camera sperimentale, l'età degli insetti, la data e l'ora, corrente RT ambiente e l'umidità relativa. Mettere in pausa la registrazione.
    2. Collegare il registratore al sistema, tramite il cavo audio, e riprendere la registrazione. Lasciare il registratore per registrare per 3 giorni, poi interrompere la registrazione.
    3. Scaricare i dati dal registratore in una nuova cartella sul PC. Svuotare il registratore cancellando i dati.
    4. Ripetere il processo di registrazione di cui sopra, fino a quando gli altri insetti sono morti fuori e non ci sono più di 5 insetti rimasti in vita nella gabbia.

3. Sensor Data Processing e rilevamento di suoni prodotti da insetti volanti

  1. Utilizzare software per rilevare suoni prodotti da insetti volanti.
    Nota: il software (algoritmo di rilevamento) è molto più veloce del tempo reale. Ci vuole meno di 3 ore per elaborare una sessione di registrazione, vale a dire, tre giorni di datuna, su una macchina standard con CPU Intel (R) Core ™ a 2,00 GHz e 8 GB di RAM.
    1. Per ogni cartella contenente i dati da una sessione di registrazione, eseguire il software di rilevamento per rilevare i suoni di insetti. Per eseguire il software, aperto MATLAB, e digitare "circandian_wbf (datadir)" nella finestra di comando, dove DATADIR è la directory dei dati di registrazione. Quindi premere "Invio" per iniziare.
      NOTA: Scaricare il circadian_wbf software di rilevamento di riferimento # 16.
    2. Attendere che l'algoritmo termina, quindi controllare i risultati del rilevamento. Le uscite algoritmo tutta l'insetto rilevato suoni in una nuova cartella denominata "DATADIR _extf", dove DATADIR è la stessa come nel passaggio precedente. Ogni file audio è una lunga clip audio 1 sec originariamente estratto dalla registrazione crudo, con un filtro digitale applicata per rimuovere il rumore. Il tempo di occorrenza di ogni suono rilevato viene salvato in un file denominato "datadir _time.mat &# 8221 ;. Osservare l'esempio di un suono insetto rilevato nella Figura 2.
  2. Algoritmo di rilevamento
    1. Utilizzare una finestra scorrevole lungo 0,1 sec per scorrere attraverso la registrazione. La finestra scorrevole parte dall'inizio della registrazione. Per ogni finestra, attenersi alla seguente procedura.
      1. Calcola la frequenza fondamentale della finestra corrente.
      2. Se la frequenza fondamentale è compreso tra 100 Hz a 1.200 Hz, quindi effettuare le seguenti operazioni:
        1. Estrarre il lungo di 1 secondo clip audio di centraggio alla finestra corrente dalla registrazione; applicare un filtro digitale per rimuovere il rumore nella clip e salvare l'audio filtrato nella cartella "datadir _extf".
        2. Salvare il tempo di comparsa della finestra corrente nel file "datadir _Time".
        3. Spostare la finestra scorrevole al punto che segue immediatamente il clip audio estratto.
      3. Se il fr fondamentaleequency NON è compresa tra 100 Hz a 1.200 Hz, è sufficiente spostare la finestra scorrevole 0,01 sec in avanti.
    2. Ripetere il processo fino a quando la finestra scorrevole raggiunge la fine della registrazione.

4 Insect Classificazione

  1. Classificazione bayesiana utilizzando solo il volo Suono
    Nota: classificatore bayesiano è un classificatore probabilistico che classifica un oggetto alla sua più probabile classe.
    1. Caratteristica del suono di calcolo
      1. Per ogni suono insetto, calcolare lo spettro di frequenza del suono utilizzando la trasformata discreta di Fourier (DFT). Troncare lo spettro di frequenza per includere solo i punti dati corrispondenti alla gamma di frequenza: 100 Hz a 2.000 Hz. Lo spettro di frequenza troncato viene poi utilizzato nella classificazione come "rappresentante" del suono dell'insetto.
        NOTA: L'DFT è un algoritmo che trasforma i segnali nel dominio del tempo al dominio della frequenza. Si tratta di un edificio dfunzione lt nella maggior parte delle biblioteche di programmazione, e può essere richiamato nel programma con una sola riga di codice.
    2. Addestrare un classificatore bayesiano
      1. Utilizzare il metodo di stima della densità kNN 14 per imparare la distribuzione di probabilità a posteriori utilizzando la funzione audio. Con l'approccio kNN, la fase di formazione è quello di costruire un dataset di formazione.
        1. Casualmente assaggiare una serie di suoni di insetti dai dati raccolti per ciascuna specie di insetti.
        2. Seguire i passaggi della sezione 4.1.1 e calcolare lo spettro di frequenza troncato per ogni suono campionato. Gli spettri tronche insieme con etichette di classe dei campioni "(nome della specie di insetto) composte di dati di addestramento.
    3. Utilizzare il classificatore bayesiano di classificare un insetto sconosciuto
      1. Calcolare lo spettro di frequenza troncata del suono insetto sconosciuto.
      2. Calcola la distanza euclidea tra lo spettro troncata del unknown oggetto e tutti gli spettri troncati nel dataset formazione.
      3. Trova il k superiore (k = 8 in questo documento) più vicini dell'oggetto sconosciuto nel dataset formazione. Calcola la probabilità a posteriori del suono insetto sconosciuto appartenente ad una classe come la frazione dei primi k vicini più vicini che sono etichettati come classe.
      4. Classificare l'oggetto sconosciuto alla classe che ha la più alta probabilità a posteriori.
  2. Aggiungere una funzionalità al Classificatore: Insect ritmo circadiano
    1. Scopri le distribuzioni di classe condizionata dell'epoca verificarsi di suono insetto, che è, il ritmo circadiano per ogni specie di insetti.
      1. Ottenere il tempo di occorrenza di ogni suono dai risultati di rilevazione (cfr Sezione 3.2).
      2. Per ogni specie, costruire un istogramma del tempo di occorrenza suono insetto.
      3. Normalizzare l'istogramma in modo che l'area dell'istogramma è uno. Il normaleistogramma zata è il ritmo circadiano delle specie esaminate. Racconta la probabilità di osservare un insetto, di quella specie, in volo entro un certo periodo di tempo.
    2. Classificare un "suono insetto" sconosciuto combinando il "suono degli insetti" e il ritmo circadiano
      1. Dato il punto specifico nel tempo in cui si è verificato il suono insetto sconosciuto, ottenere la probabilità di osservare un insetto di classe sulla base del ritmo circadiano di classe.
        NOTA: Il ritmo circadiano è una distribuzione di probabilità. Si tratta di un array che specifica la probabilità di individuare un suono, prodotto da una precisa specie di insetti, in un momento specifico della giornata. Quindi una volta che viene dato un tempo, si può semplicemente verificare la matrice per ottenere la probabilità.
      2. Seguire i passaggi nella sezione 4.1.2 per calcolare la probabilità a posteriori che il suono sconosciuto appartiene alla classe utilizzando le caratteristiche del suono. Moltiplicare la probabilità a posteriori i risultati from il passaggio precedente per ottenere il nuovo probabilità a posteriori.
      3. Classificare il "suono sconosciuto" alla classe che ha la più alta nuova probabilità a posteriori.
  3. Aggiungi una caratteristica più il classificatore: Distribuzione Insect Geographic
    1. Imparare la distribuzione geografica delle specie di interesse, sia da dati pubblicati in documenti storici, letteratura pertinente, o semplicemente raccogliere la conoscenza di prima mano da campi tecnici / biologi. A scopo dimostrativo, utilizzare una simulazione grafica della distribuzione, come mostrato in Figura 7.
    2. Classificare un "suono insetto sconosciuto" usando "volante sound" e le due caratteristiche aggiuntive.
      1. Data la posizione geografica in cui è stato ricevuto il suono insetto, calcolare la probabilità di osservare un insetto dalla classe in quella posizione specifica utilizzando la distribuzione grafica delle specie.
        1. Seguire i passaggi nella sezione 4.2.2 and calcolare la probabilità a posteriori che il "suono sconosciuto" appartiene alla classe utilizzando le caratteristiche sonore e ritmi circadiani. Moltiplicare il risultato di questo passaggio per i risultati della fase precedente, al fine di ottenere la nuova probabilità a posteriori.
      2. Classificare il "suono sconosciuto" alla classe che ha la più alta nuova probabilità a posteriori.
  4. Un quadro generale per Aggiunta di funzionalità
    1. Si consideri il classificatore bayesiano che utilizza solo funzioni audio, come il classificatore primario. Seguire i passaggi riportati di seguito per aggiungere nuove funzionalità al classificatore.
      1. Nella fase di formazione, imparare le funzioni di densità di classe condizionata della nuova funzione.
      2. Nella fase di classificazione, data la nuova caratteristica del "suono sconosciuto", calcolare la probabilità di osservare la funzione in classe utilizzando le funzioni di densità apprese nel passaggio precedente. Moltiplicare la nuova probabilità per la previous probabilità a posteriori corrispondente al "suono sconosciuto" appartenenti alla classe che sono stati calcolati sulla base solo le caratteristiche dispari, per ottenere la nuova probabilità a posteriori. Classificare l'oggetto sconosciuto alla classe che ha la più alta nuova probabilità a posteriori.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Due esperimenti sono qui presentati. Per entrambi gli esperimenti, i dati utilizzati sono stati prelevati a caso da un set di dati che contiene oltre 100.000 oggetti.

Il primo esperimento dimostra la capacità del classificatore proposto di classificare con precisione differenti specie / sessi di insetti. Poiché la precisione classificazione dipende insetti da classificare, un unico valore assoluto per la precisione di classificazione non darà al lettore una buona intuizione sulle prestazioni del sistema. Invece, anziché presentare la precisione del classificatore su un insieme fisso di insetti, il classificatore è stato applicato a insiemi di dati con un numero incrementale crescente di specie, e quindi difficoltà crescente classificazione.

Il set di dati è iniziata con solo 2 specie di insetti; poi ad ogni passo, una più specie (o un singolo sesso di una specie dimorfismo sessuale) è stato aggiunto e il classificatore è stato utilizzato per classificare la maggiorenumero di specie (il nuovo set di dati). Un totale di dieci classi di insetti (sessi diversi dalle stesse specie di conteggio classi diverse) sono stati considerati, con 5.000 esemplari in ogni classe.

Il classificatore utilizzato sia insetto-sound (spettro di frequenza) e il tempo-di-intercettazione per la classificazione. La tabella 1 mostra la precisione di classificazione misurato a ogni passo e la relativa classe aggiunto a quel passo.

Secondo la tabella 1, il classificatore realizza oltre il 96% di precisione nella classificazione di non più di 5 specie di insetti, sensibilmente superiore al tasso di default del 20% di accuratezza. Anche quando il numero di classi considerato aumenti a 10, la precisione di classificazione non è mai inferiore al 79%, ancora significativamente superiore al tasso di default del 10%. Si noti che le dieci classi non sono facili da separare, anche mediante ispezione umana. Tra le dieci specie, otto di loro sono zanzare, with sei di loro che dallo stesso genere.

Il secondo esperimento è quello di mostrare come esattamente il sistema possa sesso insetti volanti, in particolare, di distinguere maschi Ae. Aegypti zanzare da femmine. Per la prima parte dell'esperimento, si supponga che il "costo di errata classificazione" dovuto all'errata classificazione di maschi come femmine è lo stesso che il costo dovuto all'errata classificazione femmine come i maschi. Con questa ipotesi, i risultati della classificazione sono riportati nella Tabella 2.I. La precisione di classificazione per sesso Ae. Aegypti è di circa 99,4%.

Per la seconda parte dell'esperimento, assume il costo non è asimmetrica, cioè, errata classificazione delle femmine come i maschi è molto più costoso che il contrario. Con questa ipotesi, la soglia di decisione del classificatore è stato modificato per ridurre il numero di errori di classificazione ad alto costo. Con la soglia regolata correttamente, i risultati della classificazione di cui alla tabella 2.II sono stati raggiunti. Di 2.000 insetti in esperimento, ventidue maschi, femmine e zero sono state classificate erroneamente.

Figura 1
Figura 1 (I) Una delle gabbie sperimentali utilizzati per raccogliere i dati. (II) Una versione logica del setup sensore con i componenti annotati. Fate clic qui per visualizzare una versione più grande di questa figura.

Figura 2
Figura 2 (I) Un esempio di un clip audio 1 sec contenente un "suono insetto volante" generato dal sensore. Il suono è stato prodotto da una femmina Cx. Stigmatosoma. Il INSEsuono ct è evidenziata in rosso / grassetto. (II) Il "suono insetto", che è stato pulito e salvato in una lunga clip audio 1-sec centrando il segnale di insetti e imbottitura con 0s altrove. (III) Lo spettro di frequenza di il suono insetto, ottenuto utilizzando Discrete Fourier Transform. Cliccate qui per vedere una versione più grande di questa figura.

Figura 3
Figura 3 Una rete bayesiana che utilizza una singola funzione per la classificazione.

Figura 4
Figura 4 Una rete bayesiana che utilizza due funzioni indipendenti per classificat ione

Figura 5
Figura 5 I ritmi circadiani di Cx. stigmatosoma (femmina), Cx. tarsalis (maschio), e Ae. aegypti (femmina), imparato basa su osservazioni generate dal sensore che sono stati raccolti più di 1 mese di durata. Cliccate qui per vedere una versione più grande di questa figura.

Figura 6
Figura 6 Una rete bayesiana che utilizza tre funzioni indipendenti per la classificazione.

g "/>
Figura 7 Le ipotesi delle distribuzioni geografiche di ogni specie di insetti e le posizioni dei sensori nella simulazione per dimostrare l'efficacia dell'utilizzo di funzionalità location-di-intercettazione in classifica. Cliccate qui per vedere una versione più grande di questa figura.

Figura 8
Figura 8 La rete bayesiana generale che utilizza n caratteristiche per la classificazione, dove n è un numero intero positivo. Cliccate qui per vedere una versione più grande di questa figura.

Passo Species Aggiunto Classificazione Precisione Passo Specie Aggiunto Classificazione Precisione
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%

Tabella 1 Classificazione precisione con un numero crescente di classi.

Classe prevista Classe prevista
I (costo simmetrica) femminile maschio II (costo asimmetrica) femminile maschio
Classe effettiva femminile 993 7 Classe effettiva femminile 1.000 0
maschio 5 995 maschio 22 978

Tabella 2 (I) La matrice di confusione per discriminazione fondata sul sesso di Ae. Aegypti zanzare con la soglia di decisione per le femmine è fissato a 0,5 (cioè, stessa ipotesi di costo). (II) La matrice di confusione del sesso stesse zanzare, con la decisione soglia per le femmine fissato a 0,1.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Il quadro sensore / classificazione qui descritta permette la classificazione economica e scalabile di insetti volanti. Le precisioni ottenibili dal sistema sono sufficienti per permettere lo sviluppo di prodotti commerciali bene e potrebbe essere un utile strumento per la ricerca entomologica.

La possibilità di utilizzare poco costoso, i sensori non invasivi per classificare con precisione e automaticamente insetti volanti avrebbe implicazioni significative per la ricerca entomologica. Ad esempio, distribuendo il sistema nel campo di contare e classificare insetti vettori, il sistema può fornire conteggi in tempo reale delle specie bersaglio, producendo informazioni in tempo reale che può essere usato per progettare programmi di intervento / di soppressione per combattere la malaria. Inoltre, il sistema è in grado di separare automaticamente insetti per sesso, e quindi può essere utilizzato per entomologi liberi che lavorano sul Sterile Insect Technique 15 dal compito noioso e che richiede tempo di sessaggio manualmente gli insetti. </ P>

Utilizzando questo sistema, la fase più critica è quella di impostare correttamente il sensore per la raccolta dati. Se il laser e l'array foto non sono allineati correttamente, i dati saranno molto rumoroso. Dopo che gli insetti sono posti nella gabbia, l'array foto deve sempre essere perfezionato utilizzando i magneti all'esterno della gabbia. Si noti che luci lampeggianti, flash per fotocamere e vibrazioni nei pressi delle gabbie introdurrà rumore ai dati. Pertanto, per ottenere dati puliti, posizionare la gabbia in una stanza buia, e ove necessario, mettere gli asciugamani asciutti sotto le gabbie per diminuire il livello di vibrazione.

Il classificatore presentato in questo lavoro usato solo due funzionalità aggiuntive. Tuttavia, ci possono essere decine di funzionalità aggiuntive che potrebbero contribuire a migliorare le prestazioni di classificazione. Poiché le caratteristiche potenziali sono di dominio e applicazioni specifiche, gli utenti possono scegliere le caratteristiche in base al loro bisogno o applicazioni specifiche. Il quadro generale del classifier consente agli utenti di aggiungere facilmente funzionalità per il classificatore per migliorare le prestazioni di classificazione.

Per incoraggiare l'adozione e l'estensione delle nostre idee, stiamo facendo tutti gli schemi del codice, dati, e dei sensori liberamente disponibili presso la UCR Computational Entomologia pagina 16-17. Inoltre, entro i limiti del nostro budget, noi continueremo la nostra pratica di dare un sistema completo (come mostrato in Figura 1) a qualsiasi entomologo ricerca che richiede uno.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Gli autori dichiarano di non avere interessi finanziari in competizione.

Acknowledgements

Vorremmo ringraziare la Fondazione Vodafone Americhe, la Bill and Melinda Gates Foundation, e il São Paulo Research Foundation (FAPESP) per il finanziamento di questa ricerca. Vorremmo anche ringraziare i numerosi docenti del Dipartimento di Entomologia presso l'Università di California, Riverside, per i loro consigli su questo progetto.

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