Simple Science

Ciência de ponta explicada de forma simples

# Biologia # Ecologia

Avanços na Tecnologia de Monitoramento de Insetos

Novos sistemas automatizados estão transformando as práticas de monitoramento de insetos com menos danos e mais dados.

Kim Bjerge, H. Karstoft, T. T. Hoye

― 7 min ler


Revolucionando o Revolucionando o Monitoramento de Insetos sobre insetos. enquanto maximizam a coleta de dados Sistemas automatizados diminuem danos
Índice

Insetos estão por toda parte e têm um papel crucial no nosso meio ambiente. Com mais de um milhão de espécies identificadas até agora, eles representam cerca da metade de todas as criaturas vivas na Terra. Os insetos são não só diversos, mas também contribuem significativamente para os ecossistemas. Eles ajudam a polinizar plantas, servem de comida para outros animais e podem ser tanto pragas quanto criaturas benéficas. Mudanças no número de insetos podem impactar toda a cadeia alimentar, então é importante ficar de olho neles, especialmente nos que são ativos à noite.

Métodos Tradicionais de Monitoramento de Insetos

Para estudar insetos, os cientistas costumam usar métodos tradicionais envolvendo armadilhas. Essas armadilhas são feitas para pegar insetos, que depois são coletados, contados e identificados por especialistas. Mas essa abordagem tem suas desvantagens. Insetos são prejudicados no processo, o que levanta preocupações éticas, principalmente para espécies raras. Além disso, monitorar populações de insetos com armadilhas manuais pode ser bem trabalhoso e exige conhecimento especializado que nem todo mundo tem.

Desafios na Coleta de Dados sobre Insetos

Coletar dados sobre insetos é complicado. Existem tantas espécies, e os recursos para estudá-las são muitas vezes limitados. Essa escassez de dados dificulta a compreensão de como as populações de insetos estão mudando ao longo do tempo, especialmente com as mudanças climáticas e nos habitats.

Nova Tecnologia para Monitorar Insetos

Avanços recentes na tecnologia estão mudando a forma como monitoramos insetos. Sistemas Automatizados equipados com câmeras e programas de computador para análise de imagens surgiram. Esses sistemas conseguem reunir e analisar uma porrada de dados em tempo real ou processar imagens depois. Isso ajuda os pesquisadores a entender melhor as populações de insetos sem precisar coletá-los fisicamente.

Como Funcionam as Armadilhas com Câmera

Armadilhas com câmera são dispositivos que tiram fotos de insetos, especialmente os que são ativos à noite. Essas armadilhas conseguem capturar um grande número de imagens e podem ser configuradas em vários habitats. O objetivo é registrar os insetos sem machucá-los, permitindo que os cientistas monitorem suas populações e comportamentos por períodos prolongados.

Vantagens de Usar Sistemas Automatizados

Sistemas automatizados têm vantagens significativas em relação aos métodos tradicionais. Eles oferecem monitoramento contínuo sem a necessidade de coleta física, tornando-os menos prejudiciais às populações de insetos. Também conseguem capturar mais dados e fornecer informações sobre os comportamentos e tendências dos insetos em seus habitats naturais. Essa tecnologia permite que os cientistas coletem imagens sem precisar de intervenção humana constante, levando a uma melhor coleta e análise de dados.

Enfrentando Desafios com o Monitoramento de Insetos

Monitorar insetos noturnos apresenta desafios únicos, especialmente em relação à iluminação e visibilidade. Armadilhas de luz automatizadas usam luzes especiais para atrair e capturar imagens desses insetos. Ao combinar essas armadilhas com software de computador avançado, os pesquisadores podem analisar milhares de imagens de forma eficiente. Esses sistemas conseguem lidar com o grande volume de dados gerados e ajudar a classificar insetos em diferentes espécies e famílias.

Desenvolvendo um Pipeline de Processamento

Para analisar as imagens capturadas pelas armadilhas com câmera, um pipeline de processamento específico é utilizado. Esse pipeline pode identificar, classificar e rastrear insetos noturnos com base em suas características físicas. Ele funciona detectando insetos nas imagens e classificando-os sem depender exclusivamente da identificação manual por especialistas. Essa abordagem é flexível e pode se adaptar a diferentes condições.

Detecção e Classificação de Imagens

O primeiro passo no pipeline de processamento é detectar e localizar os insetos nas imagens. Isso é feito usando técnicas avançadas de análise de imagens que podem identificar insetos ignorando objetos de fundo irrelevantes. Uma vez identificados, os insetos são classificados com base em seus grupos taxonômicos, como ordens e subordens.

Algoritmos Avançados

A tecnologia usada para classificação é poderosa. Ela utiliza algoritmos que podem aprender a partir de dados anteriores e melhorar com o tempo. Isso ajuda a garantir que a classificação dos insetos seja o mais precisa possível, mesmo para aquelas espécies que podem parecer semelhantes. Nos casos em que o modelo não tem certeza sobre uma classificação, há um sistema para identificar essas incertezas e tratá-las como anomalias. Isso ajuda a manter a qualidade dos dados.

Coletando e Armazenando Dados

Com o volume de imagens geradas, o armazenamento de dados se torna uma questão essencial. Os sistemas automatizados produzem uma quantidade massiva de dados, exigindo soluções de armazenamento eficientes. Os pesquisadores estão explorando maneiras de processar imagens em tempo real, permitindo que apenas dados importantes sejam armazenados, garantindo que avistamentos raros ou interessantes de insetos não sejam perdidos.

Testando o Pipeline

O pipeline de processamento foi testado em vários sistemas de computação. Diferentes dispositivos de computação de borda foram utilizados para avaliar quão rapidamente e eficientemente as imagens podem ser processadas. Esses testes ajudam a determinar o melhor equipamento para os pesquisadores usarem em campo, garantindo que o monitoramento de insetos possa ser rápido e eficaz.

Resultados e Descobertas

Após analisar milhares de imagens, os pesquisadores identificaram numerosas táxons de insetos, incluindo vários besouros, mariposas e aranhas. O sistema automatizado provou ser eficiente na detecção e classificação desses insetos com alta precisão. Ele permite que os pesquisadores obtenham insights mais profundos sobre as tendências das populações de insetos noturnos ao longo do tempo.

Comparando Métodos de Rastreamento

Além de detectar e classificar insetos, o pipeline também inclui um componente de rastreamento. Isso permite que os pesquisadores monitorem como insetos individuais se comportam ao longo do tempo, fornecendo informações valiosas sobre seus movimentos e interações. Ao comparar esses dados de rastreamento com métodos tradicionais, é possível avaliar a eficácia de diferentes estratégias de monitoramento.

Correlacionando Dados de Diferentes Métodos

Os pesquisadores compararam os resultados dos métodos tradicionais de amostragem em tempo real com os dados de rastreamento automatizado. Eles encontraram correlações significativas, mostrando que os sistemas automatizados podem refletir com precisão as populações e comportamentos de insetos. Essas informações são cruciais para entender como monitorar insetos de forma mais eficaz no futuro.

Perspectivas Futuras

O desenvolvimento contínuo de sistemas automatizados abre novas oportunidades para o monitoramento de insetos. À medida que a tecnologia evolui, espera-se que esses sistemas se tornem ainda mais eficientes e capazes de lidar com conjuntos de dados maiores. Isso aumentará a capacidade de estudar populações de insetos e reconhecer potenciais ameaças à sua sobrevivência devido a mudanças nos ambientes.

Conclusão

Insetos são vitais para nossos ecossistemas, e monitorar suas populações é essencial para a saúde ambiental. Métodos tradicionais de monitoramento de insetos têm limitações significativas, mas os avanços em tecnologias automatizadas estão apresentando novas alternativas empolgantes. Esses sistemas permitem que os pesquisadores coletem e analisem dados de forma mais eficiente e sem prejudicar os insetos. Ao melhorar as técnicas de monitoramento, os cientistas podem entender melhor os papéis que os insetos desempenham em nosso mundo e trabalhar para garantir sua sobrevivência diante das mudanças globais.

Fonte original

Título: Towards edge processing of images from insect camera traps

Resumo: Insects represent nearly half of all known multicellular species but knowledge about them lacks behind most vertebrate species. In part for this reason, they are often neglected in biodiversity conservation policies and practice. Computer vision tools, such as insect camera traps, for automated monitoring have the potential to revolutionize insect study and conservation. To further advance insect camera trapping and the analysis of their image data, effective image processing pipelines are needed. In this paper, we present a flexible and fast processing pipeline designed to analyse these recordings by detecting, tracking and classifying nocturnal insects in a broad taxonomy of 15 insect classes and resolution of individual moth species. A classifier with anomaly detection is proposed to filter dark, blurred, or partially visible insects that will be uncertain to classify correctly. A simple track-by-detection algorithm is proposed to track classified insects by incorporating feature embeddings, distance and area cost. We evaluated the computational speed and power performance of different edge computing devices (Raspberry Pis and NVIDIA Jetson Nano) and compared various time-lapse strategies with tracking. The minimum difference was found for 2-minute time-lapse intervals compared to tracking with 0.5 frames per second, however, for insects with fewer than one detection per night, the Pearson correlation decreases. Shifting from tracking to time-lapse monitoring would reduce the amount of recorded images and be able to perform edge processing of images in real-time on a camera trap with Raspberry Pi. The Jetson Nano is the most energy-efficient solution, capable of real-time tracking at nearly 0.5 fps. Our processing pipeline was applied to more than 5.7 million images recorded at 0.5 frames per second from 12 light camera traps during two full seasons located in diverse habitats, including bogs, heaths and forests.

Autores: Kim Bjerge, H. Karstoft, T. T. Hoye

Última atualização: 2024-12-07 00:00:00

Idioma: English

Fonte URL: https://www.biorxiv.org/content/10.1101/2024.07.01.601488

Fonte PDF: https://www.biorxiv.org/content/10.1101/2024.07.01.601488.full.pdf

Licença: https://creativecommons.org/licenses/by-nc/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao biorxiv pela utilização da sua interoperabilidade de acesso aberto.

Artigos semelhantes