Name: flying insect detection and classification with inexpensive sensors
Uploaded: 2014-10-15T15:00:00.000+00:00
Duration: 5 min 16 s
Description: Watch this Scientific Journal Video about Flying Insect Detection and Classification with Inexpensive Sensors at JoVE.com

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.

1. Insect Colony e Criação <ol><li> Mosquito Colony e Criação <ol><li> Tarsalis traseiros Culex, Culex quinquefasciatus stigmatosoma Culex e Aedes aegypti adultos de colônias de laboratório, que se originou a partir de selvagens capturados indivíduos. </li><li> 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 uma mistura de roedor chão ração e levedura de cerveja (3: 1, v: v). </li><li> Colete mosquito pupas em 200 ml copos, e colocá-los em câmaras experimentais. Como alternativa, aspirar os mosquitos adultos em câmaras experimentais dentro de 1 semana de emergência. Certifique-se que cada câmara experimental contém de 20 a 40 indivíduos da mesma espécie / sexo. </li><li> Mosquitos adultos ração à vontade em um sacarose 10% e mistura de água. Troque semanalmente alimentos. </li><li> Umedeça toalhas de algodão duas vezes por semana e place-los no topo das câmaras experimentais para manter a humidade no interior da gaiola. Além disso, colocar um copo de 200 ml de água da torneira na câmara em todos os momentos para ajudar a manter o nível de humidade total. </li><li> Manter as câmaras experimentais sobre uma 16: 8 hr de luz: escuro [DL] ciclo, 20,5-22 ° C e 30-50% de HR durante a duração da experiência. </li></ol></li><li> Mosca da casa e Fruit Fly Colony e Criação <ol><li> Musca domestica traseira de uma colônia de laboratório, derivado de selvagens capturados indivíduos. Pegar selvagens Drosophila simulans indivíduos e criá-los em câmaras experimentais. </li><li> Larvas de Musca domestica traseira em tubos de plástico, em condições normais de laboratório (0:12 horas de luz: escuro [DL] ciclo, 26 ° C, 40% HR) numa mistura de água, farinha de farelo, alfafa, de levedura, e leite em pó. Larvas de Drosophila simulans traseiros em estufas de criação e alimentá-los à vontade em uma mistura de podridãofruta. </li><li> Aspirar adulto Musca domestica em câmaras experimentais dentro de 1 semana de emergência. Adulto Drosophila simulans podem ser criados diretamente nas câmaras experimentais. Antes da coleta de dados, certifique-se cada câmara experimental contém não mais do que 10-15 Musca domestica indivíduo ou 20-30 individuais Drosophila simulans. </li><li> Musca domestica adulta alimentação ad libitum, com uma mistura de açúcar e de leite desnatado seco, com livre acesso à água. Alimentação adulto Drosophila simulans ad libitum em uma mistura de frutas podres. Troque semanalmente alimentos. </li><li> Manter câmaras experimentais em 16: 8 horas de luz: escuro [LD] ciclo, 20,5-22 ° C e 30-50% de umidade relativa durante o período do experimento. </li></ol></li></ol> 2. Registre vôo Sounds em câmaras experimentais <ol><li> Configuração Experimental Câmara Nota: Um &quot;c experimentalHamber &quot;indica a gaiola concebidos no nosso laboratório, em que os dados foram gravados. O sensor é bastante barato. Quando construído no volume, um set-up poderia ser fabricado por menos de US $ 10. <ol><li> Construir uma câmara experimental, ou de maior tamanho: 67 cm x 22 cm L W x 24,75 centímetros H, ou o tamanho menor: 30 cm de comprimento x 20 cm x 20 cm W H. A câmara experimental é constituído por uma matriz e um fototransistor linha de laser apontando para a matriz fototransistor. NOTA: Para além disso, a câmara é constituída por Kritter depositários que são modificadas para incluir o aparelho sensor, assim como uma manga ligada a uma peça de tubagem de PVC para permitir o acesso para os insectos. </li><li> Ligue a matriz phototransistor para uma placa eletrônica. A saída da placa eletrônica alimenta um gravador de som digital e é registrado como dados de áudio no formato MP3. Ver o desenho lógica do sensor na Figura 1.II e um suporte físico da câmara da Figura 1.I. </li><li&gt; Modificar as tampas das câmaras experimentais, com um pedaço de tecido de malha de aposta para o interior, a fim de impedir a fuga dos insectos. NOTA: Quando um insecto voa através do feixe de laser, as asas ocluir parcialmente a luz, fazendo pequenas variações ligeiras. As flutuações ligeiras são capturados pela matriz fototransistor como alterações na corrente, e o sinal é filtrado e amplificado pelo projetados placa electrónica. </li></ol></li><li> Configurar o sistema para gravar sons produzidos por insetos voadores <ol><li> Ligue a câmara experimental para uma fonte de alimentação. Ligue o aparelho. </li><li> Na câmara experimental, encontrar as luzes de laser e photoarray. Alinhe as luzes de laser para o photoarray. Para conseguir o alinhamento correcto, ajustar o photoarray usando os magnetos do lado de fora da câmara experimental, que correspondem aos ímans fixos ao photoarray no interior da câmara até que a luz laser é centrada em todo o indivíduo photodiodes. </li><li> Execute duas checagens para verificar se o sistema está configurado corretamente. Nota: O primeiro passo é ter certeza de que o sistema é ligado, todos os fios estão conectados corretamente e que o laser está apontando para a matriz da foto. O segundo passo é a realização de verificações complementares sobre o alinhamento a laser para garantir que ele pode capturar o som de wingbeats dos insetos. <ol><li> Conecte fones de ouvido (e não o gravador) à tomada de áudio. Mergulha mão dentro e para fora da câmara experimental, perto da photoarray, para quebrar o plano da luz laser. Verifique se a luz laser é ligado (ele vai ser um feixe de luz vermelha) e que você quebrar o plano da luz algumas vezes com a mão. Ouvir para alterações no nível de ruído, pois a mão entra e sai do feixe de luz. Se você detectar uma diferença audível, o sensor é capaz de captar sons produzidos pelo movimento de objetos grandes. Se for bem sucedido, passe para a próxima verificação de sanidade, caso contrário, verifique se o fone de ouvido está conectado corretamente ese o laser está apontando para a photoarray. Ajuste o photoarray de acordo até o som da mão movendo-se para dentro e para fora da câmara experimental pode ser ouvido. </li><li> Fixe um pedaço fino de fiação elétrica para uma escova de dentes automática. Ligue a escova de dentes, e mergulhar a fiação dentro e fora da câmara experimental perto do phototarray. Verifique se a luz laser é bater a parte de fiação como ele se move. Se detectar uma mudança de frequência audível, quando a peça de fiação quebra o plano da luz laser, o sistema é, em seguida, pronto para captar os sons produzidos pelo movimento de pequenos objectos, isto é, os sons de insectos. Se você não detectar uma diferença audível, volte para o passo 2.2.2 para realinhar as luzes de laser e do photoarray. </li></ol></li><li> Depois que o sistema está configurado corretamente, feche a tampa e acrescente os insetos. </li></ol></li><li> Coleta de dados: Grave sons produzidos por insetos voadores <ol><li> Ligue o gravador e fazer uma voice anotação que inclui as seguintes informações: nome da espécie na câmara experimental, a idade dos insetos, data e hora, RT ambiente atual, e umidade relativa. Pausar a gravação. </li><li> Ligue o gravador ao sistema, através do cabo de áudio e continuar a gravação. Deixe o gravador para gravar durante 3 dias, em seguida, parar a gravação. </li><li> Faça o download dos dados do gravador em uma nova pasta em um PC. Esvazie o gravador de apagar os dados. </li><li> Repita o processo de gravação acima, até que os insetos restantes morreram fora e já não há mais de 5 insetos deixados vivos na gaiola. </li></ol></li></ol> Processamento de Dados 3 Sensor e Detecção de sons produzidos por insetos voadores <ol><li> Use software para detectar sons produzidos por insetos voadores. Nota: O software (algoritmo de detecção) é muito mais rápido do que o tempo real. Demora menos de 3 horas para processar uma sessão de gravação, ou seja, três dias de datum, em uma máquina de fábrica com CPU Intel (R) Core ™ em 2.00 GHz e 8 GB de RAM. <ol><li> Para cada pasta que contém os dados de uma sessão de gravação, execute o software de detecção para detectar os sons de insetos. Para executar o software, abra o MATLAB e digite &quot;circandian_wbf (DataDir)&quot; na janela de comando, onde DataDir é o diretório de dados de gravação. Em seguida, pressione &quot;Enter&quot; para iniciar. NOTA: Faça o download do software de detecção circadian_wbf de referência # 16. </li><li> Aguarde até que o algoritmo termina, em seguida, verificar os resultados de detecção. As saídas de todo o algoritmo de insectos sons detectados em uma nova pasta chamada &quot;DataDir _extf&quot;, onde DataDir é o mesmo que no passo anterior. Cada ficheiro de som é um 1 seg longo clipe de áudio originalmente extraído a partir da gravação em bruto, com um filtro digital aplicada para eliminar o ruído. O tempo de ocorrência de cada som detectado é salvo em um arquivo chamado &quot;DataDir _time.mat &amp;# 8221 ;. Observar o exemplo de som de insecto detectado na Figura 2. </li></ol></li><li> Algoritmo de Detecção <ol><li> Use a 0,1 seg janela longo deslizante para deslizar através da gravação. A janela deslizante é iniciado a partir do início da gravação. Para cada janela, siga os passos abaixo. <ol><li> Calcule a freqüência fundamental da janela atual. </li><li> Se a frequência fundamental está dentro da faixa de 100 Hz a 1200 Hz, em seguida, faça o seguinte: <ol><li> Extraia o clipe de áudio 1-seg longo centralização na janela atual da gravação; aplicar um filtro digital para remover o ruído no clipe e salvar o áudio filtrada para a pasta &quot;DataDir _extf&quot;. </li><li> Poupe o tempo ocorrência da janela atual para o arquivo &quot;DataDir _time&quot;. </li><li> Mover a janela deslizante para o ponto que se segue imediatamente o clipe de áudio extraídos. </li></ol></li><li> Se o fr fundamentaisequency não está dentro da faixa de 100 Hz a 1.200 Hz, basta mover a janela deslizante 0,01 seg adiante. </li></ol></li><li> Repetir o processo até que a janela deslizante alcance o fim da gravação. </li></ol></li></ol> 4. Insect Classificação <ol><li> Classificação Bayesiana usando apenas o vôo de som Nota: classificador Bayesiana é um classificador probabilístico que classifica um objeto de sua classe mais provável. <ol><li> Computação recurso de som <ol><li> Para cada som inseto, calcular o espectro do som usando Transformada Discreta de Fourier (DFT) de freqüência. Truncar o espectro de freqüência para incluir apenas os pontos de dados correspondentes à faixa de freqüência: 100 Hz a 2.000 Hz. O espectro de freqüência truncada é então utilizado na classificação como o &quot;representante&quot; do som do inseto. NOTA: O DFT é um algoritmo que transforma os sinais em domínio tempo para o domínio da frequência. É um buifunção lt-in na maioria das bibliotecas de programação, e pode ser chamado no programa com apenas uma linha de código. </li></ol></li><li> Treinar um classificador bayesiano <ol><li> Use o método de estimativa de densidade kNN 14 para saber a distribuição de probabilidade posterior usando o recurso de som. Com a aproximação kNN, a fase de treinamento é a construção de um conjunto de dados de treinamento. <ol><li> Aleatoriamente provar uma série de sons de insetos a partir dos dados coletados para cada espécie de insetos. </li><li> Siga os passos da Seção 4.1.1 e calcular o espectro de frequências truncado para cada som amostrado. Os espectros truncadas juntamente com rótulos de classe das amostras (nome da espécie do inseto) compôs o conjunto de dados de treinamento. </li></ol></li></ol></li><li> Use o classificador Bayesiana para classificar um inseto desconhecido <ol><li> Calcule o espectro de frequências truncada do som inseto desconhecido. </li><li> Calcule a distância euclidiana entre o espectro truncada do desconhecidon objeto e todos os espectros truncadas no conjunto de dados de treinamento. </li><li> Encontre o top k (k = 8 neste artigo) vizinhos mais próximos do objeto desconhecido no conjunto de dados de treinamento. Calcular a probabilidade posterior do som inseto desconhecido pertencente a uma classe como a fracção dos melhores k vizinhos mais próximos que estejam rotulados como classe. </li><li> Classificar o objeto desconhecido para a classe que tem a maior probabilidade posterior. </li></ol></li></ol></li><li> Adicionar um recurso para o Classificador: Insect ritmo circadiano <ol><li> Saiba as distribuições condicionado de classe da época ocorrência de som de insetos, ou seja, o ritmo circadiano para cada espécie de insetos. <ol><li> Encontre o tempo de ocorrência de cada som a partir dos resultados de detecção (cf. Secção 3.2). </li><li> Para cada espécie, construir um histograma de ocorrência do tempo de som de insectos. </li><li> Normalizar o histograma de modo que a área do histograma é um. O normaisizado histograma é o ritmo circadiano da espécie dada. Ele conta a probabilidade de observar um inseto, de que as espécies, em vôo dentro de um determinado período de tempo. </li></ol></li><li> Classifique um desconhecido &quot;inseto som&quot;, combinando o &quot;inseto som&quot; eo ritmo circadiano <ol><li> Dado o momento específico em que ocorreu o som inseto desconhecido, obter a probabilidade de observar um inseto de classe com base no ritmo circadiano de classe. NOTA: O ritmo circadiano é uma distribuição de probabilidade. É uma matriz que especifica a probabilidade de detectar um som, produzido por uma determinada espécie de insetos, em um momento específico do dia. Assim, uma vez é dado um tempo, pode-se simplesmente verificar a matriz para obter a probabilidade. </li><li> Siga as etapas na seção 4.1.2 para calcular a probabilidade posterior de que o som desconhecido pertence à classe usando os recursos de som. Multiplique a probabilidade posterior aos resultados froSou o passo anterior para obter a nova probabilidade posterior. </li><li> Classificar o &quot;som desconhecido&quot; para a classe que tem a maior probabilidade de nova posterior. </li></ol></li></ol></li><li> Adicionar One More facilidade à Classificador: Insect Distribuição Geográfica <ol><li> Aprenda a distribuição geográfica das espécies de interesse, quer a partir de dados publicados em registros históricos, literatura relevante, ou simplesmente reunir o conhecimento de primeira mão de campo técnicos / biólogos. Para fins de demonstração, usar uma simulação da distribuição gráfico, como mostrado na Figura 7. </li><li> Classificar um &quot;som inseto desconhecido&quot; usando &quot;som voando&quot; e os dois recursos adicionais. <ol><li> Dada a localização geográfica de onde o som do inseto foi interceptado, calcular a probabilidade de observar um inseto da classe naquele local específico, usando a distribuição gráfica de espécies. <ol><li> Siga os passos na seção 4.2.2 and calcular a probabilidade posterior de que o &quot;som desconhecido&quot; pertence à classe usando os recursos de som e os ritmos circadianos. Multiplicar o resultado desta etapa para os resultados da etapa anterior, a fim de obter o novo probabilidade posterior. </li></ol></li><li> Classificar o &quot;som desconhecido&quot; para a classe que tem a maior probabilidade de nova posterior. </li></ol></li></ol></li><li> Um quadro geral que permite adicionar recursos <ol><li> Considere o classificador bayesiano que utiliza apenas recursos de som como o classificador primário. Siga os passos abaixo para adicionar novos recursos ao classificador. <ol><li> Na fase de treinamento, aprender as funções de densidade de ar-classe do novo recurso. </li><li> Na fase de classificação, dada a novidade do &quot;som desconhecido&quot;, calcular a probabilidade de observar o recurso em sala de aula usando as funções de densidade aprendidas na etapa anterior. Multiplicar a nova probabilidade de o prprobabilidade posterior evious correspondente ao &quot;som desconhecido&quot; pertencente a classe que foram calculados com base apenas nas características ímpares, para obter a nova probabilidade posterior. Classificar o objeto desconhecido para a classe que tem a maior probabilidade de nova posterior. </li></ol></li></ol></li></ol>

<ol>
	<li>Kahn, M. C., Celestin, W., Offenhauser, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Recording+of+sounds+produced+by+certain+disease-carrying+mosquitoes.">Recording of sounds produced by certain disease-carrying mosquitoes.</a> Science. 101 (2622), 335-336 (1945).</li><li>Reed, S. C., Williams, C. M., Chadwick, L. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Frequency+of+wing-beat+as+a+character+for+separating+species+races+and+geographic+varieties+of+Drosophila.">Frequency of wing-beat as a character for separating species races and geographic varieties of Drosophila.</a> Genetics. 27 (3), 349 (1942).</li><li>Belton, P., Costello, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Flight+sounds+of+the+females+of+some+mosquitoes+of+Western+Canada.">Flight sounds of the females of some mosquitoes of Western Canada.</a> Entomologia experimentalis et applicata. 26 (1), 105-114 (1979).</li><li>Mankin, R. W., Machan, R., Field Jones, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=testing+of+a+prototype+acoustic+device+for+detection+of+Mediterranean+fruit+flies+flying+into+a+trap.">testing of a prototype acoustic device for detection of Mediterranean fruit flies flying into a trap.</a> Proc. 7th Int Symp Fruit Flies of Economic Importance. , 10-15 (2006).</li><li>Raman, D. R., Gerhardt, R. R., Wilkerson, J. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Detecting+insect+flight+sounds+in+the+field+Implications+for+acoustical+counting+of+mosquitoes.">Detecting insect flight sounds in the field Implications for acoustical counting of mosquitoes.</a> Transactions of the ASABE. 50 (4), 1481 .</li><li>Moore, A., Miller, J. R., Tabashnik, B. E., Gage, S. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automated+identification+of+flying+insects+by+analysis+of+wingbeat+frequencies.">Automated identification of flying insects by analysis of wingbeat frequencies.</a> Journal of economic entomology. 79 (6), 1703-1706 (1986).</li><li>Moore, A., Miller, R. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automated+identification+of+optically+sensed+aphid+(Homoptera:+Aphidae)+wingbeat+waveforms.">Automated identification of optically sensed aphid (Homoptera: Aphidae) wingbeat waveforms.</a> Annals of the Entomological Society of America. 95 (1), 1-8 (2002).</li><li>Li, Z., Zhou, Z., Shen, Z., Yao, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automated+identification+of+mosquito+(diptera:+Culicidae)+wingbeat+waveform+by+artificial+neural+network.">Automated identification of mosquito (diptera: Culicidae) wingbeat waveform by artificial neural network.</a> Artificial Intelligence Applications and Innovations. , 483-489 (2005).</li><li>Moore, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Artificial+neural+network+trained+to+identify+mosquitoes+in+flight.">Artificial neural network trained to identify mosquitoes in flight.</a> Journal of insect behavior. 4 (3), 391-396 (1991).</li><li>Halevy, A., Norvig, P., Pereira, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+unreasonable+effectiveness+of+data.">The unreasonable effectiveness of data.</a> Intelligent Systems, IEEE. 24 (2), 8-12 (2009).</li><li>Banko, M., Brill, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mitigating+the+paucity-of-data+problem+exploring+the+effect+of+training+corpus+size+on+classifier+performance+for+natural+language+processing.">Mitigating the paucity-of-data problem exploring the effect of training corpus size on classifier performance for natural language processing.</a> , 1-5 (2001).</li><li>Shotton, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Real-time+human+pose+recognition+in+parts+from+single+depth+images.">Real-time human pose recognition in parts from single depth images.</a> Communications of the ACM. 56 (1), 116-124 (2013).</li><li>Ilyas, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Classifying+insects+on+the+fly.">Classifying insects on the fly.</a> Ecological Informatics. , (2013).</li><li>Mack, Y. P., Rosenblatt, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multivariate+k-nearest+neighbor+density+estimates.">Multivariate k-nearest neighbor density estimates.</a> Journal of Multivariate Analysis. 9 (1), 1-15 (1979).</li><li>Benedict, M., Robinson, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+first+releases+of+transgenic+mosquitoes+an+argument+for+the+sterile+insect+technique.">The first releases of transgenic mosquitoes an argument for the sterile insect technique.</a> TRENDS in Parasitology. 19 (8), 349-355 (2003).</li><li>. Supporting Materials Available from: <a target="_blank" href="https://sites.google.com/site/insectclassification">https://sites.google.com/site/insectclassification</a></li><li>Chen, Y., Why, A., Batista, G., Mafra-Neto, A., Keogh, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Flying+Insect+Classification+with+Inexpensive+Sensors.">Flying Insect Classification with Inexpensive Sensors.</a> Journal of Insect. 27 (5), 657-677 (2014).</li></ol>

Os autores declaram que não têm interesses financeiros concorrentes.

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...

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 &quot;som&quot; 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 &quot;A efetividade irracional de dados&quot; 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.

<table><tbody><tr><td>Audio recorder: ICD-PX312</td><td>Sony</td><td>4-267-065-11(2)</td><td>With a 8 GB microSD extra memory</td></tr><tr><td>Insectary</td><td>Lee&#039;s Aquarium &amp;amp; Pet Products.</td><td>20088 HerpHaven&amp;reg;, Large Rectangle</td><td>14 1/2&quot; long x 8 3/4&quot; wide x 9 3/4&quot; high. Modified to house insects.</td></tr><tr><td>Laser line generator, 650 nm (red)</td><td>Apinex (www.apinex.com)</td><td>LN60-650</td><td>5 mW. This is a low powered laser, similar to a teacher&#039;s laser pointer</td></tr><tr><td>Photodiode array</td><td>VISHAY SEMICONDUCTOR&amp;nbsp; TEFD4300&amp;nbsp; PIN PHOTODIODE, 650NM, 20DEG, T1</td><td>TEFD4300</td><td>We made a custom array of 15 of these photodiodes wired in parallel.</td></tr><tr><td>Analogue to digital convertor integrated circuit</td><td>Custom made in our lab</td><td></td><td>We made this item ourselves, but an easily available commercial product, Gino PCF8591 AD/DA Converter, provides the same functionality.</td></tr></tbody></table>

flying insect detection and classification with inexpensive sensors

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.

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...

Watch this Scientific Journal Video about Flying Insect Detection and Classification with Inexpensive Sensors at JoVE.com

Flying Insect Detection and Classification with Inexpensive Sensors

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.

Vôo Detecção e Classificação Insect com sensores baratos

An inexpensive, noninvasive system that could accurately classify flying insects would have important implications for entomological research, and allow ...

flying-insect-detection-and-classification-with-inexpensive-sensors

Research

JoVE Journal

Bioengineering

25.1K visualizações.  University of California, Riverside.  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. 

Vídeo: Flying Insect Detection and Classification with Inexpensive Sensors

Early Metamorphic Insertion Technology for Insect Flight Behavior Monitoring

Early Metamorphosis Insertion Technology (EMIT) is a novel methodology for integrating microfabricated neuromuscular recording and actuation platforms on insects during their metamorphic development. Here, the implants are fused within the structure and function of the neuromuscular system as a result of metamorphic tissue remaking. The implants emerge with the insect where the development of tissue around the electronics during pupal development results in a bioelectrically and biomechanically enhanced tissue interface. This relatively more reliable and stable interface would be beneficial for many researchers exploring the neural basis of the insect locomotion with alleviated traumatic effects caused during adult stage insertions. In this article, we implant our electrodes into the indirect flight muscles of Manduca sexta. Located in the dorsal-thorax, these main flight powering dorsoventral and dorsolongitudinal muscles actuate the wings and supply the mechanical power for up and down strokes. Relative contraction of these two muscle groups has been under investigation to explore how the yaw maneuver is neurophysiologically coordinated. To characterize the flight dynamics, insects are often tethered with wires and their flight is recorded with digital cameras. We also developed a novel way to tether Manduca sexta on a magnetically levitating frame where the insect is connected to a commercially available wireless neural amplifier. This set up can be used to limit the degree of freedom to yawing &#8220;only&#8221; while transmitting the related electromyography signals from dorsoventral and dorsolongitudinal muscle groups.

We present a novel surgical procedure to implant electrodes in Manduca sexta during its early metamorphic stages. This technique allows mechanically stable and electrically reliable coupling with the neuromuscular tissue to study flight neurophysiology dynamics. We also present a novel magnetic levitation platform for tethered studies of insect yaw.

Cedo metamórfica de Inclusão Tecnologia para o Comportamento de Monitoramento de insetos de vôo

Early Metamorphosis Insertion Technology (EMIT) is a novel methodology for integrating microfabricated neuromuscular recording and actuation platforms on ...

Comportamento

Measuring the Flight Ability of the Ambrosia Beetle, Platypus Quercivorus (Murayama), Using a Low-Cost, Small, and Easily Constructed Flight Mill

The ambrosia beetle, Platypus quercivorus (Murayama), is the vector of a fungal pathogen that causes mass mortality of Fagaceae trees (Japanese oak wilt). Therefore, knowing the dispersal capacity may help inform trapping/tree removal efforts to prevent this disease more effectively. In this study, we measured the flight velocity and duration and estimated the flight distance of the beetle using a newly developed flight mill. The flight mill is low cost, small, and constructed using commonly available items. Both the flight mill arm and its vertical axis comprise a thin needle. A beetle specimen is glued to one tip of the arm using instant glue. The other tip is thick due to being covered with plastic, thus it facilitates the detection of rotations of the arm. The revolution of the arm is detected by a photo sensor mounted on an infrared LED, and is indicated by a change in the output voltage when the arm passed above the LED. The photo sensor is connected to a personal computer and the output voltage data are stored at a sampling rate of 1 kHz. By conducting experiments using this flight mill, we found that P. quercivorus can fly at least 27 km. Because our flight mill comprises cheap and small ordinary items, many flight mills can be prepared and used simultaneously in a small laboratory space. This enables experimenters to obtain a sufficient amount of data within a short period.

Measuring the Flight Ability of the Ambrosia Beetle, Platypus Quercivorus Murayama, Using a Low-Cost, Small, and Easily Constructed Flight Mill

We developed a low cost and small flight mill, constructed with commonly available items and easily used in experimentation. Using this apparatus, we measured the flight ability of an ambrosia beetle, Platypus quercivorus.

Medir a capacidade de voo do besouro Ambrosia, ornitorrinco Quercivorus (Murayama), usando um baixo custo, pequeno e voo facilmente construído moinho

The ambrosia beetle, Platypus quercivorus (Murayama), is the vector of a fungal pathogen that causes mass mortality of Fagaceae trees (Japanese oak wilt). ...

Ambiente

A Precise and Autonomous System for the Detection of Insect Emergence Patterns

Existing systems to measure insect emergence patterns have limitations; they are only partially automated and are limited in the maximum number of emerging insects they can detect. In order to obtain precise measurement of insect emergence, it is necessary for systems to be semi-automated and able to measure large numbers of emerging insects. We addressed these issues by designing and building a system that is automated and can measure emergence of up to 1200 insects. We modified the existing &#34;falling-ball&#34; system using Arduino microcontrollers to automate data collection and expand the sample size through multiple data channels. Multiple data channels enable the user to not only increase their sample size, but also allows for multiple treatments to be run simultaneously in a single experiment. Furthermore, we created an R script to automatically visualize the data as a bubble plot, while also calculating the median day and time of emergence. The current system was designed using 3D printing so the user can modify the system to be adjusted for different species of insects. The goal of this protocol is to investigate important questions in chronobiology and stress physiology, using this precise and automated system to measure insect emergence patterns.

Measurement of insect emergence patterns requires precision. Existing systems are only semi-automated and sample size is limited. We addressed these issues by designing a system using microcontrollers to precisely measure the time of emergence of large numbers of emerging insects.

Um sistema autónomo e preciso para a detecção de padrões de emergência de insetos

Existing systems to measure insect emergence patterns have limitations; they are only partially automated and are limited in the maximum number of ...

A Wind Tunnel for Odor Mediated Insect Behavioural Assays

Olfaction is the most important sensory mechanism by which many insects interact with their environment and a wind tunnel is an excellent tool to study insect chemical ecology. Insects can locate point sources in a three-dimensional environment through the sensory interaction and sophisticated behavior. The quantification of this behavior is a key element in the development of new tools for pest control and decision support. A wind tunnel with a suitable flight section with laminar air flow, visual cues for in-flight feedback and a variety of options for the application of odors can be used to measure complex behaviour which subsequently may allow the identification of attractive or repellent odors, insect flight characteristics, visual-odor interactions and interactions between attractants and odors lingering as background odors in the environment. A wind tunnel holds the advantage of studying the odor mediated behavioural repertoire of an insect in a laboratory setting. Behavioural measures in a controlled setting provide the link between the insect physiology and field application. A wind tunnel must be a flexible tool and should easily support the changes to setup and hardware to fit different research questions. The major disadvantage to the wind tunnel setup described here, is the clean odor background which necessitates special attention when developing a synthetic volatile blend for field application.

Here, we describe the construction and use of a wind tunnel for odor mediated behavioural assays with insects. The wind tunnel design facilitates the release of odor sources by several methods, with and without visual stimuli. Wind tunnel experiments are important methods to identify behaviorally active volatile chemicals.

Um túnel de vento para Odor mediada insetos ensaios comportamentais

Olfaction is the most important sensory mechanism by which many insects interact with their environment and a wind tunnel is an excellent tool to study ...

Low-Cost Automated Flight Intercept Trap for the Temporal Sub-Sampling of Flying Insects Attracted to Artificial Light at Night

Sampling methods are selected depending on the targeted species or the spatial and temporal requirements of the study. However, most methods for passive sampling of flying insects have a poor temporal resolution because it is time-consuming, costly and/or logistically difficult to perform. Effective sampling of flying insects attracted to artificial light at night (ALAN) requires sampling at user-defined time points (nighttime only) across well-replicated sites resulting in major time and labor-intensive survey effort or expensive automated technologies. Described here is a low-cost automated intercept trap that requires no specialist equipment or skills to construct and operate, making it a viable option for studies that require temporal sub-sampling across multiple sites. The trap can be used to address a wide range of other ecological questions that require a greater temporal and spatial scale than is feasible with previous trap technology.

To study the impacts of artificial light at night (ALAN) on nocturnal flying insects, sampling needs to be confined to nighttime. The protocol describes a low-cost automated flight intercept trap that allows researchers to sample at user-defined periods with increased replication.

Armadilha de interceptação de voo automatizada de baixo custo para a sub-amostragem temporal de insetos voadores atraídos pela luz artificial à noite

Sampling methods are selected depending on the targeted species or the spatial and temporal requirements of the study. However, most methods for passive ...

Using Insect Electroantennogram Sensors on Autonomous Robots for Olfactory Searches

Robots designed to track chemical leaks in hazardous industrial facilities1 or explosive traces in landmine fields2 face the same problem as insects foraging for food or searching for mates3: the olfactory search is constrained by the physics of turbulent transport4. The concentration landscape of wind borne odors is discontinuous and consists of sporadically located patches. A pre-requisite to olfactory search is that intermittent odor patches are detected. Because of its high speed and sensitivity5-6, the olfactory organ of insects provides a unique opportunity for detection. Insect antennae have been used in the past to detect not only sex pheromones7 but also chemicals that are relevant to humans, e.g., volatile compounds emanating from cancer cells8 or toxic and illicit substances9-11. We describe here a protocol for using insect antennae on autonomous robots and present a proof of concept for tracking odor plumes to their source. The global response of olfactory neurons is recorded in situ in the form of electroantennograms (EAGs). Our experimental design, based on a whole insect preparation, allows stable recordings within a working day. In comparison, EAGs on excised antennae have a lifetime of 2 hr. A custom hardware/software interface was developed between the EAG electrodes and a robot. The measurement system resolves individual odor patches up to 10 Hz, which exceeds the time scale of artificial chemical sensors12. The efficiency of EAG sensors for olfactory searches is further demonstrated in driving the robot toward a source of pheromone. By using identical olfactory stimuli and sensors as in real animals, our robotic platform provides a direct means for testing biological hypotheses about olfactory coding and search strategies13. It may also prove beneficial for detecting other odorants of interests by combining EAGs from different insect species in a bioelectronic nose configuration14 or using nanostructured gas sensors that mimic insect antennae15.

We describe a protocol for using insect antennae in the form of electroantennograms (EAGs) on autonomous robots. Our experimental design allows stable recordings within a day and resolves individual odor patches up to 10 Hz. The efficiency of EAG sensors for olfactory searches is demonstrated in driving a robot toward an odor source.

Usando insetos eletroantenogramas Sensores em robôs autônomos para Pesquisas olfativas

Robots designed to track chemical leaks in hazardous industrial facilities1 or explosive traces in landmine fields2 face the same problem as insects ...

Neurociência

Building an Enhanced Flight Mill for the Study of Tethered Insect Flight

Makerspaces have a high potential of enabling researchers to develop new techniques and to work with novel species in ecological research. This protocol demonstrates how to take advantage of the technology found in makerspaces in order to build a more versatile flight mill for a relatively low cost. Given that this study extracted its&#160;prototype from flight mills built in the last decade, this protocol focuses more on outlining divergences made from the simple, modern flight mill. Previous studies have already shown how advantageous flight mills are to measuring flight parameters such as speed, distance, or periodicity. Such mills have allowed researchers to associate these parameters with morphological, physiological, or genetic factors. In addition to these advantages, this study discusses the benefits of using the technology in makerspaces, like 3D printers and laser cutters, in order to build a more flexible, sturdy, and collapsible flight mill design. Most notably, the 3D printed components of this design allow the user to test insects of various sizes by making the heights of the mill arm and infrared (IR) sensors adjustable. The 3D prints also enable the user to easily disassemble the machine for quick storage or transportation to the field. Moreover, this study makes greater use of magnets and magnetic paint to tether insects with minimal stress. Lastly, this protocol details a versatile analysis of flight data through computer scripts that efficiently separate and analyze differentiable flight trials within a single recording. Although more labor-intensive, applying the tools available in makerspaces and on online 3D modeling programs facilitates multidisciplinary and process-orientated practices and helps researchers avoid costly, premade products with narrowly adjustable dimensions. By taking advantage of the flexibility and reproducibility of technology in makerspaces, this protocol promotes creative flight mill design and inspires open science.

This protocol uses three-dimensional (3D) printers and laser cutters found in makerspaces in order to create a more flexible flight mill design. By using this technology, researchers can reduce costs, enhance design flexibility, and generate reproducible work when constructing their flight mills for tethered insect flight studies.

Construindo uma usina de voo aprimorada para o estudo do voo de insetos amarrados

Makerspaces have a high potential of enabling researchers to develop new techniques and to work with novel species in ecological research. This protocol ...

Engenharia

Electroantennography-based Bio-hybrid Odor-detecting Drone using Silkmoth Antennae for Odor Source Localization

Small drones with chemical or biosensor devices that can detect airborne odorant molecules have attracted considerable attention owing to their applicability in environmental and security monitoring and search-and-rescue operations. Small drones with commercial metal-oxide-semiconductor (MOX) gas sensors have been developed for odor source localization; however, their real-time-odor-detection performance has proven inadequate. However, biosensing technologies based on insect olfactory systems exhibit relatively high sensitivity, selectivity, and real-time response with respect to odorant molecules compared to commercial MOX gas sensors. In such devices, excised insect antennae function as portable odorant biosensor elements and have been found to deliver excellent sensing performance. This study presents experimental protocols for odorant-molecule detection in the air using a small autonomous bio-hybrid drone based on a mountable electroantennography (EAG) device incorporating silkmoth antennae.
We developed a mountable EAG device including sensing/processing parts with a Wi-Fi module. The device was equipped with a simple sensor enclosure to enhance the sensor directivity. Thus, odor source localization was conducted using the spiral-surge algorithm, which does not assume an upwind direction. The experimental bio-hybrid odor-detecting drone identified real-time odorant-concentration differences in a pseudo-open environment (outside a wind tunnel) and localized the source. The developed drone and associated system can serve as an efficient odorant molecule-detection tool and a suitable flight platform for developing odor source localization algorithms owing to its high programmability.

This study introduces experimental protocols for a bio-hybrid odor-detecting drone based on silkmoth antennae. The operation of an experimental electroantennogram device with silkmoth antennae is presented, in addition to the structure of a bio-hybrid drone designed for odor source localization using the spiral-surge algorithm.

Drone bio-híbrido de detecção de odor baseado em eletroantennografia usando antenas de seda para localização de fonte de odor

Small drones with chemical or biosensor devices that can detect airborne odorant molecules have attracted considerable attention owing to their ...

A Simple Flight Mill for the Study of Tethered Flight in Insects

Flight in insects can be long-range migratory flights, intermediate-range dispersal flights, or short-range host-seeking flights. Previous studies have shown that flight mills are valuable tools for the experimental study of insect flight behavior, allowing researchers to examine how factors such as age, host plants, or population source can influence an insects' propensity to disperse. Flight mills allow researchers to measure components of flight such as speed and distance flown. Lack of detailed information about how to build such a device can make their construction appear to be prohibitively complex. We present a simple and relatively inexpensive flight mill for the study of tethered flight in insects. Experimental insects can be tethered with non-toxic adhesives and revolve around an axis by means of a very low friction magnetic bearing. The mill is designed for the study of flight in controlled conditions as it can be used inside an incubator or environmental chamber. The strongest points are the very simple electronic circuitry, the design that allows sixteen insects to fly simultaneously allowing the collection and analysis of a large number of samples in a short time and the potential to use the device in a very limited workspace. This design is extremely flexible, and we have adjusted the mill to accommodate different species of insects of various sizes.

Flight in insects is influenced by a number of factors and the propensity to disperse is an important variable in understanding insect ecology and biological control strategies. We describe the construction and use of a simple, relatively inexpensive, and flexible flight mill for measuring parameters of tethered flight in insects.

Um simples vôo Mill para o Estudo da Amarrados no vôo Insetos

Flight in insects can be long-range migratory flights, intermediate-range dispersal flights, or short-range host-seeking flights. Previous studies have ...

Insect-controlled Robot: A Mobile Robot Platform to Evaluate the Odor-tracking Capability of an Insect

Robotic odor source localization has been a challenging area and one to which biological knowledge has been expected to contribute, as finding odor sources is an essential task for organism survival. Insects are well-studied organisms with regard to odor tracking, and their behavioral strategies have been applied to mobile robots for evaluation. This "bottom-up" approach is a fundamental way to develop biomimetic robots; however, the biological analyses and the modeling of behavioral mechanisms are still ongoing. Therefore, it is still unknown how such a biological system actually works as the controller of a robotic platform. To answer this question, we have developed an insect-controlled robot in which a male adult silkmoth (Bombyx mori) drives a robot car in response to odor stimuli; this can be regarded as a prototype of a future insect-mimetic robot. In the cockpit of the robot, a tethered silkmoth walked on an air-supported ball and an optical sensor measured the ball rotations. These rotations were translated into the movement of the two-wheeled robot. The advantage of this "hybrid" approach is that experimenters can manipulate any parameter of the robot, which enables the evaluation of the odor-tracking capability of insects and provides useful suggestions for robotic odor-tracking. Furthermore, these manipulations are non-invasive ways to alter the sensory-motor relationship of a pilot insect and will be a useful technique for understanding adaptive behaviors.

The capability to localize an odor source is necessary for insect survival and is expected to be applicable to artificial odor-tracking. The insect-controlled robot is driven by an actual silkmoth and enables us to evaluate the odor-tracking capability of insects through a robotic platform.

Robô controlado por insetos: uma plataforma móvel Robot avaliar a capacidade Odor-tracking de um inseto

Robotic odor source localization has been a challenging area and one to which biological knowledge has been expected to contribute, as finding odor ...