Ucuz Sensörler ile Böcek Tespit ve Sınıflandırma Uçan
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.
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.
Protocol
Representative Results
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. Ö…
Divulgations
The authors have nothing to disclose.
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 of Material/ Equipment | Company | Catalog Number | Comments/Description |
| 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, 650nm (red) | Apinex (www.apinex.com) | LN60-650 | 5mW. This is a low powered laser, similar to a teachers lasers 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. |
References
- Kahn, M. C., Celestin, W., Offenhauser, W. Recording of sounds produced by certain disease-carrying mosquitoes. Science. 101 (2622), 335-336 (1945).
- 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. Génétique. 27 (3), 349 (1942).
- 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).
- 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).
- 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 .
- 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).
- 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).
- 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).
- Moore, A. Artificial neural network trained to identify mosquitoes in flight. Journal of insect behavior. 4 (3), 391-396 (1991).
- Halevy, A., Norvig, P., Pereira, F. The unreasonable effectiveness of data. Intelligent Systems, IEEE. 24 (2), 8-12 (2009).
- Banko, M., Brill, E. Mitigating the paucity-of-data problem exploring the effect of training corpus size on classifier performance for natural language processing. , 1-5 (2001).
- Shotton, J., et al. Real-time human pose recognition in parts from single depth images. Communications of the ACM. 56 (1), 116-124 (2013).
- Ilyas, P. Classifying insects on the fly. Ecological Informatics. , (2013).
- Mack, Y. P., Rosenblatt, M. Multivariate k-nearest neighbor density estimates. Journal of Multivariate Analysis. 9 (1), 1-15 (1979).
- 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).
- . Supporting Materials Available from: https://sites.google.com/site/insectclassification
- 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).
