تحلق كشف وتصنيف الحشرات مع مجسات رخيصة
Summary
اقترحنا نظام يستخدم غير مكلفة، موسع أجهزة الاستشعار البصرية الزائفة الصوتية تلقائيا وبدقة لكشف والعد، وتصنيف الحشرات الطائرة على أساس الصوت سفرهم.
Abstract
ومن شأن نظام موسع وغير مكلفة يمكن أن تصنف بدقة الحشرات الطائرة لها انعكاسات هامة على الأبحاث الحشري، والسماح لتطوير العديد من التطبيقات المفيدة في النواقل ومكافحة الآفات لكل من علم الحشرات الطبي والزراعي. ونظرا لهذا، شهدت السنوات الستين الماضية العديد من الجهود البحثية المكرسة لهذه المهمة. حتى الآن، ومع ذلك، كان لا شيء من هذا البحث تأثير دائم. في هذا العمل، وتبين لنا أن أجهزة الاستشعار البصرية الزائفة الصوتية يمكن أن تنتج بيانات متفوقة. أن ميزات إضافية، سواء جوهري وخارجي لسلوك رحلة الحشرة، يمكن استغلالها لتحسين تصنيف الحشرات. أن النهج تصنيف النظرية الافتراضية يتيح للتعلم بكفاءة تصنيف النماذج التي هي قوية جدا إلى أكثر من تركيب، وإطار التصنيف العام يسمح لدمج بسهولة التعسفي عدد من الميزات. نحن لشرح النتائج مع التجارب واسعة النطاق التي تقزم جميع الأعمال السابقة كومبيNED، كما يقاس بعدد من الحشرات وعدد الأنواع التي تعتبر.
Introduction
فكرة تصنيف الحشرات تلقائيا باستخدام الصوت عرضية من رحلتهم يعود تاريخها إلى الأيام الأولى من أجهزة الكمبيوتر المتاحة تجاريا ومعدات تسجيل الصوت 1. ومع ذلك، فقد تم إحراز تقدم ضئيل على هذه المشكلة في العقود الفاصلة. ويمكن أن يعزى عدم إحراز تقدم في هذا السعي إلى عدة عوامل ذات الصلة.
أولا، جعلت قلة من أجهزة الاستشعار فعالة لجمع البيانات صعبا. وقد استخدمت معظم الجهود لجمع البيانات الميكروفونات الصوتية 2-5. هذه الأجهزة هي حساسة للغاية لتصفية الضجيج والضوضاء المحيطة في البيئة، مما أدى إلى بيانات ضئيلة جدا وذات جودة منخفضة.
الثانية، مما يضاعف هذه القضايا جودة البيانات هو حقيقة أن العديد من الباحثين قد حاولوا معرفة تصنيف نماذج معقدة للغاية، وخاصة الشبكات العصبية 6-8. محاولة لمعرفة نماذج تصنيف معقدة، مع مجرد عشرات الأمثلة،وصفة لالإفراط في تركيب.
ثالثا، صعوبة الحصول على البيانات يعني أن حاول العديد من الباحثين على بناء نماذج تصنيف مع بيانات محدودة جدا، عدد قليل من الحالات 9 300 أو أقل. ومع ذلك، فمن المعروف أن لبناء نماذج تصنيف دقيقة، والمزيد من بيانات أفضل 10-13.
ويتناول هذا العمل جميع القضايا الثلاث. البصرية (بدلا من الصوتية) يمكن استخدام أجهزة الاستشعار لتسجيل "سليمة" للطيران الحشرات من متر، مع الثابتية الكامل لتصفية الضوضاء والأصوات المحيطة. وقد سمحت هذه المجسات لتسجيل الملايين من حالات التدريب المسمى، أكثر بكثير من البيانات كل الجهود السابقة مجتمعة، وبالتالي يساعد على تجنب الجهود البحثية السابقة الإفراط المناسب التي يعاني منها. وهناك طريقة المبدئي هو مبين أدناه أن يسمح بإدراج معلومات إضافية في نموذج التصنيف. يمكن أن تكون هذه المعلومات الإضافية كما اليومية المعتادة كما وسهلة والحصول على الوقت من اليوم، ومع ذلك لا تزال تنتج مكاسب كبيرة في دقة النموذج. وأخيرا، أظهرت أن كميات هائلة من البيانات التي تم جمعها تسمح لنا للاستفادة من "فاعلية غير معقولة من البيانات" 10 لإنتاج المصنفات بسيطة ودقيقة وقوية.
باختصار، انتقلت تحلق تصنيف الحشرات وراء مطالبات مشكوك فيها تم إنشاؤها في مختبر البحوث وجاهز الآن للنشر في العالم الحقيقي. وأجهزة الاستشعار والبرمجيات المقدمة في هذا العمل توفر أدوات قوية الباحثين في جميع أنحاء العالم لتسريع أبحاثهم.
Protocol
Representative Results
Discussion
الإطار الاستشعار / تصنيف الموصوفة هنا يسمح للتصنيف غير مكلفة وقابلة للمن الحشرات الطائرة. على دقة قابلة للتحقيق من قبل النظام هي جيدة بما فيه الكفاية للسماح تطوير المنتجات التجارية ويمكن أن تكون أداة مفيدة في البحث الحشري.
إن الق…
Declarações
The authors have nothing to disclose.
Acknowledgements
نود أن نشكر مؤسسة فودافون الأمريكتين، ومؤسسة بيل وميليندا غيتس، ومؤسسة أبحاث ساو باولو (FAPESP) لتمويل هذا البحث. ونود أيضا أن نشكر العديد من أعضاء هيئة التدريس من قسم علم الحشرات في جامعة كاليفورنيا، ريفرسايد، لنصائحهم في هذا المشروع.
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. |
Referências
- 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. Genética. 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).
