저렴한 센서와 곤충 검출 및 분류 플라잉
Summary
우리는 자동으로 그리고 정확하게 검출 카운트, 그리고 그들의 비행 사운드에 기초하여 곤충 비행 분류 저렴 비침 가상 음향 광학 센서를 사용하는 시스템을 제안 하였다.
Abstract
정확하게 비행 곤충을 분류 할 수있는 저렴하고 비 침습적 시스템은 곤충학 연구에 중요한 의미를 가지고 있고, 모두 의료 및 농업 곤충학 벡터 및 해충 방제에 많은 유용한 응용 프로그램의 개발을 허용합니다. 이 감안할 때, 지난 육십년이 작업에 전념 많은 연구 노력을 보았다. 그러나 현재이 연구 중 어느 것도 지속적인 영향이 없었습니다. 이 작품에서, 우리는 의사 음향 광학 센서는 뛰어난 데이터를 생성 할 수 있음을 보여; 추가 기능을 모두 내장하고 곤충의 비행 행동에 대한 외부 것으로, 곤충 분류를 개선하기 위해 이용 될 수있다; 베이지안 분류 방법은 효율적으로 피팅을 통해 – 매우 견고 분류 모델을 배울 수 있습니다, 그리고 일반적인 분류 프레임 워크는 쉽게 기능의 임의의 수를 통합 할 수 있습니다. 우리는 이전의 모든 작품 콤비 난쟁이 대규모 실험과 연구 결과를 보여네드, 곤충의 수와 고려 종의 수에 의해 측정.
Introduction
자동으로 비행의 부수적 인 사운드를 사용하여 곤충을 분류하는 아이디어는 초기 컴퓨터의 일 시중에서 판매하는 오디오 녹음 장비 1 거슬러 올라간다. 그러나, 약간의 진전이 개입 수십 년 동안이 문제에 만들어졌다. 이 추구하는 진보의 부족은 여러 가지 관련 요인에 기인 할 수있다.
첫째, 유효 센서 부족 데이터 수집이 곤란했다. 데이터를 수집하는 대부분의 노력은 음향 마이크 2-5을 사용했다. 이러한 장치는 매우 희박한 및 저품질 데이터 결과 및 잡음 환경에서 주변 잡음을 바람에 매우 민감하다.
둘째, 이러한 데이터 품질 문제를 복잡하게하는 것은 많은 연구자가 매우 복잡 분류 모델, 특히 신경망 6-8을 배우고 시도했다는 사실이다. 예 불과 수십와 복잡한 분류 모델을 배우고 시도,오버 피팅위한 조리법이다.
셋째, 취득 데이터의 성사는 많은 연구자들은 300 인스턴스 9 이하로 몇 가지로, 매우 제한된 데이터로 분류 모델을 구축하려고 시도한 것을 의미하고있다. 그러나, 정확한 분류 모델을 구축하기위한, 더 많은 데이터가 10-13 나은 것으로 알려져있다.
이 작품은 세 가지 문제를 해결합니다. 광학 (오히려 음향보다) 센서는 소음과 주변 소리를 바람에 완전 불변으로, 멀리 m에서 곤충 비행의 "소리"기록하는 데 사용할 수 있습니다. 이 센서 레이블 교육 인스턴스 결합 이전의 모든 노력보다 훨씬 더 많은 데이터를 수백만의 기록을 허용하고, 따라서 그 괴롭혔다을 통해 피팅 이전의 연구 노력을 피할 수있다. 그 아래에 표시되는 원칙적인 방법은 분류 모델에 추가 정보를 통합 할 수 있습니다. 이 추가 정보는 quotidian로와 같이 할 수있다날짜 시간으로 구하기 쉬운, 그러나 아직도이 모델의 정확도에 상당한 이득을 생산하고 있습니다. 마지막으로, 우리는 수집 된 데이터의 엄청난 양의 우리가 간단하고 정확하고 강력한 분류를 생산하는 "데이터의 불합리한 효과"열을 활용할 수 있다는 사실이 처음으로 밝혀졌다.
요약하면, 비행 곤충의 분류는 연구 실험실에서 만든 반신 반의 청구를 넘어서 지금은 실제 배포 할 준비가되었습니다. 이 연구에서 제시된 센서와 소프트웨어는 전 세계적으로 그들의 연구를 가속화 할 강력한 도구를 연구자를 제공 할 것입니다.
Protocol
Representative Results
Discussion
여기에 설명 된 센서 / 분류 프레임 워크는 비행 곤충의 저렴하고 확장 가능한 분류를 할 수 있습니다. 시스템에 의해 달성 정확도는 상용 제품의 개발을 허용하도록 충분하고 곤충학 연구에 유용한 도구가 될 수있다.
정확하고 자동 비행 곤충을 분류하기 위해 저렴하고 비 침습적 센서를 사용하는 능력은 곤충학 연구에 상당한 영향을 미칠 것입니다. 예를 들어, 곤충 벡터를…
Disclosures
The authors have nothing to disclose.
Acknowledgements
우리는이 연구에 자금을 지원하기위한보다 폰 아메리카 재단, 빌 & 멜린다 게이츠 재단, 그리고 상 파울로 연구 재단 (FAPESP)에 감사의 말씀을 전합니다. 우리는 또한이 프로젝트에 대한 그들의 조언을, 캘리포니아 리버 사이드 대학의 곤충학의 부서에서 많은 교수진에게 감사의 말씀을 전합니다.
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. 유전학. 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).
