טיסה חרקים באיתור ובסיווג עם חיישנים זולים
Summary
הצענו מערכת שמשתמשת בחיישנים זולים, לא פולשנית פסאודו אקוסטי אופטיים באופן אוטומטי ומדויק לאתר, לספור, ולסווג את חרקים מעופפים המבוססים על קול הטיסה שלהם.
Abstract
מערכת זולה, לא פולשנית שיכול במדויק לסווג חרקים מעופפים תהיה ההשלכות חשובות למחקר האנטומולוגי, ולאפשר לפיתוח יישומים שימושיים רבים בוקטור והדברה עבור שתי אנטומולוגיה הרפואית וחקלאית. לאור זאת, שישים השנה האחרונה ראתה את מאמצי מחקר רבים שהוקדשו למשימה זו. עד כה, עם זאת, אף אחד ממחקר זה יש לו השפעה ארוכת טווח. בעבודה זו, אנו מראים כי חיישנים אופטיים פסאודו אקוסטי יכולים לייצר נתונים מעולים; כי תכונות נוספות, שניהם פנימיים וחיצוני לחרק טיסת התנהגות, ניתן לנצל כדי לשפר את סיווג חרקים; שגישת סיווג בייס מאפשרת ללמוד ביעילות מודלים סיווג, כי הם מאוד חזקים כדי הולמים מעל, ומסגרת סיווג כללית מאפשרת לשלב מספר שרירותי של תכונות בקלות. אנו מדגימים את הממצאים בניסויים בקנה מידה גדולה שמגמדים את כל העבודות הקודמות COMBIנד, כפי שהיא נמדדת על ידי המספר של חרקים ומספר המינים נחשבים.
Introduction
הרעיון של סיווג אוטומטי של חרקים באמצעות הקול הנלווה של הטיסה שלהם שתחילתה בימים הראשונים של מחשבים וציוד זמין מסחרי הקלטת אודיו 1. עם זאת, התקדמות מועטת נעשתה על בעיה זו בעשורים שחלפו. חוסר ההתקדמות במרדף הזה ניתן לייחס לגורמים קשורים כמה.
ראשית, חוסר חיישנים יעילים הפך את איסוף הנתונים קשה. רוב המאמצים לאסוף נתונים השתמשו מיקרופוני אקוסטי 2-5. מכשירים כאלה רגישים במיוחד לרוח רעש ורעש הסביבה בסביבה, וכתוצאה מכך הנתונים מאוד דלילים ואיכות נמוכה.
שנית, הרכבה בעיות איכות נתונים אלה היא העובדה שחוקרים רבים ניסו ללמוד מודלים סיווג מאוד מסובכים, במיוחד רשתות עצביות 6-8. מנסה ללמוד מודלים סיווג מסובכים, עם עשרות בלבד של דוגמאות,הוא מתכון להתאמת יתר.
שלישית, בקשיים של נתוני קבלת יש משמעות דבר כי חוקרים רבים ניסו לבנות מודלים סיווג עם נתונים מאוד מוגבלים, כמה כמו 300 מקרים 9 או פחות. עם זאת, ידוע כי לבניית מודלים סיווג מדויקים, יותר נתונים הוא טובים יותר 10-13.
עבודה זו מתייחסת לכל שלושת נושאים. אופטי חיישנים (ולא אקוסטי) ניתן להשתמש כדי להקליט את "קול" של טיסת חרקים ממטרים, עם invariance מלא לרוח רעש וקולות סביבה. חיישנים אלה אפשרו ההקלטה של מיליון מקרי אימון שכותרתו, הרבה יותר נתונים מאשר כל המאמצים הקודמים בשילוב, ובכך לסייע במניעת מאמצי מחקר הקודמים אשר הטריד הולם מעל. שיטה עקרונית מוצגת להלן, המאפשרת שילוב של מידע נוסף למודל הסיווג. מידע נוסף זה יכול להיות כיומיומי וכפי שקל להשגה כמו בזמן של היום, אך עדיין לייצר רווחים משמעותיים ברמת דיוק של המודל. לבסוף, הוא הוכיח כי הכמויות עצומות של נתונים שאספנו תאפשר לנו לנצל את "יעילות בלתי סבירה של נתונים" 10 לייצר מסווגים פשוט, מדויקת וחזקה.
לסיכום, סיווג חרקים מעופף עבר מעבר לטענות המפוקפקות שנוצרו במעבדת המחקר וכעת הוא מוכן לפריסה בעולם האמיתי. החיישנים והתוכנה שהוצגו בעבודה זו יספק לחוקרים ברחבי העולם כלים חזקים כדי להאיץ את המחקר שלהם.
Protocol
Representative Results
Discussion
מסגרת חיישן / הסיווג המתואר כאן מאפשרת סיווג הזול וניתן להרחבה של חרקים מעופפים. דיוקי השגה על ידי המערכת טובים מספיק כדי לאפשר הפיתוח של מוצרים מסחריים ויכולים להיות כלי שימושי במחקר האנטומולוגי.
היכולת להשתמש בחיישנים זולים, ל?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
ברצוננו להודות לקרן אמריקה וודאפון, ביל ומלינדה גייטס, וסאו פאולו קרן המחקר (FAPESP) למימון מחקר זה. כמו כן, אנו רוצים להודות לחברי סגל רבים מהמחלקה לאנטומולוגיה באוניברסיטת קליפורניה, ריברסייד, לעצתם על הפרויקט הזה.
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).
