ΑΡΧΙΜΗΔΗΣ ΙΙΙ/ ΤΕΙ ΘΕΣΣΑΛΙΑΣ ΥΠΟΕΡΓΟ 11 Ανάπτυξη Σύγχρονων και Καινοτόμων Μεθόδων ΤΙΤΛΟΣ Ολοκληρωμένης Αντιμετώπισης Εχθρών των Αποθηκευμένων Γεωργικών Προϊόντων ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΗΛΙΟΠΟΥΛΟΣ ΠΑΝΑΓΙΩΤΗΣ ΥΠΕΥΘΥΝΟΣ ΠΑΡΑΔΟΤΕΟ 11.1.2. Ανάπτυξη ενός συστήματος αυτόματης ανίχνευσης βάσει της αναγνώρισης των ακουστικών «αποτυπωμάτων» των εχθρών. ΣΥΜΜΕΤΕΧΟΝΤΕΣ ΣΤΟ ΠΑΡΑΔΟΤΕΟ ΗΛΙΟΠΟΥΛΟΣ ΠΑΝΑΓΙΩΤΗΣ, ΤΕΙ ΘΕΣΣΑΛΙΑΣ ΠΟΤΑΜΙΤΗΣ ΗΛΙΑΣ, ΤΕΙ ΚΡΗΤΗΣ ΚΟΝΤΟΔΗΜΑΣ ΔΗΜΗΤΡΙΟΣ, ΜΦΙ ΓΙΒΡΟΠΟΥΛΟΥ ΕΛΕΥΘΕΡΙΑ, ΤΕΙ ΘΕΣΣΑΛΙΑΣ
Περιεχόμενα 1. Εισαγωγή 2 2. Περιγραφή του Συστήματος 3 3. Αρχή Λειτουργίας του Συστήματος 5 4. Τρόπος Εφαρμογής του Συστήματος 8 5. Δυνατότητες - Περιορισμοί 10 6. Σχετική Βιβλιογραφία 11 1
Εισαγωγή Οι ήχοι που παράγουν τα έντομα (ακουστικές εκπομπές) μέσα στους σωρούς αποθηκευμένων σπόρων (κίνηση, διατροφή, ωοτοκία κ.α.) μπορούν να χρησιμοποιηθούν από τη βιοακουστική όχι μόνο για σκοπούς εντοπισμού της παρουσίας των εντόμων (detection) αλλά και για προσδιορισμό του είδους και εκτίμηση της πληθυσμιακής τους πυκνότητας (population density estimation). Στα πλαίσια του Πακέτου Εργασίας 11.1. έγινε ανάπτυξη και μελέτη των δυνατοτήτων της βιοακουστικής στο εργαστήριο μέσω ενός συγκεκριμένου συστήματος καταγραφής και ανάλυσης των ηχητικών εκπομπών. Συγκεκριμένα, έγινε καταγραφή των παραγόμενων ήχων από τα σημαντικότερα είδη εντόμων που προσβάλλουν αποθηκευμένους σπόρους (σιτηρά, όσπρια) σε διάφορα προϊόντα, στάδια ανάπτυξης και πληθυσμιακές πυκνότητες. Στο παραδοτέο αυτό γίνεται περιγραφή του συστήματος ακουστικής καταγραφής και της μεθόδου ακουστικής ανάλυσης. Το σύστημα αποδείχθηκε πολύ αποτελεσματικό στον εντοπισμό της παρουσίας των εντόμων δεδομένου ότι ήταν 100% ακριβές στις αρνητικές προβλέψεις (πρόβλεψη μη προσβολής όταν πράγματι δεν υπήρχαν έντομα) και πολύ επιτυχημένο στις θετικές προβλέψεις (πρόβλεψη προσβολής όταν υπήρχαν έντομα). Παρουσιάζονται ακόμη οι δυνατότητες της μεθόδου στον προσδιορισμό του είδους και στην εκτίμηση της πληθυσμιακής του πυκνότητας. Τα αποτελέσματα της έρευνας καταδεικνύουν ότι τέτοιες συσκευές μπορούν να αποτελέσουν πολύτιμα εργαλεία στους χώρους αποθήκευσης σπόρων στα πλαίσια της Ολοκληρωμένης Αντιμετώπισης των Εντομολογικών Εχθρών. 2
Περιγραφή του Συστήματος Οι ηχητικές εκπομπές των εντόμων καταγράφονταν από ειδική συσκευή (AED-2010L, Acoustic Emission Consulting, Inc.) με πιεζοηλεκτρικό αισθητήρα (piezoelectric sensor) μέσω σύνδεσης με Η/Υ. Όλες οι καταγραφές λαμβάνουν χώρα εντός ειδικά διαμορφωμένου ηχομονωμένου θαλάμου έτσι ώστε να ελαχιστοποιούνται οι εξωτερικοί ήχοι (Εικόνα 1). Για την αποθήκευση των ηχητικών εκπομπών χρησιμοποιείται το Adobe Audition. Τοποθέτηση του αισθητήρα εντός του δείγματος σπόρων. Ο αισθητήρας συνδέεται με καλώδιο με τη συσκευή ψηφιοποίησης και αποθήκευσης των ηχητικών εκπομπών (AED-2010L) Η συσκευή AED-2010L στέλνει τα σήματα σε μία απλή εξωτερική κάρτα ήχου Τα ψηφιοποιημένα ηχητικά σήματα αποθηκεύονται στον Η/Υ όπου σε μορφή wav και ταξινομούνται ανά είδος εντόμου, προιόν και πυκνότητα εντόμων. Εικόνα 1. Το σύστημα καταγραφής ακουστικών εκπομπών εντόμων αποθηκών 3
Το σύστημα που περιγράφεται είναι εγκατεστημένο στο εργαστήριο Φυτοπροστασίας του ΤΕΙ Θεσσαλίας, ενώ υπάρχει και δυνατότητα φορητότητας του συστήματος και καταγραφή ηχητικών εκπομπών σε αποθήκες γεωργικών προϊόντων. Με τη χρήση του AED-2010L και ενός φορητού ηλεκτρονικού καταγραφικού οι καταγραφές αποθηκεύονται σε κάρτα SD σε μορφή wav και αναλύονται αργότερα στο εργαστήριο. Οι ηχητικές καταγραφές σε μορφή wav «φορτώνονται» στο πρωτότυπο λογισμικό (AD v.1.1. Παραδοτέο 11.1.3.) και αυτό δίνει αυτόματα την πιθανότητα ύπαρξης εντόμων στο δείγμα (infested not infested). 4
Αρχή Λειτουργίας του Συστήματος Η επαλήθευση της παρουσίας των εντόμων επιτεύχθηκε μέσω ενός πρωτότυπου ειδικού προγράμματος ακουστικής ανάλυσης (AD v1.1.) το οποίο αναπτύχθηκε για τις ανάγκες του έργου (Παραδοτέο 11.1.3). Η αλυσίδα των σταδίων επεξεργασίας της προσέγγισής μας αποτελείται κυρίως από δύο μέρη: παραμετροποίηση του σήματος και την ταξινόμηση. Το επίπεδο παραμετροποίησης του σήματος μετατρέπει το ακουστικό σήμα που παρέχεται από τον αισθητήρα σε μια σειρά των χαμηλών διαστάσεων διανυσμάτων χαρακτηριστικών (low-dimensional feature vectors), το καθένα συνοψίζει ένα σύντομο χρονικά τμήμα (short-time segment) του ακουστικού σήματος, ώστε να καταστεί δυνατή η αποτελεσματική ταξινόμηση. Το στάδιο της κατάταξης, αποτελείται από ένα σύνολο εκπαιδευμένων πρωτοτύπων (trained prototypes) για κάθε κατηγορία ώστε να συγκριθούν σε πιθανολογική λογική με τα χαρακτηριστικά του επιπέδου παραμετροποίησης. Παραμετροποίηση του σήματος Το στάδιο παραμετροποίησης του σήματος αρχίζει με την ανίχνευση των γεγονότων (impulsive events) που έχουν ενσωματωθεί στο θόρυβο. Εντοπισμός ηχητικής δραστηριότητας Έστω x(n) συμβολίζει το διακριτό σήμα στο πεδίο του χρόνου που ασκεί την αρχική καταγραφή, όπου n είναι ο δείκτης διακριτού χρόνου. Στα επόμενα βήματα που περιγράφουν τον τρόπο με τον οποίο το x(n) μετασχηματίζεται σε ένα σύνολο χαμηλών διαστάσεων περιγραφέων που στη συνέχεια τροφοδοτούνται στο στάδιο αναγνώρισης προτύπων. Τα καταγεγραμμένα δεδομένα είναι στο ένα δευτερόλεπτο με το χρήσιμο σήμα να τοποθετείται περίπου στο κέντρο τους. Το SNR δεν είναι υψηλό, καθώς υπάρχουν ηλεκτρονικές παρεμβολές που επιβιβάζονται και η ενέργεια των παλμών που παράγονται από τα έντομα είναι αρκετά χαμηλή. Μια πολύ μικρή παρεμβολή πλάτους 60 Hz από την παροχή ηλεκτρικού ρεύματος φιλτράρεται σε 5
μεταγενέστερο στάδιο επεξεργασίας. Για να εξαγάγετε η εκδήλωση ήχου από το φόντο έχουμε εφαρμόσει τον ακόλουθο του Hilbert (Hilbert follower), επίσης, γνωστό και ως ακόλουθο φακέλου (envelope follower). Ο ακόλουθος Hilbert ακολουθεί το χαρακτηριστικό σχήμα του περιβλήματος του ήχου πεδίου του χρόνου των εντόμων. Περιγράφουμε συνοπτικά την παραγωγή και τη λειτουργία του: Έστω ότι, xh(n)= Hilbert(x(n)) εκτιμά μία πολύπλοκη αλληλουχία η οποία καλείται το αναλυτικό σήμα του x(n). Το αναλυτικό σήμα xh(n) = x(n) +jxi(n) έχει ένα πραγματικό τμήμα x(n) το οποίο εκφράζει τα πρωτότυπα δεδομένα, και ένα θεωρητικό τμήμα, xi(n), το οποίο περιλαμβάνει τα δεδομένα μετά τη μεταμόρφωση κατά Hilbert του x(n). Ο φάκελος y(n) των δειγμάτων χρόνουπεριοχής ήχου εκτιμάται ως εξής: y(n) = (xh(n) x ẋh(n))1/2 (1) όπου ẋh(n) εκφράζει την ένωση των xh(n) και (x) για τον πολλαπλασιασμό συνιστωσών. Ο φάκελος της εξίσωσης (1) συγκρίνεται με το όριο θ. Όταν y(n) > θ το δέιγμα x(n) ταξινομείται στην κλάση δραστηριότητας αλλιώς στην κλάση μηδραστηριότητας (Διάγραμμα 1). Το όριο υπολογίζεται ανεξάρτητα για κάθε ηχογράφηση. Ο φάκελος y(n) κατηγοριοποιείται κατά τιμή και εκτιμάται ένα συντηρητικό όριο μέσω του θ =8*θ1 όπου θ1 είναι ο μέσος 90% των ελαχίστων τιμών του φακέλου. Εάν η εφαρμογή επιστρέφει ένα «κενό» ηχητικό σήμα τότε το όριο χαμηλώνει στο θ =4*θ1 και η διαδικασία επαναλαμβάνεται. Έστω xe(n) εκφράζει τις ηχογραφήσεις με y(n) > θ. 6
10 0 threshold calculation of audio detector 10-1 10-2 envelope amplitude 10-3 10-4 threshold 10-5 10-6 10-7 0 5000 10000 15000 sample index Διάγραμμα 1. Δυναμική εκτίμηση ορίου (threshold) για τον εντοπισμό ηχητικού σήματος. Οι τιμές του ακολούθου του Hilbert κατηγοριοποιούνται ανά ηχογράφηση και το όριο υπολογίζεται σύμφωνα με τη μέση τιμά των ελαχίστων τιμών του δείγματος (υποθέτοντας ότι αυτές αποτελούν «θόρυβο»). 7
Τρόπος Εφαρμογής του Συστήματος Ο τρόπος εφαρμογής είναι πολύ απλός και δεν απαιτείται ιδιαίτερη εκπαίδευση για τον χειριστή του συστήματος. Από το δείγμα του προϊόντος τοποθετείται ποσότητα ½ κιλού σε βάζο 1lt. Το βάζο τοποθετείται στον ηχομονωμένο θάλαμο και ο αισθητήρας εισέρχεται μέσα στο δείγμα σε βάθος 4-5 cm. Θέτουμε σε λειτουργία τον Η/Υ και το AED-2010L. Φορτώνουμε το Adobe Audition (μπορεί να χρησιμοποιηθεί οποιοδήποτε πρόγραμμα ανάλυσης ήχου). Εικόνα 2. Το πρόγραμμα Adobe audition Ακολούθως καταγράφουμε τον παραγόμενο από το δείγμα ήχο για 3 min και τον αποθηκεύουμε με τη μορφή wav. Το αρχείο «φορτώνεται» μετά στο ειδικό λογισμικό (AD v.1.1.) και αυτό αποδίδει πιθανότητα προσβολής (Εικόνα 3). 8
Εικόνα 3. Το ειδικό λογισμικό εντοπισμού των ηχητικών σημάτων AD v.1.1. 9
Δυνατότητες - Περιορισμοί Η αξιολόγηση του συστήματος βρίσκεται ακόμα σε εξέλιξη αλλά ήδη έχουν φανεί ορισμένα σημαντικότατα πλεονεκτήματα και κάποιοι περιορισμοί στη χρήση του που πρέπει να λαμβάνονται υπ όψιν κατά την εφαρμογή του. Αυτοματοποίηση. Για την εξαγωγή του τελικού αποτελέσματος δεν χρειάζεται καμία παρέμβαση του ανθρώπου καθώς όλα γίνονται αυτόματα. Το σύστημά μας υπερτερεί έτσι από άλλα παρόμοια συστήματα ακουστικού εντοπισμού που χρησιμοποιούνται ακουστικά και απαιτείται κάποιος εμπειρογνώμων ώστε αποφασίσει για την παρουσία ή απουσία εντόμων. Ευαισθησία. Το σύστημα έχει αξιολογηθεί (η διαδικασία αυτή είναι σε εξέλιξη) και τα αποτελέσματα δείχνουν εξαιρετικά αυξημένη ευαισθησία στην παρουσία εντόμων. Είναι χαρακτηριστικό ότι το όριο εντοπισμού με επιτυχία 90-100% για τα περισσότερα είδη εντόμων είναι το 1 άτομο σε 1 κιλό προϊόντος. Το όριο αυτό είναι πολύ χαμηλότερο από όλες τις σημερινές μεθόδους για τον εντοπισμό εντόμων σε σωρούς αποθηκευμένων προϊόντων. Εύρος εντοπισμού. Ένας περιοριστικό παράγοντας είναι το γεγονός ότι για να εντοπιστούν οι ηχητικές εκπομπές ενός εντόμου θα πρέπει η απόστασή του από τον αισθητήρα να είναι μέχρι 20cm. Εξωτερικός θόρυβος. Παρά το γεγονός ότι το σύστημα απομονώνει και απομακρύνει τους εξωτερικούς ήχους υπάρχει πιθανότητα αποτυχίας πρόβλεψης όταν οι θόρυβοι από το εξωτερικό περιβάλλον είναι υπερβολικοί. Κόστος χρόνος εφαρμογής. Το σύστημα έχει μηδενικό κόστος εφαρμογής καθώς δεν απαιτεί αναλώσιμα αλλά και πολύ σύντομο χρόνο εφαρμογής καθώς απαιτούνται μόνο 1-3 λεπτά ηχητικής καταγραφής για την εξαγωγή αποτελεσμάτων. 10
Σχετική Βιβλιογραφία Fleurat-Lessard F, B.Tomasini, L. Kostine, and B. Fuzeau. 2006. Acoustic detection and automatic identification of insect stages activity in grain bulks by noise spectra processing through classification algorithms, pp. 476-486. In I. Lorini, B. Bacaltchuk, H. Beckel, D. Deckers, E. Sundfeld, J. P. Dos Santos, J. D. Biagi, J. C. Celaro, L. R. D'A Faroni, L. de., and O. F. Bortolini (eds.), Proc. 9th International Working Conference on Stored Product Protection, October 15-18, 2006, Sao Paulo Brazil 2006. Hagstrum D.W. 1991. Automated acoustical detection of stored-grain insects and its potential in reducing insect problems. Proceedings of the 5th International Working Conference on Stored-Product Protection Bordeaux, France, 1341-1350pp Hagstrum D.W., K.W. Vick, and J.C. Webb. 1990. Acoustical Monitoring of Rhyzopertha dominica (Coleoptera: Bostrichidae) Populations in Stored Wheat J.Econ.Entomol.83 (2): 625-628 Hagstrum, D. W.; Flinn, P.W.; Shuman, D. 1994. Acoustical monitoring of stored-grain insects: An automated system Highley, E.; Wright, E.J.; Banks, H.J.; Champ, B.R. (Eds.), Stored Product Protection, Proceedings of the 6th International Working Conference on Stored-Product Protection, 17-23 April 1994, Canberra, Australia. CAB International, Wallingford, United Kingdom, 403-405p Hagstrum, D. W.; Flinn, P.W.; Shuman, D. 1996. Automated Monitoring Using Acoustical Sensors for Insects in Farm-Stored Wheat J. Econ.Entomol.89(1): 211-217 Hagstrum, D.W., K.W. Vick, and P.W. Flinn. 1991. Automated Acoustical Monitoring of Tribolium castaneum (Coleoptera: Tenebrionidae) Populations in Stored Wheat. J. Econ.Entomol. 84(5): 1604-1608 Leblanc, G., & F. Fleurat-Lessard. 2009. Experimental study of acoustic equipments for real-time insect detection in grain bins Assessment of their potential for infestation risk prediction during long term storage periods. Integrated protection of stored products - Campobasso, Italy, 29 June 2 July 2009 Neethirajan, S. C. Karunakaran, D.S. Jayas & N.D.G. White 2007. Detection techniques for stored-product insects in grain. Food Control, 18: 157 162 11