Flying detección de insectos y Clasificación con Sensores Barato
Summary
Hemos propuesto un sistema que utiliza sensores de bajo costo, no invasivo pseudo-acústico ópticos de forma automática y precisa de detectar, contar y clasificar los insectos sobre la base de su sonido del vuelo.
Abstract
Un sistema de bajo costo, no invasivo que podría clasificar con precisión los insectos voladores tendría implicaciones importantes para la investigación entomológica, y permitir el desarrollo de muchas aplicaciones útiles en la lucha contra vectores y plagas, tanto para la entomología médica y agrícola. Ante esto, los últimos sesenta años han visto muchos esfuerzos de investigación dedicados a esta tarea. Hasta la fecha, sin embargo, ninguna de esta investigación ha tenido un impacto duradero. En este trabajo, se muestra que los sensores ópticos pseudo-acústicas pueden producir datos superior; que las características adicionales, tanto intrínsecos como extrínsecos al comportamiento de vuelo del insecto, se puede aprovechar para mejorar la clasificación de insectos; que un enfoque de clasificación bayesiana permite aprender de manera eficiente los modelos de clasificación que son muy robustos a exceso de ajuste, y un marco de clasificación general permite incorporar fácilmente número arbitrario de funciones. Demostramos los resultados con experimentos a gran escala que empequeñecen todas las obras anteriores CombiNED, medida por el número de insectos y el número de especies consideradas.
Introduction
La idea de clasificar automáticamente los insectos utilizando el sonido incidental de su vuelo se remonta a los primeros días de las computadoras y equipos de grabación de audio disponibles en el mercado 1. Sin embargo, se ha avanzado poco en este problema en las décadas siguientes. La falta de avances en esta búsqueda se puede atribuir a varios factores relacionados.
En primer lugar, la falta de sensores eficaces ha hecho difícil la recogida de datos. La mayoría de los esfuerzos para recopilar datos han utilizado micrófonos acústicos 2-5. Tales dispositivos son extremadamente sensibles a ruido del viento y el ruido ambiental en el entorno, lo que resulta en datos muy escaso y de baja calidad.
En segundo lugar, lo que agrava estos problemas de calidad de datos es el hecho de que muchos investigadores han tratado de aprender muy complicados modelos de clasificación, especialmente redes neuronales 6-8. Intentar aprender modelos de clasificación complicados, con apenas decenas de ejemplos,es una receta para el exceso de montaje.
En tercer lugar, la dificultad de obtención de datos ha hecho que muchos investigadores han intentado construir modelos de clasificación con datos muy limitados, tan sólo 300 casos 9 o menos. Sin embargo, se sabe que para la construcción de modelos de clasificación precisos, más datos es mejor 10-13.
Este trabajo aborda los tres temas. Ópticos (en lugar de acústica) sensores se pueden utilizar para grabar el "sonido" del vuelo de los insectos de metros de distancia, con la invariancia completa a ruido del viento y los sonidos ambientales. Estos sensores han permitido la grabación de millones de casos de enseñanza identificado, muchos más datos que todos los esfuerzos anteriores juntos, y así ayudar a evitar los esfuerzos de investigación anteriores exceso de ajuste que ha plagado. Un método de principio se muestra a continuación que permite la incorporación de información adicional en el modelo de clasificación. Esta información adicional puede ser tan cotidiano y tanfácil de obtener como la hora del día, y aún así producir ganancias significativas en la precisión del modelo. Por último, se demuestra que las enormes cantidades de datos que recogimos nos permiten tomar ventaja de "La irrazonable efectividad de los datos" 10 para producir clasificadores simples, precisas y robustas.
En resumen, volando clasificación de insectos se ha movido más allá de las afirmaciones dudosas creados en el laboratorio de investigación y ahora está listo para su despliegue en el mundo real. Los sensores y el software presentados en este trabajo proporcionarán los investigadores de todo el mundo herramientas sólidas para acelerar su investigación.
Protocol
Representative Results
Discussion
El marco del sensor / clasificación descrita aquí permite la clasificación de bajo costo y escalable de insectos voladores. Las precisiones alcanzables por el sistema son suficientes para permitir el desarrollo de productos comerciales bien y podría ser una herramienta útil en la investigación entomológica.
La capacidad de utilizar, sensores no invasivos de bajo costo para clasificar con precisión y de forma automática los insectos voladores tendría implicaciones significativas par…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Nos gustaría dar las gracias a la Fundación Vodafone Américas, la Fundación Bill y Melinda Gates y la Fundación de Investigación de São Paulo (FAPESP) por financiar esta investigación. También nos gustaría agradecer a todos los miembros de la facultad del Departamento de Entomología de la Universidad de California, Riverside, por su asesoramiento en este proyecto.
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).
