Volare Insetto rilevamento e classificazione con sensori Economico
Summary
Abbiamo proposto un sistema che utilizza poco costoso, sensori non invasivi pseudo-acustico ottici per rilevare automaticamente e con precisione, contare e classificare insetti base al loro suono volare volare.
Abstract
Un sistema poco costoso, non invasivo in grado di classificare con precisione insetti volanti avrebbe importanti implicazioni per la ricerca entomologica, e consentire lo sviluppo di molte applicazioni utili nel vettore e di controllo dei parassiti sia per entomologia medica e agricolo. Dato questo, negli ultimi 60 anni hanno visto molti sforzi di ricerca dedicati a questo compito. Ad oggi, tuttavia, nessuna di queste ricerche ha avuto un impatto duraturo. In questo lavoro, dimostriamo che i sensori ottici pseudo-acustiche in grado di produrre dati superiore; che funzionalità aggiuntive, sia intrinseco ed estrinseco al comportamento in volo dell'insetto, può essere sfruttata per migliorare la classificazione degli insetti; che un approccio di classificazione bayesiana consente di imparare in modo efficace modelli di classificazione che sono molto robusti a un eccesso di montaggio, e un quadro generale di classificazione permette di incorporare facilmente numero arbitrario di funzioni. Dimostriamo i risultati con esperimenti su larga scala che minimizzano tutte le opere precedenti COMBIned, misurata dal numero di insetti e il numero di specie considerate.
Introduction
L'idea di classificare automaticamente insetti utilizzando il suono incidentale del loro volo risale ai primi giorni di computer e disponibile in commercio apparecchi di registrazione audio 1. Tuttavia, sono stati compiuti pochi progressi su questo problema nei decenni successivi. La mancanza di progressi in questa ricerca può essere attribuito a diversi fattori correlati.
In primo luogo, la mancanza di sensori efficaci ha reso difficile la raccolta dei dati. La maggior parte degli sforzi per raccogliere dati hanno utilizzato i microfoni acustici 2-5. Tali dispositivi sono estremamente sensibili al rumore del vento e il rumore ambientale nell'ambiente, con conseguente dati molto radi e di bassa qualità.
In secondo luogo, aggravando i problemi di qualità dei dati è il fatto che molti ricercatori hanno tentato di imparare modelli di classificazione molto complicati, specialmente le reti neurali 6-8. Cercando di imparare complicati modelli di classificazione, con soli decine di esempi,è una ricetta per over-fitting.
In terzo luogo, l'difficilmente dei dati ottenere ha fatto sì che molti ricercatori hanno tentato di costruire modelli di classificazione con dati molto limitati, da un minimo di 300 istanze di 9 o meno. Tuttavia, è noto che per la costruzione di modelli di classificazione accurati, più dati è meglio 10-13.
Questo lavoro affronta tre questioni. Ottici (piuttosto che acustica) sensori possono essere utilizzati per registrare il "suono" del volo degli insetti da metri di distanza, con totale invarianza di rumore del vento e suoni ambientali. Questi sensori hanno permesso la registrazione di milioni di casi di formazione etichettati, molti più dati rispetto tutti gli sforzi precedenti messi insieme, e, quindi, contribuire ad evitare gli sforzi di ricerca precedenti over-montaggio che ha afflitto. Un metodo di principio è illustrato di seguito, che consente l'integrazione di ulteriori informazioni nel modello di classificazione. Queste informazioni aggiuntive possono essere quotidiana e comefacile da ottenere come il tempo del giorno, ma ancora producono significativi aumenti di accuratezza del modello. Infine, è dimostrato che le enormi quantità di dati che abbiamo raccolto ci permettono di approfittare di "L'irragionevole efficacia dei dati" 10 per la produzione di classificatori semplici, precise e solide.
In sintesi, la classificazione degli insetti volanti si è spostata al di là delle affermazioni dubbie creati nel laboratorio di ricerca ed è ora pronto per la distribuzione nel mondo reale. I sensori e software presentati in questo lavoro fornirà ai ricercatori di tutto il mondo strumenti robusti per accelerare la loro ricerca.
Protocol
Representative Results
Discussion
Il quadro sensore / classificazione qui descritta permette la classificazione economica e scalabile di insetti volanti. Le precisioni ottenibili dal sistema sono sufficienti per permettere lo sviluppo di prodotti commerciali bene e potrebbe essere un utile strumento per la ricerca entomologica.
La possibilità di utilizzare poco costoso, i sensori non invasivi per classificare con precisione e automaticamente insetti volanti avrebbe implicazioni significative per la ricerca entomologica. Ad …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Vorremmo ringraziare la Fondazione Vodafone Americhe, la Bill and Melinda Gates Foundation, e il São Paulo Research Foundation (FAPESP) per il finanziamento di questa ricerca. Vorremmo anche ringraziare i numerosi docenti del Dipartimento di Entomologia presso l'Università di California, Riverside, per i loro consigli su questo progetto.
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).
