Summary

Vôo Detecção e Classificação Insect com sensores baratos

Published: October 15, 2014
doi:

Summary

Propusemos um sistema que utiliza sensores de pseudo-acústico de baixo custo, não invasivo ópticos para detectar automaticamente e com precisão, contar e classificar insetos voadores com base em seu som de vôo.

Abstract

Um sistema de baixo custo, não invasivo e que poderia classificar com precisão insetos voadores teria implicações importantes para a pesquisa entomológica, e permitir o desenvolvimento de muitas aplicações úteis no vetor e controle de pragas, tanto para entomologia médica e agrícola. Diante disso, nos últimos 60 anos tenho visto muitos esforços de pesquisa dedicados a esta tarefa. Até o momento, no entanto, nada disto pesquisa teve um impacto duradouro. Neste trabalho, mostramos que os sensores ópticos pseudo-acústico pode produzir dados superior; que recursos adicionais, tanto intrínsecos e extrínsecos ao comportamento de voo do inseto, pode ser explorada para melhorar a classificação de insetos; que uma abordagem de classificação bayesiana permite aprender de forma eficiente modelos de classificação que são muito robustos para o excesso de encaixe, e uma estrutura de classificação geral permite incorporar facilmente número arbitrário de recursos. Nós demonstramos os resultados de experimentos em grande escala que anão todos os trabalhos anteriores combinido, como medida pelo número de insectos e o número de espécies consideradas.

Introduction

A idéia de classificar automaticamente insetos usando o som incidental de seu vôo remonta aos primeiros dias de computadores e disponível no mercado equipamentos de gravação de áudio: 1. No entanto, pouco progresso foi feito sobre este problema nas décadas intervenientes. A falta de progresso nesta busca pode ser atribuída a vários fatores relacionados.

Em primeiro lugar, a falta de sensores eficazes tornou difícil a recolha de dados. A maioria dos esforços para coletar dados usaram microfones acústicos 2-5. Tais dispositivos são extremamente sensíveis a ruídos de vento e ruído ambiente no meio ambiente, resultando em dados muito esparsas e de baixa qualidade.

Em segundo lugar, agravando esses problemas de qualidade dos dados é o fato de que muitos pesquisadores têm tentado aprender modelos de classificação muito complicada, principalmente redes neurais 6-8. Tentando aprender modelos de classificação complicadas, com apenas dezenas de exemplos,é uma receita para o excesso de montagem.

Em terceiro lugar, a dificuldade de obtenção de dados fez com que muitos pesquisadores têm tentado construir modelos de classificação com dados muito limitados, como poucos como 300 casos 9 ou menos. No entanto, sabe-se que para a construção de modelos de classificação precisos, mais dados melhor 10-13.

Este trabalho aborda as três questões. Sensores ópticos (em vez de acústica) pode ser usado para gravar o "som" do vôo de insetos de metros de distância, com invariância completa a ruídos de vento e sons do ambiente. Estes sensores têm permitido a gravação de milhões de casos de treinamento rotulados, muito mais dados do que todos os esforços anteriores combinados, e, assim, ajudar a evitar o excesso de montagem que tem atormentado os esforços de investigação anteriores. Um método de princípio é mostrado abaixo, que permite a incorporação de informação adicional sobre o modelo de classificação. Esta informação adicional pode ser tão cotidiano e comofácil de obter como a hora do dia, e ainda assim produzir ganhos significativos na precisão do modelo. Por fim, demonstra-se que as enormes quantidades de dados foram coletados nos permitem tirar partido de "A efetividade irracional de dados" 10 para produzir classificadores simples, precisos e robustos.

Em resumo, voando classificação inseto foi além das reivindicações duvidosas criados no laboratório de pesquisa e agora está pronto para a implantação do mundo real. Os sensores e software apresentados neste trabalho irá fornecer aos pesquisadores em todo o mundo ferramentas robustas para acelerar suas pesquisas.

Protocol

1. Insect Colony e Criação Mosquito Colony e Criação Tarsalis traseiros Culex, Culex quinquefasciatus stigmatosoma Culex e Aedes aegypti adultos de colônias de laboratório, que se originou a partir de selvagens capturados indivíduos. Larvas do mosquito traseiro em panelas de esmalte sob condições padrão de laboratório (27 ° C, 16: 8 horas de luz: escuro ciclo [LD] com 1 hora e períodos Crepúsculo / Madrugada), e alimentá-los à vontade em u…

Representative Results

Dois experimentos são apresentados aqui. Em ambos os experimentos, os dados utilizados foram coletados aleatoriamente a partir de um conjunto de dados que contém mais de 100.000 objetos. A primeira experiência mostra a capacidade do classificador proposto classificar com precisão diferentes espécies / sexos dos insectos. Como a precisão da classificação depende dos insetos para ser classificado, um único valor absoluto para a precisão da classificação não vai dar ao leitor uma b…

Discussion

A estrutura do sensor / classificação descrita aqui permite a classificação de baixo custo e escalável de insetos voadores. As precisões alcançáveis ​​pelo sistema são bons o suficiente para permitir o desenvolvimento de produtos comerciais e pode ser uma ferramenta útil na investigação entomológica.

A habilidade de usar sensores de baixo custo, não-invasivos com precisão e automaticamente classificar insetos voadores teria implicações significativas para a pesquisa ento…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Gostaríamos de agradecer à Fundação Vodafone Américas, a Fundação Bill e Melinda Gates, e da Fundação de Pesquisa de São Paulo (FAPESP) pelo financiamento desta pesquisa. Gostaríamos também de agradecer aos muitos membros do corpo docente do Departamento de Entomologia da Universidade da Califórnia, Riverside, por seus conselhos sobre este projeto.

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

  1. Kahn, M. C., Celestin, W., Offenhauser, W. Recording of sounds produced by certain disease-carrying mosquitoes. Science. 101 (2622), 335-336 (1945).
  2. 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).
  3. 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).
  4. 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).
  5. 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 .
  6. 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).
  7. 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).
  8. 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).
  9. Moore, A. Artificial neural network trained to identify mosquitoes in flight. Journal of insect behavior. 4 (3), 391-396 (1991).
  10. Halevy, A., Norvig, P., Pereira, F. The unreasonable effectiveness of data. Intelligent Systems, IEEE. 24 (2), 8-12 (2009).
  11. 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).
  12. Shotton, J., et al. Real-time human pose recognition in parts from single depth images. Communications of the ACM. 56 (1), 116-124 (2013).
  13. Ilyas, P. Classifying insects on the fly. Ecological Informatics. , (2013).
  14. Mack, Y. P., Rosenblatt, M. Multivariate k-nearest neighbor density estimates. Journal of Multivariate Analysis. 9 (1), 1-15 (1979).
  15. 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).
  16. . Supporting Materials Available from: https://sites.google.com/site/insectclassification
  17. 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).
check_url/52111?article_type=t

Play Video

Cite This Article
Chen, Y., Why, A., Batista, G., Mafra-Neto, A., Keogh, E. Flying Insect Detection and Classification with Inexpensive Sensors. J. Vis. Exp. (92), e52111, doi:10.3791/52111 (2014).

View Video