蚊子之歌+:一种耐噪声的深度学习模型,用于从翅膀跳动声音分类蚊子
Akara Supratak1, Peter Haddawy1,2, Myat Su Yin1
1Faculty of ICT, Mahidol University, Nakhon Pathom, Thailand.
PloS one
|October 30, 2024
概括
一个新的深度学习模型MosquitoSong+准确地从翅膀跳动声音中识别蚊子物种和性别,即使有背景噪音. 这一进步为监测蚊子种群和控制病媒提供了切实可行的解决方案.
科学领域:
- 昆虫学 昆虫学是一门学科.
- 机器学习 机器学习
- 生物声学是一种生物声学.
背景情况:
- 准确的蚊子种群数据对于评估疾病风险和指导媒介控制至关重要.
- 使用陷和手动识别的传统方法是劳动密集型和昂贵的.
- 现有的用于蚊子识别的机器学习模型与环境噪音作斗争.
研究的目的:
- 开发一个强大的深度学习模型,从翅膀跳动声音中识别蚊子物种和性别.
- 为应对现场录音中背景噪声和音量变化的挑战.
- 创建一个用于自动化蚊子监测的实用工具.
主要方法:
- 提出了MosquitoSong+,这是一个基于1D-CNN架构的新型深度学习模型.
- 实施的噪声增强和翅膀跳动音量变化数据增强技术.
- 训练和评估模型在不同的翅膀跳动声音数据集与不同噪音水平.
主要成果:
- MosquitoSong+在与背景噪音相关的数据集中实现了超过80%的物种分类准确度.
- 该模型在各种噪音下对物种和性别分类进行了93.3%的准确性.
- 该模型显示出极好的通用性和对环境因素的稳定性.
结论:
- 蚊子歌+提供了一种实用且准确的方法,用于自动化蚊子物种和性别分类.
- 这种方法有可能显著改善载体监测和疾病控制策略.
- 进一步开发可能会导致公共卫生领域的广泛现场应用.
