Flying Insect Detection og klassifisering med Inexpensive Sensorer

Summary

Vi foreslo et system som bruker billig, ikke-invasiv pseudo-akustisk optiske sensorer for å automatisk og nøyaktig oppdage, telle, og klassifisere flygende insekter basert på deres flygende lyd.

Abstract

En billig, ikke-invasiv system som kunne nøyaktig klassifisere flygende insekter ville ha viktige implikasjoner for entomologiske forskning, og gi rom for utvikling av mange nyttige programmer i vektor og skadedyrbekjempelse for både medisinsk og landbruks entomologi. Gitt dette, har de siste seksti årene sett mange forskningsinnsats viet til denne oppgaven. Hittil har imidlertid ingen av denne forskning har hatt en varig virkning. I dette arbeidet viser vi at pseudo-akustisk optiske sensorer kan produsere overlegen data; at ekstra funksjoner, både indre og ytre til insekt flytur atferd, kan utnyttes til å forbedre insekt klassifisering; at en bayesiansk klassifisering tilnærming gjør det mulig å effektivt lære klassifiseringsmodeller som er svært robust til over sittende, og et generelt rammeverk klassifisering gjør det mulig å enkelt legge inn vilkårlig antall funksjoner. Vi viser funnene med store eksperimenter som dverg alle tidligere arbeider kombined, målt ved antall insekter og antallet av arter i betraktning.

Introduction

Ideen om automatisk klassifisere insekter ved hjelp av tilfeldige lyden av deres fly går tilbake til de tidligste dagene av datamaskiner og kommersielt tilgjengelig lydopptak utstyr ^1. Imidlertid har liten fremgang blitt gjort på dette problemet i de mellomliggende tiår. Mangelen på fremgang i denne jakten kan tilskrives flere relaterte faktorer.

Først, har mangelen på effektive sensorer gjort datainnsamling vanskelig. De fleste forsøk på å samle inn data har brukt akustiske mikrofoner ^2-5. Slike anordninger er svært følsom for støy og bakgrunnsstøy i miljøet, noe som resulterer i meget begrensede og lav-kvalitetsdata.

Sekund, compounding disse data kvalitet problemer er det faktum at mange forskere har forsøkt å lære svært kompliserte klassifiseringsmodeller, spesielt nevrale nettverk ^6-8. Forsøk på å lære kompliserte klassifiseringsmodeller, med bare titalls eksempler,er en oppskrift på over-montering.

For det tredje har det så lett å skaffe data betydde at mange forskere har forsøkt å bygge klassifiseringsmodeller med svært begrensede data, så få som 300 tilfeller ⁹ eller mindre. Imidlertid er det kjent at for å bygge nøyaktige klassifiseringsmodeller, er mer data bedre ^10-13.

Dette arbeidet tar for seg alle tre spørsmålene. Optisk (snarere enn akustisk) sensorer kan brukes til å spille inn "lyd" av insekt flytur fra meter unna, med komplett invarians til vindstøy og lyder fra omgivelsene. Disse sensorene har tillatt innspillingen av millioner av merket opplærings tilfeller, langt mer data enn alle tidligere innsats kombinert, og dermed bidra til å unngå over-fitting som har plaget tidligere forskningsinnsats. En prinsipiell fremgangsmåte er vist nedenfor som tillater inkorporering av ytterligere informasjon i modellen klassifisering. Denne tilleggsinformasjon kan være så quotidian og somlett å få tak i som den tid av dagen, men likevel produserer betydelige gevinster i nøyaktigheten av modellen. Til slutt er det demonstrert at de enorme mengder data vi samlet tillate oss å dra nytte av "The urimelig effektiviteten av data" ¹⁰ for å produsere enkle, nøyaktige og robuste klassifiserere.

Oppsummert har flygende insekter klassifisering gått utover de tvilsomme påstander som er opprettet i forskningslaboratorium og er nå klar for den virkelige verden distribusjon. Sensorer og programvare som presenteres i dette arbeidet vil gi forskere over hele verden robuste verktøy for å akselerere sin forskning.

Protocol

1. Insect Colony og stell Mosquito Colony og stell Bak Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma og Aedes aegypti voksne fra lab koloniene, som stammer fra villfanget individer. Bak mygglarver i emalje panner under standard laboratorieforhold (27 ° C, 16: 8 timers lys: mørke [LD] syklus med 1 time skumring / daggry perioder), og mate dem ad libitum på en blanding av bakken gnager chow og ølgjær (3: 1, v: v). Samle mygg puppe i 200 m…

Representative Results

To eksperimenter er presentert her. For begge forsøk, ble de data som brukes tilfeldig samplet fra et datasett som inneholder over 100.000 gjenstander. Det første forsøket viser evnen av den foreslåtte klassifikator til nøyaktig å klassifisere forskjellige arter / kjønn av insekter. Som nøyaktigheten Klassifiseringen avhenger av insekter til å bli klassifisert, vil en enkelt absolutt verdi for nøyaktighet klassifisering ikke gi leseren en god intuisjon om ytelsen til systemet. I st…

Discussion

Sensoren / klassifisering rammeverket beskrevet her gjør at billig og skalerbar klassifisering av flygende insekter. De nøyaktigoppnåe av systemet er gode nok til å tillate utviklingen av kommersielle produkter og kan være et nyttig verktøy i entomologiske forskning.

Muligheten til å bruke billig, ikke-invasive sensorer til nøyaktig og automatisk klassifisere flygende insekter ville ha betydelige implikasjoner for entomologiske forskning. For eksempel, ved å distribuere systemet i f…

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.