Vliegende Insect Detectie en classificatie met goedkope sensoren
Summary
We stelden een systeem dat goedkope, niet-invasieve pseudo-akoestische optische sensoren gebruikt om automatisch en nauwkeurig te detecteren, te tellen en classificeren vliegende insecten op basis van hun vliegende geluid.
Abstract
Een goedkope, niet-invasieve systeem dat nauwkeurig kan classificeren vliegende insecten zouden belangrijke implicaties voor entomologische onderzoek hebben, en zorgen voor de ontwikkeling van vele nuttige toepassingen in vector-en ongediertebestrijding voor zowel de medische en agrarische entomologie. Gezien dit, hebben de afgelopen zestig jaar veel onderzoek inspanningen met betrekking tot deze taak gezien. Tot op heden echter niets van dit onderzoek heeft een blijvende invloed gehad. In dit werk wordt aangetoond dat pseudo-akoestische optische sensoren superieure data kan produceren; die extra functies, zowel intrinsieke en extrinsieke naar vlieggedrag van het insect, kan worden benut om insecten classificatie te verbeteren; dat een Bayesiaanse classificatie aanpak maakt het mogelijk om efficiënt te leren classificatie modellen die zeer robuust zijn om over-montage, en een algemeen klassement raamwerk maakt het mogelijk om willekeurig aantal functies gemakkelijk op te nemen. We tonen de bevindingen met grootschalige experimenten die dwerg alle eerdere werken combined, zoals gemeten door het aantal insecten en het aantal soorten beschouwd.
Introduction
Het idee van het automatisch classificeren van insecten met behulp van het incidentele geluid van hun vlucht gaat terug tot de vroegste dagen van de computers en de handel verkrijgbare audio-opname-apparatuur 1. Er is echter weinig vooruitgang geboekt op dit probleem in de tussenliggende decennia. Het gebrek aan vooruitgang in dit streven kan worden toegeschreven aan een aantal gerelateerde factoren.
Ten eerste is het gebrek aan effectieve sensoren verzamelen gegevens bemoeilijkt. De meeste inspanningen om gegevens te verzamelen zijn akoestische microfoons 2-5 gebruikt. Dergelijke apparaten zijn uiterst gevoelig voor ruis en omgevingsgeluid wind in het milieu, wat resulteert in zeer schaars en lage kwaliteit van de gegevens.
Tweede compounding deze databank kwaliteitsproblemen is dat veel onderzoekers hebben geprobeerd zeer gecompliceerd classificatiemodellen, vooral neurale netwerken 6-8 leren. Proberen om te leren ingewikkelde indeling modellen, met slechts tientallen voorbeelden,is een recept voor over-fitting.
Ten derde, de moeilijkheid van het verkrijgen van gegevens heeft ertoe geleid dat veel onderzoekers hebben geprobeerd om de indeling modellen te bouwen met zeer beperkte gegevens, zo weinig als 300 exemplaren 9 of minder. Het is echter bekend dat voor het bouwen accurate classificatiemodellen meer gegevens beter 10-13.
Dit werk richt zich op alle drie punten. Optische sensoren (in plaats van akoestische) kan worden gebruikt om op te nemen van de "sound" van insecten vlucht vanuit meter afstand, met volledige onveranderlijkheid van lawaai en ambient geluiden wind. Deze sensoren hebben toegelaten dat de opname van miljoenen gelabeld training gevallen, veel meer gegevens dan alle eerdere inspanningen gecombineerd, en zo helpen voorkomen dat de over-fitting die is geplaagd eerdere onderzoeksinspanningen. Een principiële methode wordt hieronder getoond dat maakt de integratie van aanvullende informatie in de classificatie-model. Deze extra informatie kan net zo alledaags en alsgemakkelijk te verkrijgen als de tijd van de dag, maar produceren nog steeds aanzienlijke winst in nauwkeurigheid van het model. Tenslotte is aangetoond dat de enorme hoeveelheden data die we verzameld kunnen we gebruik maken van de "onredelijke effectiviteit van data" 10 eenvoudige, nauwkeurige en robuuste classifiers produceren.
Samengevat heeft vliegend insect indeling buiten de dubieuze vorderingen gemaakt in het onderzoek lab verplaatst en is nu klaar voor de echte wereld inzet. De sensoren en software die in dit werk zal onderzoekers wereldwijd bieden krachtige hulpmiddelen om hun onderzoek te versnellen.
Protocol
Representative Results
Discussion
De sensor / klassificatiekader hier beschreven maakt het goedkoop en schaalbaar classificatie van vliegende insecten. De nauwkeurigheden bereikt door het systeem zijn goed genoeg om de ontwikkeling van commerciële producten toe en als een bruikbaar entomologisch onderzoek zou zijn.
De mogelijkheid om goedkope, niet-invasieve sensoren gebruiken om nauwkeurig en automatisch classificeren vliegende insecten zou aanzienlijke gevolgen hebben voor de entomologische onderzoek. Bijvoorbeeld door in…
Disclosures
The authors have nothing to disclose.
Acknowledgements
We willen graag de Vodafone Americas Foundation, de Bill en Melinda Gates Foundation, en de São Paulo Research Foundation (FAPESP) bedanken voor de financiering van dit onderzoek. We willen ook graag de vele docenten van de afdeling Entomologie aan de Universiteit van California, Riverside, bedanken voor hun advies over dit project.
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. Genetics. 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).
