Flygande insekter Detection och klassificering med billiga sensorer

Summary

Vi föreslog ett system som använder billiga, noninvasive pseudo akustisk optiska sensorer för att automatiskt och noggrant detektera, räkna och klassificera flygande insekter baserade på deras flygande ljud.

Abstract

En billig, icke-invasiv system som exakt skulle klassificera flygande insekter skulle få viktiga konsekvenser för entomologisk forskning, och möjliggöra utvecklingen av många användbara program i vektor och skadedjursbekämpning för både medicinsk och jordbruks entomologi. Mot denna bakgrund har de senaste sextio åren sett många forskningsinsatser ägnas åt denna uppgift. Hittills har dock inget av denna forskning har haft en bestående inverkan. I detta arbete visar vi att pseudo-akustiska optiska sensorer kan producera överlägsna data; att ytterligare funktioner, både inre och yttre till insektens flygbeteende, kan utnyttjas för att förbättra insekt klassificering; att en Bayesiansk metod klassificering gör det möjligt att effektivt lära modeller klassificerings som är mycket robust för att översittande, och ett ramverk allmän klassificering gör det möjligt att enkelt integrera godtyckligt antal funktioner. Vi visar resultaten med storskaliga experiment som dvärg alla tidigare verk combined, mätt med antalet insekter och antalet arter som anses.

Introduction

Idén att automatiskt klassificera insekter med hjälp av underordnad betydelse ljudet av deras flyg går tillbaka till de tidigaste dagarna av datorer och kommersiellt tillgänglig ljudinspelning utrustning ^1. Däremot har få framsteg gjorts på detta problem under de mellanliggande årtiondena. Bristen på framsteg i denna strävan kan tillskrivas flera relaterade faktorer.

För det första har bristen på effektiva sensorer tillverkade datainsamling svårt. De flesta insatserna för att samla in uppgifter har använt akustiska mikrofoner ^2-5. Sådana anordningar är extremt känsliga för vindbrus och omgivande buller i miljön, vilket resulterar i mycket glesa och lågkvalitativa data.

För det andra, kompoundering dessa uppgifter kvalitetsfrågor är det faktum att många forskare har försökt att lära sig mycket komplicerade klassificeringsmodeller, speciellt neurala nätverk ^6-8. Att försöka lära sig komplicerade modeller klassificerings, med bara tiotals exempel,är ett recept för över-montering.

För det tredje har svårighet att erhålla uppgifter inneburit att många forskare har försökt att bygga klassificeringsmodeller med mycket begränsade uppgifter, så få som 300 fall ⁹ eller mindre. Det är dock känt att för att bygga korrekta modeller klassificerings är bättre ^10-13 mer information.

Detta arbete tar upp alla tre frågor. Optiska (snarare än akustiskt) sensorer kan användas för att spela in "ljud" insekt flygning från meter bort, med fullständig invarians att vindbrus och omgivande ljud. Dessa sensorer har tillåtit registrering av miljontals märkta utbildnings instanser, långt mer data än alla tidigare försök i kombination, och på så sätt bidra till att undvika de översittande som har plågat tidigare forskning. En principiell metod visas nedan som gör införlivandet av kompletterande information i klassificeringsmodellen. Denna ytterligare information kan vara så quotidian och somlätt att få som tiden av dagen, men ändå ge betydande vinster i noggrannheten i modellen. Slutligen visas det att de enorma mängder data vi samlat det möjligt för oss att dra nytta av "The orimligt effektivitet data" ¹⁰ för att producera enkla, exakta och robusta klassificerare.

Sammanfattningsvis har flygande insekt klassificering gått utöver de tvivelaktiga påståenden som skapats i forskningslabb och är nu redo för verkliga utbyggnaden. Sensorerna och mjukvara som presenteras i detta arbete kommer att ge forskare i hela världen robusta verktyg för att påskynda sin forskning.

Protocol

1 Insect Colony och Uppfödning Mosquito Colony och Uppfödning Bakre Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma och Aedes aegypti vuxna från lab kolonier, som har sitt ursprung från vildfångad individer. Bakre mygglarver i emalj kastruller under standardlaboratorieförhållanden (27 ° C, 16: 8 h ljus: mörker [LD] cykel med 1 tim skymning / gryning perioder) och mata dem efter behag på en blandning av mark gnagarfoder och Öljäst (3: 1, voly…

Representative Results

Två experiment presenteras här. För båda experimenten var de uppgifter som används slumpmässigt prov från en datamängd som innehåller över 100.000 föremål. Det första experimentet visar förmågan av den föreslagna klassificerare att korrekt klassificera olika arter / kön av insekter. Eftersom klassificeringen noggrannhet beror på insekter att sekretessbelagt, skall ett enda absolut värde för klassificeringsnoggrannhet inte ge läsaren en god intuition om systemets prestand…

Discussion

Ramverket sensor / klassificering beskrivs här låter billigt och skalbar klassificering av flygande insekter. Noggrannhet kan uppnås av systemet är bra nog för att möjliggöra utvecklingen av kommersiella produkter och skulle kunna vara ett användbart verktyg i entomologiska forskningen.

Möjligheten att använda billiga, icke-invasiva sensorer för att noggrant och automatiskt klassificera flygande insekter skulle få betydande konsekvenser för entomologiska forskningen. Till exempe…

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.