IoT-based智能蚊子陷阱系统嵌入式实时蚊子蚊子监视图像处理的神经网络

介绍

蚊子一直负责几种病毒的传播在人类很久了。最近的蚊媒病毒暴发,包括登革热、基孔肯雅热,和Zika病毒,已经影响了许多人(Gubler 2002;罗斯et al ., 2014;帕特森et al ., 2016;Mayer et al ., 2017)。这些疾病的传播变得更加普遍由于最近扩张的地理分布的蚊子作为向量。伊蚊(Ae。)蚊和Ae。蚊,两种蚊子负责传播病毒,如登革热、基孔肯雅病毒,现在广泛分布在热带和亚热带地区,将大约一半的世界人口在感染的风险(Bhatt et al ., 2013;Kraemer et al ., 2015)。

Ae。蚊和Ae。蚊是蚊子的两个物种,主要负责台湾登革热的传播(Lei et al ., 2002)。在台湾这些物种的分布不同。前物种分布在台湾南部(在北回归线以南,23º35′N),而后者被发现在整个岛(陈,2018)。Ae。蚊起源于非洲,但现在普遍在大多数世界热带和亚热带地区(Tabachnick 1991)。Ae。蚊是东南亚流行。这个物种的分布已经扩大,广泛覆盖世界各地,包括欧洲和非洲Hawley et al ., 1987;Bonizzoni et al ., 2013)。因此,两种伊蚊蚊子极有可能在台湾外来物种。研究表明,登革热显然已经流行在台湾自1872年(小泉,1917)。因此,可以推断,伊蚊蚊子能传播登革热存在于1872年在台湾。也发生了零星的登革热疫情,但登革热疫情不断自1980年代以来被记录(林et al ., 2010;王et al ., 2016)。控制和减少登革热疫情,必须有足够的信息的传播和分布Ae。蚊和Ae。蚊。在其他国家受到mosquito-related疾病,蚊虫监测系统通常实现为预测和减轻蚊媒疾病。蚊虫监测系统获得的数据已被证明与人类感染的数量,和这样一个系统可以作为一个有价值的工具,用于评估蚊媒病毒感染的风险(基尔帕特里克和佩普,2013)。因此,它是至关重要的实现系统目标Ae。蚊和Ae。蚊控制未来可能爆发登革热。

蚊子监测的传统方法是安装几个蚊子陷阱捕捉住蚊子在整个被监控区域,然后可以送到实验室进行识别和分析(Andreadis et al ., 2001)。然而,目前可用的蚊子陷阱并不是有效的在现实条件下,原因如下。首先,传统使用蚊子陷阱收集所有类型的昆虫没有歧视昆虫是否能传播疾病。分离的蚊子蚊子陷阱的艰苦的工作在实验室必须手动完成。第二,传统的陷阱无法收集环境数据,如温度或人性,当这些变量已经被证明与蚊子的电位分布(Neteler et al ., 2011)。显然,减轻了蚊媒疾病的传播需要一个多功能蚊子陷阱设计。

提出了新型的蚊子陷阱;例如,微软已经发起了一个研究项目被称为项目预感来开发一个新的机器人陷阱(林2016;林2016 b)。他们的新蚊子陷阱设计旨在收集只蚊子的目标跟踪和记录关键的环境数据,如陷阱温度、风速、湿度。新技术已经被用来提高性能的蚊子陷阱。一个图像识别系统配有pre-trained神经网络使蚊子陷阱识别陷阱的昆虫是否感兴趣的蚊子。尖端技术,可以预期,蚊子陷阱的识别能力将产生巨大的结果,减轻繁重的蚊子的研究人员识别和排序。虽然这个项目的未来看起来很有希望,蚊子的陷阱的成本可能不便宜的在范围广泛的地区,由于其复杂的设计和硬件需求。

Ae。蚊和Ae。蚊有相似的表型特征,有黑白条纹的尸体伊蚊蚊子。除非有必要明确区分Ae。蚊和Ae。蚊,黑白条纹的身体已经足够用于识别的基础伊蚊蚊子。相比之下,库蚊蚊子没有明显的黑白条纹,所以这是一个伟大的特质容易辨别这两个不同的蚊子。在这里,一个新的蚊子陷阱概念提出了检测伊蚊和非伊蚊蚊子通过使用多个深度学习网络和图像处理系统全自动陷阱。这蚊子陷阱研究的目的是有效地收集蚊子生活目标和获得有价值的环境数据通过陷阱,同时维持低成本生产和实现。蚊子的设计允许实时检测在一个设置。它使用一个专门的训练,全连接神经网络对目标的两个主要的物种负责的传播登革热的蚊子在台湾,Ae。蚊和Ae。蚊。这蚊子陷阱系统还可以记录有限公司₂浓度、湿度、温度和周围环境的蚊子时被俘。这些数据,随时间和位置捕捉蚊子,被上传到云数据库实时观察。这种蚊子陷阱设计,以更低的成本提供了有价值的功能,允许一只蚊子的广泛实现监测系统,有效的和负担得起的。

材料和方法

蚊子陷阱智能监控系统的设计

蚊子陷阱的核心设备有两个室(收集盒),其中一个收集蚊子决心Ae。蚊或Ae。蚊和其他收集蚊子决心库蚊(残雪。)quinquefasciatus(图1)。以上这两个房间,一个圆形的捕获板搭配了一个相机,捕捉影像的蚊子进入两院底部。捕获板是由以下组件:1)主要板块,2)滑导和附加的底板,和3)步进电机。

主要的板是一个圆柱体的形式在一个线性跟踪蚀刻将滑动指南。主板提供了一个区域(捕获区)蚊子进入陷阱,并进行检测(蚊子检测是图像识别系统详细描述部分)。主板也旋转在需要的时候当一个蚊子进入陷阱(图1和图2)。滑动指南放在主菜盘的线性跟踪,与底板连接到部分幻灯片在线性跟踪自由。当滑动引导幻灯片限制一侧,一个区域之间的形式跟踪和底板的顶部;这个地区被称为捕获区域。蚊子飞到这个区域,并进行检测。当滑导幻灯片底部板限制在另一边,它关闭捕获区域并将蚊子,如果存在,从捕获区域顶部的轨道。

步进电机连接到主盘圆的中心。步进电机旋转基板当蚊子陷阱检测到目标的蚊子飞到捕获区域。中间有一个上限开放捕捉板块之上。这个上限由面积相同的捕获板和树叶蚊子无处可去,除非通过顶部开口。天花板有助于防止在捕捉蚊子逃离。

蚊子陷阱的核心设备是放在BG陷阱(Biogents™,雷根斯堡,德国)。蚊子引诱剂(广州Baikong生物有限公司,中国)放置在内部的BG陷阱覆盖或BG本身来吸引蚊子进入陷阱蚊子陷阱捕获区(图1)。最初的BG陷阱风扇被替换为一个AC110V风扇(17251 a1-hbapl-tc-n、Sunta、台湾),并保护套管,防止异物接触和打破的风机叶片和纠缠的线传感器。蚊子陷阱也配备了二氧化碳传感器模块(MG811、沙箱电子、芬兰)检测有限公司₂浓度和其他传感器来检测湿度和温度(DHT22 Aosong电子有限公司,中国),如图所示补充图S1。覆盆子π单片机(rpf模块B,各处,英格兰)是用来控制所有的电器元件。一旦蚊子进入输入端口和标识的图像识别软件,如下所述,蚊子就分类根据收集到的表型特征和各自的室(集箱)(补充图S2)。

捕获机制

当不积极捕捉蚊子,蚊子陷阱捕捉板上的空矩形跟踪与天花板。滑导的底座是最低限制,形成一个矩形空间轨道滑导的顶部和天花板之间。这个地区被称为捕获区域。当一只蚊子在捕获区,发现捕获板由电机旋转控制的覆盆子π,立即关闭打开,诱捕蚊子在捕获区域。当捕获板旋转超过90°,滑导的底座是降低重力。当板底部开始跟着滑导,捕获面积减少,迫使蚊子的捕获板(S2A补充数据,B)。最后,底板达到上限。没有空间的捕获区域,因此蚊子被迫在存储室(补充图S2C)。

捕捉蚊子后,捕捉板旋转相反的方向回到原来的位置,证实了一个定位传感器(TCST2103,威世半导体,美国),如图所示图2 d, F。底板是再一次降低重力,直到达到的最低限制。最后,捕获区域恢复,陷阱准备抓住另一个传入的蚊子(图2 f)。自捕获机制需要采集板的旋转180°,捕获板可以在不同的方向旋转控制根据不同种类的蚊子的检测,从而实现有效的目标排序不同类型的蚊子进入不同的房间。

图像识别系统

图像识别工具是至关重要的正常运行提出了蚊子的陷阱。图像识别工具决定一只蚊子出现在输入框,如果是这样,是否它是一个Ae。蚊或残雪。quinquefasciatus蚊子。该算法检测到运动时启动。运动检测,图像连续时间之间的差异进行了分析,以确定是否发生了运动;然后,不同的图像的轮廓被检测到,并为每个轮廓形式,子图象输入神经网络。整个过程是用OpenCV实现。接下来,一个神经网络,即充分快速、准确检测的类型蚊子的覆盆子π设备上开发。我们开发了两个成像平台(即。,static and living imaging platforms) to effectively collect mosquito image data to train our neural network and adapted the SqueezeNet model (Iandola et al ., 2016),我们的神经网络模型,我们利用转移学习训练的方法识别系统。部署算法结合了OpenCV的运动检测和训练神经网络实时识别蚊子使用覆盆子π。

数据库开发

神经网络训练来区分不同的蚊子是完成图像识别开发过程(图3)。神经网络的发展包括三个重要的步骤。首先,一个成像系统成像获取训练数据采用不同的蚊子。这样一个系统是用来获取足够的训练数据通过成像不同静态或住蚊子标本。最后,获得的数据被送入一个适当的转移学习的神经网络模型。

由于其在ImageNet竞争获胜,AlexNet已成为自2012年以来最受欢迎的研究工具。我们使用SqueezeNet神经网络开发蚊子图像识别系统。它是一个轻量级的和高效的卷积神经网络(CNN)模型参数少于AlexNet 50倍,但是该模型的性能(如准确性)接近AlexNet。小模型有很多优势,如减少计算的数量在模型训练和预测识别。单步的速度更快,比在一个更大的模型参数少;因此,视频网络占据的内存更小。较小的模型是有益的在现场可编程门阵列(FPGA)和嵌入类型设备部署。拟议的蚊子陷阱使用边缘计算直接执行与系统嵌入到图像识别的蚊子蚊子陷阱。不需要额外的计算机或服务器。因此,模型和计算音量不应该太大或压缩。 The model method mainly comprises network pruning, quantization, and knowledge distillation. To reduce the amount of calculation (3 × 3 × number of input channels x number of filters), in the CNN, 3 × 3 convolution kernels (filters) are mostly replaced with 1 × 1 convolution kernels (filters). This concept effectively reduces the parameters by nine times while retaining the accuracy of model identification and then reduces the input of 3 × 3 convolution kernels. The number of input channels dramatically reduces the number of convolution operations. The first layer is a standard convolution base layer (Conv) in terms of structure, with nine fire modules in the middle. The fire module divides the original convolutional layer into two layers, including the squeeze layer of 1 × 1 convolution filters and 1 × 1. It comprises an expanding layer of 3 × 3 convolution filters interspersed with max pooling layer compression parameters, retains features, and prevents interference. After connecting a convolutional layer to control the size of the input and output, global average pooling is used instead of fully connected layers to reduce parameters and reduce overfitting. According to the literature, SqueezeNet can reduce the parameters by 50 times while retaining the same accuracy as AlexNet.

成像的标本

我们开发的第一个成像系统允许我们拍照的蚊子在两个方向上不同的角度(补充图S3),使用一个基于matlab的图形用户界面(GUI) (补充图S3A和补充电影S1)来设置参数和执行成像操作。这个系统由一个平台,可以沿着旋转z设在使用步进电机(17 hs1910-p4170 JIALIBAO电子、中国)和旋转360°(图3 b)。蚊子被昆虫针连接到一个平台。相机支架固定相机和旋转它x设在(图3 b)。然而,由于平台的限制,旋转角仅限于160°(图3 b)。

两岸的摄像头,一个可控发光二极管(LED) (61 - 238 / LK2C-B50638F6GB2 / ET, Everlight电子有限公司有限公司,台湾)设计并实现必要的照明条件。整个系统是放置在一个工作室,白色背景,确保捕获的图像只包含目标蚊子。一些从这个成像系统获得的图像样本所示图3 c, D。不同种类的蚊子样本放置在平台拍摄,和这些图像形成的基础数据集用于训练网络(补充图S4)。

成像的在活的有机体内蚊子

除了获得固定标本图像进行神经网络训练,我们还开发了一个系统来获取生活蚊子图像来提高数据库用于神经网络训练。设置与我们的蚊子陷阱捕获区域(图4一),包括一个小,3 d打印(3030 k, Kingssel,台湾和三角洲,通量,台湾),相机(rpf覆盆子π相机V2,各处,英国)和LED (61 - 238 / LK2C-B50638F6GB2 / ET, Everlight电子有限公司有限公司,台湾)。小盒子,相机,和领导是贴在一个3 d印刷基地,以防止转移当移动的设置或把活蚊子进盒子里。盒子是透明的一边允许摄像机监控里面的盒子,盒子的顶部是由另一个透明板密封。这个设计,LED的光可以穿透箱子的内部。这是消除阴影的图像被相机和防止阴影的特点影响了神经网络的训练。

我们使用一个覆盆子π(rpf覆盆子π3模型B,各处,英国)控制直流电机(直流齿轮电机、TT、中国)和摄像机用于捕获图像(图4一)。捕获的图像存储在一个安全的数字(SD)记忆卡在树莓π。覆盆子π和直流电机被安置在一个3 d打印的保护层,使覆盆子π的依恋和保护电路和直流电机(图4 b)。

获得图像的蚊子,蚊子我们在生活使用的盒子,一个旋转杆扰乱整个系统以恒定速率。七敲系统产生的旋转杆大约10年代,休息10年代,反复循环(图4 b;补充图S5A和补充电影S2)。这种干扰保证蚊子飞不断在3 d印刷盒子,如图所示图5。然后摄像机捕获图像相似,被一只蚊子陷阱当住蚊子飞过捕获区(图5 b,补充电影S3)。干扰停止时,蚊子落在盒子上墙,和捕获的图像反映了蚊子后着陆飞行的状态(补充数据S5C, D,补充电影S4,补充电影S5)。

然后我们视频提要输入前面提到的运动检测算法来获取子图象。自包含的子图象有时无法使用图片,他们是手动分类基于蚊子的存在与否。因此,我们能够快速地获得有价值的数据。

训练识别算法

识别不同种类的蚊子,SqueezeNet被选为我们的神经网络模型(图3),我们进一步完善了它通过应用转移学习技术基于蚊子对静态数据集标本(补充图S4)和活蚊子(图4 c, D),包括Ae。蚊和残雪。quinquefasciatus,我们获得的。培训、验证和测试集分裂中列出补充表S1和补充表S2。测试集的混淆矩阵中列出表1。我们还测试了蚊子陷阱的核心设备来识别和分类残雪。quinquefasciatus和Ae。蚊蚊子(补充图S6和补充电影S6)。每个测试由人工喂养的10残雪。quinquefasciatus和10Ae。蚊蚊子进入检测区域的核心设备观察蚊子陷阱表现。三个六个测试测试使用死蚊子(表2测试1 - 3),而剩下的三个测试使用住蚊子(表2、测试4 - 6)。

捕获效率智能蚊子的陷阱

确认后识别结果是正确的,核心设备被放置在一个昆虫笼子(60厘米×60厘米×120厘米;BD6S620 MegaView科学有限公司、台湾),和蚊子吸引被用来测试住蚊子捕获效率。一个空调系统环境保持在一个恒定的温度(27°C),和蚊子陷阱和两个摄像头(C920E,罗技科技有限公司,台湾)被放置在中心的昆虫笼子,如图所示图5一个。两款相机都放在蚊子陷阱的左右(图5 b, C)。然后,昆虫笼子的拉链关闭,相机美联储通过输电线路和电源线。之前发布的蚊子,蚊子陷阱被激活和摄像机都打开。我们确认记录屏幕可以可视化正确,记录图像可以存储在计算机的硬盘(图5一个)。50后打开录音设备,蚊子释放到昆虫笼子通过开放袖口,然后关闭一旦蚊子进入笼子。蚊子能够在狭窄的空间和自由飞被抓蚊子的陷阱。相机记录了蚊子的飞行状态和蚊子陷阱状态和分类的图像对视频图像(图5 d,补充电影S7)和左视频图像(图5 e,补充电影S8)。每次捕获,捕获数据记录,捕获率和识别率计算基于统计数据。此外,一个聪明的蚊子陷阱与BG陷阱被集成在昆虫笼子里(空调系统的房间,补充图S7)和一个模拟的小客厅的房子(3.1×3.1×3 m,没有家具和空调,补充图S8)来执行上述捕获率和识别率测试。

统计分析

执行统计分析使用GraphPad棱镜软件(版本5.0)。使用标准错误统计验证当测试发现和识别率。我们分析了捕获和识别利率的诱惑或温度使用Mann-Whitney-Wilcoxon配对t检验。一个p值小于0.05被认为是具有统计学意义。

结果

蚊子捕获实验和识别精度

补充图S6从实验和相关的录像(补充电影S6)显示蚊子陷阱核心设备用于识别和分类残雪。quinquefasciatus容器(左)和Ae。蚊(正确的容器)蚊子。蚊子是手动放牧的检测区核心设备直接从顶部,如红色箭头所示补充图S6A。一只蚊子飞进检测区激活系统;然后,捕捉板旋转驱动器蚊子进入适当的存储容器。例如,在这项研究中,残雪。quinquefasciatus和Ae。蚊被抓获的左派和右派收集容器,分别为(图6)。根据我们的实验数据,蚊子一直走到陷阱在其操作,成功和陷阱捕捉蚊子。

关于识别精度,SqueezeNet应用于1)训练模型,该模型可以识别蚊子类型(补充图S3和补充电影S1),2)测试蚊子的功能识别静态和蚊子生活条件下(补充表S1和补充表S2)。我们的实验数据表明,实时识别准确率超过91.57%和89.29%的测试集图像(表1)和生活残雪。quinquefasciatus和Ae。蚊系统(补充数据S5C, D),分别。

检查发达与人工智能(AI)的蚊子蚊子陷阱图像检测

所需的中间深神经网络过程中引入上述部分研发和培训。首先,AlexNet分类器网络蚊子轮廓分类所示图3被训练和检查。发达神经网络实现数据报道,大约有91.57%在预测准确性测试集图像(表1)。我们的系统进行实时分类残雪。quinquefasciatus或Ae。蚊蚊子是手动输入的检测区核心设备(补充图S6和补充电影S6)。当集成到一个蚊子陷阱,捕获系统可以成功区分残雪。quinquefasciatus(补充数据S6A-C),Ae。蚊(补充数据S6D-F蚊子)在活的有机体内和排序正确的识别后室。

蚊子陷阱系统进一步测试,我们进行测试所示表2。在这些测试中,整个蚊子识别精度为95±7.6%(57/60),和捕获机制成功率为90±8.2%(27/30)的测试与住蚊子。捕获和识别测试涉及的核心设备原型陷阱使用实时视频捕捉和分类数据来确定蚊子陷阱的有效性。相机完全记录状态的蚊子和蚊子的陷阱。大约十个实验表明,蚊子分类的准确性超过92±3.4%。虽然捕获率不是很好,但它仍然是近44±9.6% (图5;表3)。我们还发现鱼饵的数量似乎有轻微影响的平均数量,但是差异没有统计学意义(3比1诱惑,48%和39%,p= 2.79,Mann-Whitney测试)。

修改后的BG陷阱的效果与智能集成蚊子陷阱

基于BG陷阱的抢手货率(Johnson et al ., 2012;巴雷拉et al ., 2013;李et al ., 2016),我们蚊子陷阱的核心设备集成到一个商业BG陷阱形成一种新型的智能蚊子陷阱,然后进行相关测试蚊子陷阱(补充图S7)。在实验室的温度控制在27°C±1°C,新集成智能蚊子的陷阱是放置在一个小昆虫笼子里进行测试。结果表明,平均捕获率和识别率增加了67±25.0%和97±2.9%,分别为(表4)。之后,我们扩大了空间的蚊子会飞的50倍放置陷阱在模拟客厅没有空调(即波动°C),进行额外的蚊子陷阱测试(补充图S8)。也获得了类似的调查结果,平均捕获率49±17.7%;识别率达到90±8.3% (补充表S3)。

数据可视化和云数据采集平台

用户连接到项目网站(图6),所有的数据被传输到用户的后端,包括蚊子被抓的地方(图6 a, C),蚊子陷阱号码、地址、GPS坐标(图6 b)、日期和时间、类型的蚊子,温度,湿度,等。用户访问数据通过一个客户端web页面;天气数据不断从中央气象局(预警)通过一个开放的应用程序编程接口(API)连接。

讨论

我们所知,这是第一个研究使用了CNN的成年蚊子从图像中提取的特征识别残雪。quinquefasciatus和Ae。蚊蚊子和实时捕捉他们安全。CNN是能够区分残雪。quinquefasciatus和Ae。蚊测试集图像,准确率为92%。聪明的陷阱也使用人工智能算法来确定昆虫进入蚊子的陷阱是一个矢量。陷阱的操作和低功耗的优点是用便宜的3 d打印技术,使其成为蚊虫控制相对廉价的工具。陷阱设计适用于高通量制造和利用商用蚊子引诱剂。

传统通风蚊子陷阱有高功率消耗和捕获率较低的缺点。因此,在这项研究中,我们提出了一种新的方法来捕捉住蚊子(图2;补充图S2)。当蚊子陷阱是不活跃的,滑轨的catch块与封面的开放。滑轨上的底盘最低点之间的空间形式和滑轨上的覆盖洞,形成捕获区域。当蚊子进入这个空间时,电动机的捕获块激活旋转捕获块。这一行动立即关闭打开和缺口,迫使蚊子捕捉空间。当捕获块旋转90°,滑轨上的底盘压缩空间重力和部队蚊子退出捕获块。底盘最终将达到顶端的滑轨。这时,捕捉空间是完全压缩,迫使蚊子进了募捐箱。收集完成后,捕获块旋转相反的方向回到原来的位置,和滑轨上的底盘将返回重力底部,开放获取空间赶上下一个蚊子。提出的旋转方法,蚊子陷阱可以有效地捕获目标的蚊子。 The design of the mechanism can effectively force the captured mosquitoes into the storage area (补充图S6)。我们的实验数据表明陷阱设计是可行的,不会伤害蚊子(表2)。我们取得了90%的捕获率在实验室设置。

蚊子标本的收集是一个重要组成部分的神经网络训练。因此,有必要设计一个理想的成像系统拍摄静态蚊子标本(补充图S3和补充图S4)。培训结果SqueezeNet只适用于静态蚊子标本,它可能不是可行的分类住蚊子。因此,不同的相机系统设计专门针对住蚊子(图4 a, B)。住蚊子更接近现实的图像比静态的蚊子,蚊子飞生活和行动,与静态蚊子标本(图4 c, D)。但是,蚊子不经常改变他们的姿势,所以一个干涉系统设计。获得图像的蚊子,我们限制住蚊子一盒,用旋转杆扰乱整个系统以恒定速率。七敲系统产生的旋转杆大约10年代,休息10 s,然后重复周期(图4 a, B)。最好的和最方便的汽车开发系统设计了S5A补充数据,B),并在此基础上,许多生活在不同的飞行位置被蚊子的图片(补充数据S5C, D)。发达蚊子陷阱不仅具有良好的识别效果由于使用SqueezeNet神经网络训练的内容也数据库;例如,我们使用静态和动态蚊子图像为第一次训练。

类似于我们预期的测试结果和建议建立一个智能蚊子陷阱使用我们的设计是可行的。然而,系统需要一些改进,可以在未来。首先,神经网络的精度肯定可以进一步改善;另外,我们只训练网络两种不同类型的蚊子,也就是说,残雪。quinquefasciatus和Ae。蚊。在真实的环境中,人会预料到,其他类型的昆虫将进入捕获区域。我们因此需要获得一个更全面的数据集在所有可能的昆虫,可以进入捕获面积和训练我们的神经网络识别这些昆虫,蚊子陷阱只能捕获目标物种,即Ae。蚊蚊子。第二,我们捕捉板成功迫使住蚊子进入室大约90%的时间。在失败的情况下,我们发现蚊子之间卡住了捕获板和天花板或者被迫不正确的旋转室的捕获板。未来修改的蚊子陷阱应该解决这个问题,使捕获过程更加有效。下一步我们蚊子陷阱研究部署陷阱在更一般的实验设置阐明在野外捕捉蚊子的有效方法。

此外,BG陷阱目前被认为是城市的“黄金标准”伊蚊蚊子捕获(Johnson et al ., 2018)。即便如此,BG陷阱缺乏实时捕捉和分类视频功能检测类型的蚊子被蚊子陷阱。聪明的蚊子陷阱我们已经修改为包含开发这一重要功能。聪明的蚊子陷阱可以自动区分伊蚊和non-Aedes蚊子进入陷阱,数一数,无线传输到云服务器实时的结果。矢量控制专业人员可以建立监控程序的数据密度和精度向量蚊子了解成人密度指数和种群动态。虽然一两代BG-Counter陷阱最近开发和销售,其价格可能仍会高于我们的智能蚊子陷阱。聪明的蚊子陷阱我们可以以较低的成本提供有价值的功能,以便有效和可负担得起蚊子监测系统可广泛实施。

商用陷阱通常结合特定的嗅觉和视觉吸引蚊子。这些鱼饵通常结合使用,常常起着重要的作用。在我们的实验中,尽管捕获率达到了近50% (表3和表4),如果捕获率可以增加,矢量控制的蚊子可以改善。调整吸引可能是一个方法增加的捕获率陷阱。除了有限公司₂和化学(模拟人体类似于吸引蚊子的功能),提供额外的刺激,如光或声音,可以提高捕获效率。几个蚊子说,短波长的光(绿色蓝色)是很有吸引力的(事实et al ., 1998;旺达et al ., 2019)。增加光强度也会影响对蚊子的吸引力。声音也是吸引蚊子。最近的研究表明,使用450 - 500赫兹的声音作为诱饵可以捕捉蚊子(斯汤顿et al ., 2021)。因此,应用不同形式的诱惑陷阱将大大提高开发的效率智能蚊子陷阱捕捉蚊子。

最近的研究表明,气候影响着捕捉蚊子的陷阱,这反过来会影响效率的陷阱(Crepeau et al ., 2013)。台湾亚热带气候,最常见的在台湾地区登革热是南方。温度大多仍然高于30°C,适合蚊子的繁殖。因此,我们使用30°C的环境温度截止检测温度是否影响了蚊子陷阱功效。环境温度没有影响捕获率(p= 0.64,Mann-Whitney测试)或鉴定率(p= 0.39,Mann-Whitney测试)蚊子的陷阱(补充表S3)。我们还发现,蚊子还活着,他们的外部形态特征没有明显被烧毁。因此,提高识别能力;此外,蚊子是有益的生活在分析他们是否港登革病毒或其他病毒。综上所述,修改后的BG陷阱与发达的智能集成蚊子陷阱捕捉和识别蚊子有良好的影响,这将有助于控制蚊子的向量。

目前,所有商用蚊子陷阱缺乏有效的环境参数检测机制,大数据云平台连接,和蚊子的识别和捕获机制(沙茨et al ., 2010)。因此,各种环境传感器,如有限公司₂,温度和湿度传感器,集成到新智能蚊子陷阱。陷阱也连接到另一个通过物联网(物联网)(廖et al ., 2019);陷阱收集和记录环境数据在高风险地区,和物联网技术和云大数据分析可以用于预测下一个地区登革热的风险高。这使得环境防疫和控制策略的实现尽快。然而,有关向量蚊子识别系统应该改进;深度学习技术应该用于图像识别系统的开发跟踪动态范围(金正日et al ., 2019)、种类和分布密度矢量蚊子来识别潜在的高危流行地区。蚊子传播的疾病的预防应该在一个步骤进行。

环境数据检测到新的蚊子陷阱在这项研究中已经被上传到一个开放数据平台(图6)(http://mosquitotrap.nhri.org.tw/),不仅对数据可视化,还允许开发人员开发其他应用程序扩展这项研究的结果。收集到的数据也可以作为深入学习算法的关键数据集用于蚊子疫情的预测未来。将额外的信息,比如紫外线强度和降雨概率,将允许人们监视他们的环境和状态向量的蚊媒疾病在任何时间从任何位置,类似于天气预报。收集到的数据也将允许进一步的学术研究。与来自制造商和民间的使用技术,这种类型的智能蚊子陷阱可以利用在全球的位置如学校、公共场所,甚至私人住宅,增加推广和提高未来流行的控制。

结论

总之,我们开发了一个智能蚊子陷阱系统之间正确区分残雪。quinquefasciatus和Ae。蚊蚊子和捕获在不同的房间大约有92%的准确性。核心原型实现了实验室检测条件下捕获率高达90%。结合BG陷阱,识别率和捕获率分别为90%和49%,分别测试在模拟客厅设置。这些结果,随湿度、温度和有限公司₂浓度,可以立即更新到云当捕捉蚊子。这个聪明的蚊子陷阱可以帮助控制蚊媒疾病并预测其可能的爆发。我们预计,该系统可用于室内城市地区,在雨水收集设施在热带地区在发展中国家。我们已经证明了这种蚊子陷阱是可行的,提高实时识别算法和机械设计。部署这种蚊子的陷阱在现实世界的环境,防止蚊媒疾病是在望。我们希望在不久的将来,该模型可以嵌入到移动应用程序(应用程序)来允许社区参与,从而促进努力控制病媒传播的疾病。事实上,这个模型可以提高矢量控制操作通过快速和可靠的识别目标物种,并提供洞察他们的生物学和生态学。

数据可用性声明

最初的贡献提出了研究中都包含在这篇文章/补充材料,进一步的调查可以直接到相应的作者。

作者的贡献

C-HC和L-DL概念化的研究;W-LL、C-HC L-DL设计实验;YW, AY-CL S-TD导致发展中三维模型并进行了测试;W-LL、Y-XC B-YC协助蚊子实验;C-HC L-DL监督研究;W-LL, YW, C-HC L-DL解释数据和写的手稿。

资金

这项研究的部分支持由台湾的科学技术部,与金融支持格兰特编号108 - 2221 - e - 400 - 003 - my3和110 - 2221 - e - 400 - 003 - my3;台湾国立卫生研究院资助下数字nhri - ex108 - 10829 ei nhri - ex109 - 10829 ei和nhri ex110 ei - 10829;中央政府S & T格兰特,台湾在格兰特先生- 110 gp - 13;台湾经济部,格兰特号码110 - ec - 17 - 22 - 1650。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

补充材料

本文的补充材料在网上可以找到:https://www.雷竞技rebatfrontiersin.org/articles/10.3389/fbioe.2023.1100968/full补充材料

补充表S1|图片的数量为每个类型的蚊子用于训练集。

补充表S2|图片的数量用于验证集和测试集。

补充表S3|实验结果的集成BG陷阱和发达的核心设备在一个小的蚊子陷阱,模拟客厅。测试设置如图S8。五十Ae。蚊蚊子释放到客厅,这是3.1 x 3.1 x 3 m,蚊子陷阱捕获和识别。蚊子陷阱包含2鱼饵。环境温度范围从28°C到32°C期间捕获。独立执行每个测试和重复的29倍。

补充图S1|硬件操作和信号传输。由神经网络模型训练是加载到覆盆子π识别类型的蚊子。捕获的图像的摄像机传回的覆盆子π文件处理,以及温度、湿度、和有限公司₂集中记录。覆盆子π然后提示捕获机制为捕获并返回转盘的旋转电机的初始位置的光电探测器。然后,数据上传到云数据库进行统计分析,并捕获的蚊子可以在浏览器上。

补充图S2|捕捉力学蚊子的陷阱。首先,捕获蚊子进入区域打开。当检测到蚊子,捕获区域旋转,立刻阻止退出的路径。当板90º,董事会就降低重力的影响,迫使蚊子进入存储室。存储区域的蚊子已经进入后,返回其原始状态捕获机制。转弯时,影响董事会呆在底部,防止蚊子逃离。重力影响电路板回落,蚊子陷阱返回到正常状态。

补充图S3|蚊子图像采集和数据库建立。(一)MATLAB GUI界面的静态蚊子拍摄设备(电影S1)。(B)蚊子图像采集装置的设计。(C)相机旋转垂直拍蚊子。(D)蚊子拍摄时,相机在水平面旋转。

补充图S4|静态蚊子图像在不同的视角从我们的图像采集系统。首先,我们固定的蚊子到昆虫针和沿z轴旋转360度。同时,相机沿着x轴旋转和调整亮度LED模拟图像不同的阳光和光源条件下的蚊子。培训数据库包含不同类型的蚊子,性别,年龄,以及在不同的光线条件下拍摄的图像在不同的角度。

补充图S5|动态蚊子工作室和它的操作的概述,包括动态工作室的内部视角蚊子。(一)住蚊子时的操作相机拍摄的电影(S2)。(B)一只蚊子在投篮框住蚊子相机记录时(S3)的电影。(C)承认残雪。quinquefasciatus成像和训练后的神经网络(电影S4)。(D)承认Ae。蚊成像和训练后的神经网络(S5)的电影。

补充图S6|蚊子陷阱的核心设备标识和分类残雪。quinquefasciatus和Ae。蚊(电影S6)。(一)一只蚊子(残雪。quinquefasciatus)是手动输入的陷阱。(B)捕获板旋转,把蚊子到存储室。(C)蚊子现在被困在存储室。(D)一只蚊子(Ae。蚊)是手动输入的陷阱。(E)捕获板旋转,把蚊子到存储室。(F)蚊子现在被困在存储室。

补充图S7|性能测试的开发集成到商业智能蚊子陷阱BG陷阱。(一)结合BG陷阱和蚊子陷阱机制和气流图。(B)涉及BG陷阱捕获测试结合昆虫笼子里的蚊子的陷阱。电力电缆是美联储通过密封拉链。昆虫笼子拉链关闭后,两个18厘米袖口开口对蚊子进入开放。之前把笼子里的蚊子,蚊子陷阱激活。50后打开陷阱,蚊子放入昆虫笼子透过敞开的袖子。把蚊子在笼子里后,袖子被关闭紧密,在昆虫笼子诱捕蚊子。蚊子被允许在有限的空间里自由地飞翔,在每个实验被蚊子的陷阱。

补充图S8|智能蚊子陷阱的性能测试集成到BG在小陷阱,模拟客厅。(一)房间的布局和位置结合BG陷阱和智能蚊子陷阱捕获测试。(B, C)房间的实际照片和实际位置的BG陷阱。没有家具或空调放置在房间里蚊子允许最大空间;窗口仍然关闭。50蚊子陷阱被激活后,蚊子释放到房间。房间里的蚊子被允许自由地飞,和陷阱捕捉蚊子。释放蚊子进入房间后,袖子的昆虫笼子被关闭。蚊子被允许在有限的空间里自由地飞翔,就被陷阱捕获每个实验。

补充电影S1|蚊子图像数据库的建立。

补充电影S2蚊子|动态图像收集机制。

补充电影S3|动态蚊子工作室内部透视图。

补充电影S4|拍摄和识别残雪。quinquefasciatus在动态蚊子工作室。

补充电影S5|拍摄和识别Ae。蚊在动态蚊子工作室。

补充电影S6|核心设备的识别和分类蚊子的陷阱。

补充电影S7|摄像机记录了蚊子的飞行状态和蚊子陷阱状态和分类的图像正确的视频图像。

补充电影S8|摄像机记录了蚊子的飞行状态和蚊子陷阱状态和分类的图像视频图像。

引用