Fliegen-Insekt Erkennung und Klassifizierung mit preiswerten Sensoren
Summary
Wir haben vorgeschlagen, ein System, das preiswert, nicht-invasive Pseudo-akustisch-optische Sensoren verwendet, um automatisch und genau zu erfassen, zu zählen und zu klassifizieren fliegenden Insekten basierend auf ihren fliegenden Sound.
Abstract
Eine preiswerte, nicht-invasive System, das genau zu klassifizieren könnte fliegenden Insekten würden wichtige Implikationen für die entomologische Forschung haben, und damit für die Entwicklung von vielen nützlichen Anwendungen in Vektor-und Schädlingsbekämpfung für medizinische und landwirtschaftliche Entomologie. Angesichts dieser, haben die letzten 60 Jahre viele Forschungsanstrengungen dieser Aufgabe gewidmet gesehen. Bis heute ist jedoch keine dieser Forschung hat einen bleibenden Einfluss hatte. In dieser Arbeit zeigen wir, dass Pseudo-akustisch-optische Sensoren überlegen Daten zu erzeugen; dass zusätzliche Funktionen, sowohl intrinsische als auch extrinsische, um das Flugverhalten der Insekten, kann der Angreifer ausnutzen, um Insekten Klassifizierung zu verbessern; dass ein Bayes-Klassifizierung Ansatz erlaubt es, Klassifikationsmodelle, die sehr robust zu Überanpassung sind effizient zu lernen, und eine allgemeine Klassifizierung Rahmen erlaubt es, einfach zu integrieren beliebige Anzahl von Funktionen. Wir zeigen die Ergebnisse mit großen Experimente, die in den Schatten stellen alle bisherigen Werke combiNed, wie durch die Anzahl der Insekten und der Anzahl der betrachteten Spezies gemessen.
Introduction
Die Idee der automatischen Klassifizierung von Insekten mit dem Neben Klang ihrer Flug stammt aus den frühen Tagen der Computer und handelsüblichen Audio-Aufnahmegeräte 1. Allerdings hat kaum Fortschritte auf dieses Problem in den folgenden Jahrzehnten gemacht worden. Der mangelnde Fortschritt in diesem Streben kann auf mehrere Faktoren zurückgeführt werden verwandten.
Erstens hat das Fehlen einer wirksamen Sensoren Datenerfassung erschwert. Die meisten Versuche, die Daten zu sammeln haben akustische Mikrofone 2-5 verwendet. Solche Vorrichtungen sind sehr empfindlich gegenüber Rauschen und Umgebungsrauschen Wind in der Umgebung, was zu sehr spärlich und Daten geringer Qualität.
Zweitens Compoundierung diese Datenqualitätsprobleme ist die Tatsache, dass viele Forscher haben versucht, sehr kompliziert Klassifikationsmodelle, insbesondere neuronale Netze 6-8 zu lernen. Der Versuch, komplizierte Klassifikationsmodelle zu lernen, mit gerade einmal zehn Beispiele,ist ein Rezept für Überanpassung.
Drittens, die schwer zu erhalten, Daten dazu geführt, dass viele Forscher als 300 Fällen 9 oder weniger versucht, Klassifikationsmodelle mit sehr begrenzte Daten zu bauen, da nur wenige. Es ist jedoch bekannt, dass für den Aufbau eine genaue Klassifizierungsmodelle, besser 10-13 mehr Daten.
Diese Arbeit richtet sich an alle drei Fragen. Optische (und nicht akustisch) Sensoren können verwendet werden, um die Aufnahme "Sound" der Insektenflug von Meter entfernt, mit kompletter Invarianz gegen Windgeräusche und Umgebungsgeräusche. Diese Sensoren haben die Aufnahme von Millionen von markierten Trainingsinstanzen, weit mehr Daten als alle bisherigen Bemühungen kombiniert erlaubt, und so dazu beitragen, die Überanpassung geplagt hat, dass vorherige Forschungsanstrengungen zu vermeiden. Eine prinzipielle Verfahren wird unten gezeigt, dass ermöglicht den Einbau von zusätzlichen Informationen in die Klassifikationsmodell. Diese zusätzlichen Informationen können als alltägliche und als seineinfach zu erhalten, als die Zeit der Tage, doch erzeugen erhebliche Gewinne in der Genauigkeit des Modells. Schließlich wird gezeigt, dass die enormen Mengen an Daten, die wir gesammelt erlauben es uns, die Vorteile von "The unvernünftig Wirksamkeit der Daten" 10, um einfache, genaue und robuste Klassifikatoren zu produzieren.
Zusammenfassend hat Fluginsekten Klassifizierung über die zweifelhafte Ansprüche im Forschungslabor erstellt verschoben und ist nun bereit für die realen Einsatz. Die Sensoren und Software in dieser Arbeit vorgestellt werden Forscher weltweit bieten robuste Werkzeuge, um ihre Forschung zu beschleunigen.
Protocol
Representative Results
Discussion
Die hier beschriebene Sensor / Classification Framework ermöglicht die kostengünstige und skalierbare Klassifikation von fliegenden Insekten. Die vom System erreichbaren Genauigkeiten sind gut genug, um die Entwicklung kommerzieller Produkte ermöglichen und könnte ein nützliches Werkzeug in der entomologischen Forschung sein.
Die Fähigkeit, preiswert, nicht-invasiven Sensoren verwenden, um präzise und automatisch zu klassifizieren fliegenden Insekten würde erhebliche Auswirkungen auf…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Wir möchten die Vodafone Americas Foundation, der Bill-und-Melinda-Gates-Stiftung, und der São Paulo Research Foundation (FAPESP) für die Förderung dieses Forschungs danken. Wir möchten auch die vielen Mitglieder der Fakultät von der Abteilung für Entomologie an der Universität von Kalifornien, Riverside, danke ich für ihren Rat an diesem Projekt.
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).
