Məlumat

Həşərat identifikasiyası

Həşərat identifikasiyası


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Finlandiyadakı mənzilimdə tapıldı. Kameranı axtarmazdan əvvəl onun uzaqlaşmasının qarşısını almaq üçün onu öldürməli oldum, lakin o, demək olar ki, eyni canlı və bütöv görünürdü. Uzunluğu təxminən yarım santimetrdir və gənclər daha qaranlıq görünür. Çox vaxt qaranlıqda tapılır. Görünüşlərindən bəri səhər tez -tez qırmızı və bir az qaşınan böcək ısırığını görürəm. Sual budur ki, bu həşərat nədir?


Bu mənə adi qanadsız ev böcəyi olan gümüş balığı xatırladır.


Elmi adı: Lycorma incə yemək (Ağ)
Sifariş: Hempitera
Ailə: Fulgoridae
Fənərböcəyi adı aldadıcıdır, ləkəli fənərlərin hər hansı milçək növü ilə çox az ümumi cəhətləri var. Başqa bir yanlış təsəvvür, qanadlarını açaraq böyüklərə güvəyə bənzədərkən baxanda ortaya çıxır. Ləkəli fənərlər, Hemiptera sırasındakı planthoppers və ya həqiqi böcəklərdir və cicadas, qəhvəyi marmorated stink böcəkləri, aphids və leafhoppers ilə yaxından əlaqəlidir. Bu qaydada olan bütün həşəratların birbaşa şəkərli suyu ilə qidalanmaq üçün bir bitkinin floeminə daxil olmalarına imkan verən pirsinq əmici ağız boşluqları vardır.

Mövcud infestasiyalarda, xallı fənərin hər il dörd nəsil mərhələsindən, yetkin bir mərhələdən və yumurta kütlələri kimi qışlamadan ibarət bir nəsil olduğunu göstərdi. Əsl böcəklər olan xallı fənərlər mərhələlər arasında irəliləmək üçün əriyir. Yumurta lyuku uzun müddətdir, ilk nimflər may və iyun aylarında görünür. Cütləşmə avqustun sonundan başlayaraq, yumurta qoyma sentyabr-noyabr aylarında və ya ilk ölüm donmasına qədər baş verir.

Fotoşəkillər: Yumurta Yumurtlama, Yumurtadan çıxma və Birinci İnstar, İkinci İnstar, Yetkinlər: Emelie Swackhamer, Penn State Universiteti, Bugwood.org Yumurta: Lawrence Barringer, PA Kənd Təsərrüfatı Departamenti, Bugwood.org 3-cü Instar: Dalton Ludwick, USDA-ARS/Virginia Texniki 4 -cü instar: Richard Gardner, Bugwood.org.


Böcəklərin Təsnifatı – Həşəratların Xüsusiyyətləri

Böcəklər bir çox fərqli mühitdə olur. Bir çox formada, ölçüdə və rəngdə olurlar. Bununla belə, bütün böcəklər onları digər heyvanlardan fərqləndirən bir sıra müəyyən xüsusiyyətlərə malikdir. Bütün böcəklər var:

  • 3 cüt ayaq
  • ekzoskelet
  • ümumiyyətlə həyatın bir mərhələsində qanadları olur
  • antenalar
  • 3 bədən seqmenti: baş, sinə və qarın
  • həyat dövrü metamorfozu əhatə edir (ya tam, ya da natamam)

PowerPoint Təqdimatları/Veb seminarlar

17 yanvar 2019: Aydaho Hort Sərgisi (Boise)

5 fevral 2019-cu il: Boulder County arıçılıq sinfi (Longmont)

5 fevral 2019-cu il: Seminar, Kənd Təsərrüfatı Biologiyası Departamenti (Fort Collins)

7 Fevral 2019: ProGreen Expo (Denver)

12-13 fevral 2019: Qərbi Kolorado Zərərvericilərlə Mübarizə Konfransı (Böyük Qovşaq)

21 Fevral 2019: Çətənə Böcəkləri Müzakirəsi (Rocky Ford)

6 Mart 2019: Kolorado Arboristləri və Çəmən Baxım Mütəxəssisləri (CALCP) İllik Konfransı (Aurora)

9 Mart 2019: SymROSEium, Denver Gül Cəmiyyəti (Denver)

3 aprel 2019: Sakit Okean Şöbəsi Toplantısı, Amerika Entomoloji Cəmiyyəti (San Diego)

19 May 2019 Şimal -Şərq IPM Mərkəzi (Vebinar)

17 iyul 2019-cu il: Sentinel Bitki Şəbəkəsi Seminarı, Cheyenne Nəbatat Bağları (Cheyenne)

29 Avqust 2019: Purdue Universiteti Bölümü Seminarı (West Lafayette)

12 sentyabr 2019-cu il: GCA Shirley Meneice İllik Konfransı, Denver Nəbatat Bağları (Denver)

19 Sentyabr 2019 ISA-RMC İllik Toplantısı (Westminster)

1 Noyabr 2019: Usta Bağban Vebinarı, Emerald Ash Borer (Fort Collins)

6 Noyabr 2019: CSU Cəbhəsi Zərərvericilərlə Mübarizə Seminarı (Loveland)

7 Noyabr 2019: Çətənə Yetiştiricileri Atölyesi (Fort Collins)

21 noyabr 2019-cu il: ISA-RMC İllik Pestisidlər Seminarı (Denver)

6 dekabr 2019-cu il: Poudre Məktəbi Rayon Tibb bacıları (Fort Collins)

11 dekabr 2019: Rocky Mountain Regional Turfgrass Konfransı və Ticarət Sərgisi (Aurora)

12 dekabr 2019: Kənd Təsərrüfatı Elmləri Kolleci Mühazirə Seriyasını fərqləndirir (Fort Collins)

23-24 Yanvar, Montana Turf, Süs və Həşərat Mütəxəssisləri Dərnəyi (Montana)

1 Fevral 2020: Garfield County AgExpo (Tüfəng)

6-7 fevral 2020: ProGreen Expo (Denver, CO)

11-12 Fevral 2020: Western Colorado Zərərvericilərlə Mübarizə Konfransı (Fruita, CO)

20 Fevral 2020: Rocky Mountain Yaşıl Sənaye Konfransı və Sərgisi (Casper, Vayominq)

24 fevral 2020: Kolorado Meyvə və Tərəvəz Yetiştiricileri Assosiasiyası, İllik Yığıncaq (Denver, CO)

4 mart 2020-ci il Kolorado Ağac yetişdiriciləri və Çəmənliyə Qulluq Mütəxəssisləri, İllik Yığıncaq (Fort Collins)

7 Mart 2020 Yüksək Düzənliklər Landşaft Atölyesi (Fort Collins)


Digər Ümumi Tozlandırıcılar

Tozlanma dedikdə adətən ağlımıza gələn arılar və xüsusilə bal arıları ən çox mətbuata sahib olurlar. Ancaq vəhşi arılar, xüsusilə bal arısı və digər yerli tozlandırıcıların sayının azalması fonunda çox çalışqan olduqlarını sübut edirlər.

Xüsusilə ağac meyvələrinin tozlanması üçün tək mason arıların istifadəsi araşdırılır. Dülgər arılar başqa bir vacib tozlandırıcıdır. Siz tez-tez bu arının evinizin saçağının altında vızıldadığını görürsünüz və çox vaxt onu arı arısı ilə səhv salırlar.

Arılar çox vacib bir tozlandırıcıdır, lakin çiçəkləri tozlandırmaqda o qədər də effektiv deyillər, çünki polen onların bədənlərinə daha az yapışır. Mavi qanadlı arı, Scolia dubia, kimi bitkiləri xüsusilə sevir Solidago (Qızıl Çubuq). Kağız arılar zülalının çox hissəsini polendən çox tırtıllardan alan başqa bir tozlandırıcıdır.


Dağ çam böcəyinin ağaclarıma bulaşdığını necə deyə bilərəm?

Yoluxma şəraitində bütün ağaclar zəifləyir və sağlamdır. Bir ağacın hücum edildiyi yay yaşıl və sağlam görünəcək. Hücumun ilk əlamətləri yazın sonunda nəzərə çarpacaq.

    , və ya kiçik (1-2-düym) qatran kütlələri gövdədə olacaq.
  • Ağacın ətrafındakı qabıq yarıqlarında və yerdə qırmızı sıxıcı toz da olacaq. Bu darıxdırıcı toz una bənzərdən şəkərə bənzəyən ölçülərə və tutarlılığa malik olacaq.
  • Bəzən ağac çox sağlamdırsa və hücumlar məhduddursa, ağac böcəkləri “təsvir edə bilər”. Bu ağaclar tez -tez qatrana yapışan yetkin böcəyi olan daha böyük meydançalı borularla müəyyən edilə bilər.
  • Hücumlar müvəffəqiyyətli olsaydı, avqust və ya sentyabr aylarında qabıq altında ağ rəngli C şəkilli sürfələr asanlıqla tapıla bilər.

Bu nöqtədə ağaclar ümumiyyətlə bərpa olunmur. Növbəti yaz bu hücum edilən ağacların iynələri sarıdan parlaq qırmızıya çevriləcək. Ağac Ceratocystis montia göbələyi tərəfindən mavi rəngə boyanacaq. Yetkin böcəklər meydana çıxdıqdan sonra, ölü ağaclar tutqun qırmızıya çevrilir, növbəti il ​​boz olur. Dağ çam böcəyi kolonizasiyasının bəzi əlamət və əlamətləri ilə qarışdırıla biləcək digər böcəklər və xəstəliklər var.

Problemin düzgün müəyyən edildiyinə əmin olmaq üçün peşəkar meşəçi və ya Cənubi Dakota sertifikatlı ağac ustası ilə məsləhətləşin.


Həşəratların sürətli və etibarlı identifikasiyası xəstəlik daşıyıcılarının və invaziv növlərin aşkarlanmasından biomüxtəliflik inventarlarından materialın çeşidlənməsinə qədər bir çox kontekstdə vacibdir. Adekvat təcrübə çatışmazlığı səbəbindən bu vəzifə üçün avtomatlaşdırılmış sistemlərin hazırlanmasına maraq çoxdan olmuşdur. Əvvəlki cəhdlər zəhmətkeş və mürəkkəb əl işlərindən ibarət görüntü xüsusiyyətlərinin çıxarılmasına əsaslanırdı, lakin son illərdə mürəkkəb konvulsion sinir şəbəkələrinin (CNN) insan müdaxiləsi olmadan müvafiq xüsusiyyətləri avtomatik olaraq çıxarmağı öyrənə biləcəyi göstərilmişdir. Təəssüf ki, CNN identifikasiyalarında ekspert səviyyəsində dəqiqliyə nail olmaq üçün çox vaxt taksonomik tapşırıqlar üçün mövcud olmayan əhəmiyyətli hesablama gücü və böyük təlim məlumat dəstləri tələb olunur. Bu funksiyanın ötürülməsindən istifadə etməklə həll edilə bilər: ümumi təsvirin təsnifatı tapşırığına əvvəlcədən öyrədilmiş CNN maraq doğuran taksonomik şəkillərə məruz qalır və onun bu şəkilləri qavraması haqqında məlumat daha sadə, xüsusi identifikasiya sisteminin təlimində istifadə olunur. Burada, məlumat dəstinin xüsusiyyətindən asılı olaraq kateqoriya üzrə 100 və ya daha az təlim dəsti olan həşəratların taksonomik identifikasiyasında mütəxəssis səviyyəsində dəqiqliyə nail olan təsirli bir CNN xüsusiyyət ötürmə metodu hazırlayırıq. Xüsusilə, biz ImageNet məlumat dəstində əvvəlcədən hazırlanmış CNN arxitekturası VGG16-dan orta və yüksək səviyyəli təsvir xüsusiyyətlərinin zəngin təsvirlərini çıxarırıq. Bu məlumat hədəf problem üzrə öyrədilmiş xətti dəstək vektor maşın təsnifatına təqdim olunur. Biz yanaşmamızın performansını iki növ çətin taksonomik tapşırıq üzərində sınaqdan keçirdik: 1) həşəratların əvvəllər görünməmiş alt qruplara aid olma ehtimalı olduqda daha yüksək qruplara aid edilməsi və 2) vizual olaraq oxşar növlərin müəyyən edilməsi, hətta ayırmaq çətin olan növlərin müəyyən edilməsi. ekspertlər. İlk vəzifə üçün yanaşmamız çatdı

Həşəratların növlərə və ya daha yüksək taksonomik qruplara görə tez və etibarlı identifikasiyası bir çox kontekstdə vacibdir. Həşəratlar planetimizin bioloji müxtəlifliyinin böyük bir hissəsini təşkil edir və planetin ekosistemlərinin tərkibi və işləmə anlayışında irəliləyiş qismən onlarda yaşayan böcəkləri effektiv şəkildə tapmaq və tanımaq qabiliyyətimizdən asılıdır. İnsan qida və sağlamlığı ilə əlaqədar narahatlıqların aradan qaldırılmasında böcəklərin asan və dəqiq müəyyən edilməsinə də ehtiyac var. Bu cür tətbiqlərə bitkilərin zərərvericiləri (FAO 2015), xəstəlik vektorları (ÜTT 2014) və ya invaziv növlər (GISD 2017) olan həşəratların aşkarlanması daxildir.

Həşəratları müəyyən etmək çətindir, çünki onların böyük növ müxtəlifliyi [bu günə qədər təsvir edilmiş 1.02 milyondan çox növ (Zhang 2011)] və cinslər, rəng morfu, həyat mərhələsi və s. Sifarişlər kimi daha yüksək taksonomik qrupları ayırmaq, ancaq problemi müəyyən bir həyat mərhələsi, coğrafi bölgə və ya həşərat sırası ilə məhdudlaşdırmadıqca, hətta mütəxəssislər üçün belə vəzifə olduqca çətin olur. Ümumiyyətlə, taksonomik səviyyə nə qədər aşağı olarsa, eyniləşdirmə vəzifəsi bir o qədər çətinləşər (Şəkil 1). Növlər səviyyəsində, etibarlı eyniləşdirmə müəyyən bir böcək taksonu üzərində illərlə təhsil və ixtisas tələb edə bilər. Belə ekspert taksonomistlərə, xüsusən də nümayişkaranə və cəlbedici olmayan qruplar üçün tez-tez tələbat az olur və onların vaxtını adi identifikasiyalara sərf etmək daha yaxşı olardı.

Böcəklərin taksonomiyasının sxematik təsviri. Tam ağac iyerarxik sıralara bölünür, təxminən 1,02 milyon məlum növü və təsvir edilməli olan bir neçə milyonunu ehtiva edir. Nümunəni sifariş kimi daha yüksək rütbəli qrupa təsnif etmək, adətən, az miqdarda təlimlə nisbətən asandır. Taksonomik dərəcə aşağı düşdükcə problem və tələb olunan təcrübənin miqdarı əhəmiyyətli dərəcədə artır (yaşıldan qırmızıya keçid).

Böcəklərin taksonomiyasının sxematik təsviri. Tam ağac iyerarxik sıralara bölünür, təxminən 1,02 milyon məlum növü və təsvir edilməli olan bir neçə milyonunu ehtiva edir. Nümunəni sifariş kimi daha yüksək rütbəli bir qrupa təsnif etmək, təvazökar bir miqdarda təlimlə, ümumiyyətlə nisbətən asandır. Taksonomik dərəcə aşağı düşdükcə problem və tələb olunan təcrübənin miqdarı əhəmiyyətli dərəcədə artır (yaşıldan qırmızıya keçid).

Bu səbəblərə görə həşəratların identifikasiyası üçün avtomatlaşdırılmış təsvirə əsaslanan sistemlərin yaradılmasına çoxdan maraq var idi (Schröder et al. 1995 Weeks et al. 1997, 1999a, 1999b Gauld et al. 2000 Arbuckle et al. 2001 Watson et al. 2001 Watson et al. Tofilski 2004, 2007 ONeill 2007 Steinhage et al. 2007, Francoy et al. 2008 Yang et al. 2015 Feng et al. 2016 Martineau et al. 2017). Bu günə qədər dizayn edilmiş bütün sistemlər üçün ortaq xüsusiyyət onların əl işi xüsusiyyət çıxarışından asılı olmasıdır. "Əl işi" və ya "əl-mühəndis", xam məlumatlardan (bizim vəziyyətimizdəki şəkillərdən) uyğun xüsusiyyətlər çıxarmaq üçün bir alqoritm və ya əl proseduru kimi bir prosesin tətbiqinə istinad edən maşın öyrənmə və kompüter görmə sahəsində standart şərtlərdir. . Taksonomik identifikasiya üçün istifadə edilən xüsusiyyətlərə misal olaraq qanadların ventilyasiya nümunəsi, qanad damar birləşmələrinin nisbi mövqeyi və qanadın və ya bütün bədənin konturları daxildir. Baxmayaraq ki, bu sistemlərin bir çoxu yaxşı identifikasiya performansına nail olsa da, hər bir vəzifəyə uyğunlaşdırılmış xüsusi xüsusiyyətlərin çıxarılmasına ehtiyac onların praktikada istifadəsini məhdudlaşdırmışdır.

Son illərdə avtomatlaşdırılmış təsnifatda bir sıra problemlərə ən təsirli yanaşma kimi dərin öyrənmə (DL) və konvolyusion neyron şəbəkələri (CNN) ortaya çıxdı (LeCun et al. 2015 Schmidhuber 2015) və kompüter görmə qabiliyyətinin olduğu sahələrdən biridir. bu texnikalar transformativ təsir göstərmişdir. Əsas fikirlər uzun müddətdir mövcuddur (Fukushima 1979, 1980 Fukushima et al. 1983), lakin sinir şəbəkələrinin mürəkkəbliyi və ölçüsündə əhəmiyyətli bir artım və təlim üçün istifadə olunan məlumatların həcmində böyük bir artım möhtəşəm irəliləyişlər yaratdı. Son illərdə. Bu inkişaflar, öz növbəsində, müasir qrafik emal vahidlərinin (GPU) gətirdiyi əlavə hesablama gücü olmadan mümkün olmazdı.

Əl işi xüsusiyyətlərin çıxarılmasını tələb edən ənənəvi maşın öyrənmə yanaşmalarından fərqli olaraq, DL və CNN-lər bir sıra təlim məlumatlarından sona qədər öyrənməyə imkan verir. Uç-uca öyrənmədə, giriş şəkillər kimi etiketli xam məlumatlardan ibarətdir, başqa heç nə yoxdur. Görüntülər hətta fərqli görünüşləri, bədən hissələrini və ya həyat mərhələlərini təmsil edə bilər - CNN avtomatik olaraq əlindəki vəzifə üçün uyğun xüsusiyyətlər dəstini tapır. CNN -lər, nəzarət edilən öyrənmə üçün böyük etiketli təlim dəstlərinin mövcud olduğu görüntü təsnifat işlərində xüsusilə müvəffəqiyyətli olmuşdur. GPU ilə işləyən CNN-lərin ilk super insan performansı (Cireşan et al. 2011) 2011-ci ildə yol nişanları yarışmasında bildirilmişdi (Stallkamp et al. 2011). Sıçrayış, 2012 -ci ildə, AlexNet adlı bir CNN arxitekturası (Krizhevsky et al. 2012), ImageNet Böyük Ölçəkli Vizual Tanıma Çağırışında (Russakovsky və s. 2015) bütün digər sistemləri üstələdiyi zaman, 1000 kateqoriyaya bölünmüş 1.3 milyon şəkli əhatə etdi. "aslan", "fincan", "avtomobil təkəri" və fərqli cins pişik və itlər kimi. O vaxtdan bəri, CNN performansı daha dərin, daha mürəkkəb neyron şəbəkə arxitekturalarının inkişafı və təlim üçün daha böyük məlumat dəstlərinin istifadəsi sayəsində əhəmiyyətli dərəcədə yaxşılaşmışdır. DL inkişaf çərçivələrinin açıq mənbəli lisenziyalaşdırılması geniş tərtibatçı icmasını cəlb etməklə əlavə metodoloji irəliləyişlərə səbəb olmuşdur.

Mürəkkəb bir CNN -ni sıfırdan insan səviyyəsinə bərabər olan performans səviyyəsinə qədər öyrətmək üçün çoxlu sayda etiketli şəkillər tələb olunur və xeyli miqdarda hesablama mənbəyi sərf olunur, bu da əksər görüntü təsnifat işləri üçün xüsusi bir CNN hazırlamaq real deyil. Bununla belə, son bir neçə ildə aşkar edilmişdir ki, bir şəxs ümumi təsvirin təsnifatı tapşırığı üzrə təlim keçmiş CNN-dən istifadə edərək daha ixtisaslaşmış bir problemi həll etmək üçün istifadə edilə bilər. köçürmə təhsili (Caruana 1995 Bengio 2011 Yosinski et al. 2014 Azizpour et al. 2016). Bu, hesablama yükünü azaldır və eyni zamanda, tapşırıq üçün hazırlanan təlim orta və ya kiçik olsa belə, mürəkkəb bir CNN -in gücündən faydalanmağa imkan verir.

Transfer öyrənmənin iki variantı sınaqdan keçirilmişdir. Birincidə, incə tənzimləmə, əvvəlcədən yazılmış CNN, CNN-in xüsusi işi həll edə biləcəyi model parametrlərinin tənzimlənməsi ilə bir qədər dəyişdirilir. İxtisaslaşdırılmış tapşırıq orijinal tapşırığa bənzərsə (Yosinski və digərləri, 2014) yaxşı tənzimləmə yaxşı işləyir, lakin bunun üçün kifayət qədər təlim məlumatları və hesablama gücü tələb oluna bilər. Məlumat dəstləri kiçik olduqda o, həmçinin ixtisaslaşdırılmış tapşırığa həddən artıq uyğun gəlməyə həssasdır, çünki o, nadir kateqoriyanı qeyri-münasib xüsusiyyətlə, məsələn, həmin kateqoriyanın bir neçə təsvirində rast gəlinən xüsusi fon növü ilə yanlış əlaqələndirə bilər. təlim dəstində.

Transfer öyrənmənin ikinci variantı kimi tanınır xüsusiyyət transferivə əvvəlcədən hazırlanmış CNN -in avtomatlaşdırılmış xüsusiyyət çıxarıcı kimi istifadəsini nəzərdə tutur (Donahue və digərləri. 2014 Oquab və digərləri. 2014 Razavian et al. 2014 Zeiler və Fergus 2014 Azizpour və digərləri. 2016 Zheng və digərləri 2016). Əvvəlcədən hazırlanmış CNN, xüsusi bir vəzifə üçün təlim dəstinə məruz qalır və sonra məlumatlar aşağı və yüksək səviyyəli görüntü xüsusiyyətlərini ələ keçirərək CNN-in ara təbəqələrindən çıxarılır və aşağıdakı CNN təbəqəsi arxitekturasının təsvirinə baxın). Xüsusiyyət məlumatları daha çox xüsusi bir işdə dəstək vektor maşını (SVM) (Cortes və Vapnik 1995) kimi daha sadə bir maşın öyrənmə sistemini öyrətmək üçün istifadə olunur. Xüsusi tapşırıq orijinal tapşırıqdan fərqli olduqda, SVM-lərlə birlikdə xüsusiyyət ötürülməsi daha yaxşı işləməyə meyllidir. Hesablama baxımından daha səmərəlidir, daha kiçik görüntü dəstləri üçün işləyir və SVM -lər balanslaşdırılmamış məlumat dəstləri ilə işləyərkən, yəni bəzi kateqoriyaların çox az nümunə ilə təmsil olunduğu məlumat dəstləri ilə uyğunlaşmağa daha az həssasdırlar (He və Garcia 2009).

“Caltech-UCSD Birds-200-2011” (Birds-200-2011) (Wah et al. 2011) kimi bəzi bioloji təsvir məlumat dəstlərinin təsnifatını yaxşılaşdırmaq üçün son illərdə mürəkkəb CNN-lər və köçürmə öyrənilməsi uğurla istifadə edilmişdir. 200 növ, hər növ üçün 40-60 şəkil) və "102 Kateqoriya Çiçək Məlumatı dəsti" (Çiçəklər-102) (Nilsback və Zisserman 2008) (İngiltərədə tez-tez rast gəlinən 102 çiçək növü, hər növ üçün 40-258 şəkil) (Cədvəl 1) . Vətəndaş alimlərin qatdığı oxşar, lakin daha böyük məlumat dəstləri Merlin Bird ID (Van Horn və s. 2015), [email protected] (Joly və digərləri 2014) və iNaturalist (http:/ saytında mövcud olan veb tətbiq) kimi davam edən bir neçə layihədə araşdırılır. /www.inaturalist.org). Bu məlumat dəstləri, ən azından bəzi təlimlərlə, ümumiyyətlə insanlar üçün ayrılması asan olan növlərin açıq görünüşlərini əhatə edir və avtomatlaşdırılmış identifikasiya sistemləri hələ də insan mütəxəssisləri ilə dəqiqliklə rəqabət aparmır.

CNN-lərdən əvvəl bəzi avtomatlaşdırılmış görüntü identifikasiyası sistemlərinin və iki məşhur incə dənəli məlumat dəstləri (yəni, bir-birinə bənzər kateqoriyalara malik məlumat dəstləri) üzrə bəzi son müasir CNN əsaslı metodların performansının müqayisəsi Bird-200-2011 (Wah et al. 2011) və Flower-102 (Nilsback and Zisserman 2008)

Metodlar. Quş. Çiçək. İstinadlar.
CNN əvvəli üsullar
Rəng+SIFT 26.7 81.3 (Xan və başqaları, 2013)
GMaxPooling 33.3 84.6 (Mürrey və Perronnin, 2014)
CNN əsaslı texnika
CNNaug-SVM 61.8 86.8 (Razavian və digərləri, 2014)
MsML 67.9 89.5 (Qian və digərləri, 2014)
Fusion CNN 76.4 95.6 (Zheng və digərləri, 2016)
Billinear CNN 84.1 (Lin və digərləri, 2015)
Təmiz CNN 86.4 (Zhang və başqaları, 2017)
Metodlar. Quş. Çiçək. İstinadlar.
CNN əvvəli üsullar
Rəng+SIFT 26.7 81.3 (Xan və başqaları, 2013)
GMaxPooling 33.3 84.6 (Murray və Perronnin, 2014)
CNN əsaslı texnikalar
CNNaug-SVM 61.8 86.8 (Razavian və başqaları, 2014)
MsML 67.9 89.5 (Qian və digərləri, 2014)
Fusion CNN 76.4 95.6 (Zheng və başqaları, 2016)
Billinear CNN 84.1 (Lin və digərləri, 2015)
Təmiz CNN 86.4 (Zhang və başqaları, 2017)

Qeyd: Bütün CNN əsaslı metodlarda əvvəlcədən öyrədilmiş VGG16 və köçürmə təlimləri istifadə edilmişdir (Simonyan və Zisserman 2014). Nömrələr təlim zamanı istifadə olunmayan əvvəlcədən təyin edilmiş test dəstində düzgün müəyyən edilmiş şəkillərin faizini göstərir.

CNN-lərdən əvvəl bəzi avtomatlaşdırılmış görüntü identifikasiya sistemlərinin performansını və son iki ən müasir CNN-ə əsaslanan metodu iki məşhur incə məlumat dəsti üzərində müqayisə etmək (yəni, bir-birinə bənzər kateqoriyalara malik məlumat dəstləri), Bird-200-2011 (Wah et al. 2011) və Flower-102 (Nilsback və Zisserman 2008)

Metodlar. Quş. Çiçək. İstinadlar.
CNN əvvəli üsullar
Rəng+SIFT 26.7 81.3 (Xan və başqaları, 2013)
GMaxPooling 33.3 84.6 (Mürrey və Perronnin, 2014)
CNN əsaslı texnika
CNNaug-SVM 61.8 86.8 (Razavian və digərləri, 2014)
MsML 67.9 89.5 (Qian və başqaları, 2014)
Fusion CNN 76.4 95.6 (Zheng və başqaları, 2016)
Billinear CNN 84.1 (Lin və başqaları, 2015)
Təmizlənmiş CNN 86.4 (Zhang və başqaları, 2017)
Metodlar. Quş. Çiçək. İstinadlar.
Pre-CNN üsulları
Rəng+SIFT 26.7 81.3 (Xan və başqaları, 2013)
GMaxPooling 33.3 84.6 (Murray və Perronnin, 2014)
CNN əsaslı texnikalar
CNNaug-SVM 61.8 86.8 (Razavian və başqaları, 2014)
MsML 67.9 89.5 (Qian və digərləri, 2014)
Fusion CNN 76.4 95.6 (Zheng və digərləri, 2016)
İki tərəfli CNN 84.1 (Lin və digərləri, 2015)
Təmiz CNN 86.4 (Zhang və başqaları, 2017)

Qeyd: Bütün CNN əsaslı metodlarda əvvəlcədən öyrədilmiş VGG16 və köçürmə təlimləri istifadə edilmişdir (Simonyan və Zisserman 2014). Nömrələr, təlim zamanı istifadə edilməmiş əvvəlcədən təyin edilmiş test dəstindəki düzgün müəyyən edilmiş şəkillərin faizini göstərir.

Mövcud məqalənin əsas məqsədi, sistemçilərin əldə edə biləcəyi real ölçülü görüntü dəstləri və hesablama büdcələri nəzərə alınmaqla, dəqiq diaqnostik vasitələrin hazırlanmasında CNN xüsusiyyət ötürməsinin nə dərəcədə istifadə edilə biləcəyini araşdırmaqdır. Məqalə, yüksək səviyyəli identifikasiya dəqiqliyinin gözlənildiyi çətin və real taksonomik tapşırıqlara CNN xüsusiyyət transferinin ilk tətbiqlərindən birini təmsil edir. Əvvəlki tədqiqatlardan fərqli olaraq, burada təlim və doğrulama üçün istifadə edilən bütün müstəqil identifikasiyalar təsvir edilmiş nümunələrə çıxışı olan taksonomik ekspertlər tərəfindən təmin edilmişdir. Beləliklə, ekspertlər identifikasiya üçün kritik olan, lakin təsvirlərdə görünməyən simvolları, məsələn, yuxarıdan çəkilmiş nümunələrin ventral tərəfinin təfərrüatlarını araşdıra biliblər. Mütəxəssislər eyni zamanda identifikasiyanı asanlaşdıran toplama məlumatlarına da sahibdirlər.

İki növ çətin taksonomik vəzifələri araşdırdıq: 1) bir çox nümunənin əvvəllər görülməmiş alt qruplara aid olması ehtimalı olduqda daha yüksək qruplara təsnifat və 2) hətta mütəxəssislər üçün ayrılması çətin olan vizual oxşar növlərin müəyyən edilməsi. İlk vəzifə üçün, sırasıyla Diptera üzlərinin və Coleoptera'nın dorsal habitusunun müxtəlif şəkillərindən ibarət iki məlumat dəsti topladıq. İkinci tapşırıq üçün Coleoptera cinsinin yaxından əlaqəli üç növünün şəkillərindən istifadə etdik Oksitiriyavə doqquz növ Plecoptera larvası (Lytle et al. 2010). Avtomatlaşdırılmış identifikasiya sisteminin təhsili tamamilə orijinal şəkillərə əsaslanaraq, kompüterin eyniləşdirmə üçün əhəmiyyətli olan xüsusiyyətləri müəyyən etməsinə kömək etmək üçün heç bir işlənmədən istifadə edilməmişdir.

Bütün təcrübələrimizdə xüsusiyyətlərin çıxarılması üçün ImageNet məlumat dəstində (Simonyan və Zisserman 2014) əvvəlcədən hazırlanmış çəkilərlə CNN arxitekturasından VGG16 və təsnifat üçün xətti SVM-dən (Cortes and Vapnik 1995) istifadə etdik. İşimiz, yüksək identifikasiya dəqiqliyinə çatmaq üçün xüsusiyyət çıxarma texnikasını optimallaşdırmağa yönəlmişdir. Yanaşmamızın məhdudiyyətlərini anlamaq üçün avtomatlaşdırılmış identifikasiya sisteminin buraxdığı səhvləri də təhlil etdik. Nəhayət, tapıntılarımızın ümumiliyini təsdiqləmək üçün optimallaşdırılmış sistemimizi avtomatlaşdırılmış identifikasiya ilə bağlı son ədəbiyyatda öyrənilən bir neçə digər bioloji görüntü təsnifat tapşırıqları üzərində sınadıq.


Həşəratların Toplanması və Tanınması

Həşərat Toplama və Tanıma: Sahə və Laboratoriya Texnikaları, İkinci Nəşr, nümunələrin toplanması və identifikasiyası üçün düzgün hazırlanması üçün lazım olan bütün aspektlər üzrə qəti mətndir. Bu kitab molekulyar və genomik tədqiqatlar üçün yenilənmiş qorunma materialları və üsulları ilə yanaşı, müxtəlif həşərat taksonlarına son təsnifat dəyişikliklərini verən həşəratlar və əlaqəli artropodlar üçün ətraflı taksonomik açarları təqdim edir. Buraya nümunələrin yetişdirilməsi, saxlanması və göndərilməsi üsulları, həmçinin dəstəkləyici lüğət daxildir. Yeni bölmələr, həşəratların və digər artropodların rəsmi sinif daxilində və xaricində necə istifadə edilə biləcəyinə dair təkliflər verir və cinayət yerlərində həşərat toplamaq üçün hal -hazırda qəbul edilmiş prosedurları araşdırır.

Bu kitab, entomologiya mütəxəssisləri və toplanması və qorunması üçün ən müasir taksonomiya və üsulları axtaran tədqiqatçılar üçün zəruri bir istinaddır. O, artropodların asan identifikasiyası üçün illüstrativ və ətraflı məlumata ehtiyacı olan entomologiya tələbələri və peşəkarlar üçün dəyərli mənbə rolunu oynayacaq.

Həşəratların toplanması və identifikasiyası: tarla və laboratoriya üçün üsullar, ikinci nəşr, identifikasiya üçün nümunələrin toplanması və düzgün hazırlanması üçün tələb olunan bütün aspektlərə dair qəti mətndir. Bu kitab molekulyar və genomik tədqiqatlar üçün yenilənmiş qorunma materialları və üsulları ilə yanaşı, müxtəlif həşərat taksonlarına son təsnifat dəyişikliklərini verən həşəratlar və əlaqəli artropodlar üçün ətraflı taksonomik açarları təqdim edir. Buraya nümunələrin yetişdirilməsi, saxlanması və göndərilməsi üsulları, həmçinin dəstəkləyici lüğət daxildir. Yeni bölmələr, həşəratların və digər artropodların rəsmi sinif daxilində və xaricində necə istifadə edilə biləcəyinə dair təkliflər verir və cinayət yerlərində həşərat toplamaq üçün hal -hazırda qəbul edilmiş prosedurları araşdırır.

Bu kitab toplama və mühafizə üçün ən yeni taksonomiya və üsulları axtaran entomologiya mütəxəssisləri və tədqiqatçılar üçün zəruri istinaddır. Artropodların asan tanınması üçün illüstrativ və ətraflı məlumatlara ehtiyacı olan entomologiya tələbələri və peşəkarlar üçün dəyərli bir mənbə olaraq xidmət edəcək.


Həşəratların identifikasiyası - Biologiya

Həşəratların aşağıdakı fotoşəkilləri tələbələrə əsas həşərat identifikasiyasına kömək etmək üçün təqdim olunur. Nəzərə alın ki, sıra təsnifatı üçün istifadə olunanlara bənzər ikili açarlar həşəratları ailələrə və hətta daha da cins və növlərə ayırmaq üçün mövcuddur. Bu cür açarların istifadəsi əksər hallarda bu kitabın əhatə dairəsindən kənardır. Bununla belə, bəzi hallarda daha az yayılmış həşəratların müəyyən edilməsi üçün bunlara müraciət etmək lazım gələ bilər. Bu mətnin məqsədləri üçün, şagird həşəratı öz düzgün sırasına düzgün yerləşdirdikdən sonra, rəngli fotoşəkillərlə və ya digər düzgün müəyyən edilmiş nümunələrlə (məsələn, istinad kolleksiyalarında olanlar) müqayisə toplanmış həşəratlara ümumi adların verilməsinin məhsuldar üsulu ola bilər. . Aşağıdakı rəngli fotoşəkillərə əlavə olaraq, bir çox sahə bələdçiləri ailə və ümumi ad təsnifatında kömək edə bilər.

İndianadakı bütün 4-H və FFA tələbələrindən aşağıdakı həşərat siyahısı üçün sıra və ümumi adları tanımaq tələb olunur. İdentifikasiyaya kömək etmək üçün bunların hər birinin rəngli fotoşəkili həşəratın qısa təsviri, onun biologiyası, zərərvericilərin vəziyyəti və həyat dövrü ilə birlikdə verilir.

Həyat tarixi və mübarizə tövsiyələri ilə birlikdə zərərli mərhələdə seçilmiş zərərvericilər haqqında məlumatlar müşayiət olunan mətndə verilir. Radikal səhvləri necə idarə etmək olar, ID 403.

Purdue Extension Entomology, 901 West State Street, West Lafayette, IN 47907 USA, (765) 494-4554


Həşərat identifikasiyası - Biologiya

Lucid matrix açar proqramı, çox media identifikasiya açarlarını yaratmağa və onları CD və internet vasitəsilə yaymağa imkan verir. Discover Life, Veb əsaslı identifikasiya vasitələrinə malikdir. Burada məqsədimiz bu texnologiyaları necə birləşdirə biləcəyimizi göstərməkdir. Lucid qurucusundan istifadə edərək hazırlanmış və Discover Life vasitəsi ilə təqdim edəcəyimiz bir IDnature bələdçisinə çevrilən böcək sifarişlərinin identifikasiya açarını alırıq. Ümid edirik ki, bu tərəfdaşlıq həm CD -lərdə, həm də İnternet vasitəsi ilə çatdıra biləcəyimiz daha çox mütəxəssisin interaktiv açar hazırlamasına səbəb olacaq. Bu birgə səy 2003-cü ilin avqustunda başladı. Bacarırsınızsa, bizə kömək edin, hələ də milyonlarla növümüz var.

Aşağıdakı sifarişlər bələdçidədir. Daha çox öyrənmək üçün onların üzərinə klikləyin və ya Discover Life-da Insecta-ya keçin.

Böcəklər planetdəki növ müxtəlifliyinin böyük hissəsini təşkil edir. Milyonlarla həşərat növü mövcuddur və entomoloqlar onları Sifarişlər adlanan idarə edilə bilən sayda vahidlərə bölmüşlər. Hər bir həşərat Sifətinin üzvləri ortaq bir atadan əmələ gəlmiş, oxşar quruluş xüsusiyyətlərini bölüşmüş və ortaq olaraq müəyyən bioloji xüsusiyyətlərə malikdirlər.

Bütün həşərat ordenləri növ sayına görə bərabər deyil, bəzi Ordenlərdə cəmi bir neçə yüz növ var, digərlərində isə 100.000-dən çox növ var. Struktur xüsusiyyətlərin və bioloji xüsusiyyətlərin çeşidi daha çox növlərlə zəngin olan Sifarişlərdə daha geniş olmağa meyllidir.

Bir həşəratın biologiyası, davranışı və ekologiyası haqqında proqnozlar onun Sifarişini bildikdən sonra edilə bilər. Bəs bir həşəratın aid olduğu Sifarişi necə bilmək olar? Böcəkləri müxtəlif yollarla müəyyən etmək olar. Nümunəni müəyyən edilmiş həşəratların illüstrasiyalar kitabı ilə müqayisə etmək bir yoldur. Çap edilmiş bir açar istifadə etmək başqa bir yoldur. Bu kompüter açarı bu metodların üstünlüklərini özündə birləşdirir və identifikasiya prosesinə yeni bir sadəlik və güc əlavə edir.

Bu sadə açar sifariş vermək üçün ən çox yayılmış yetkin həşəratları müəyyən etmək üçün nəzərdə tutulmuşdur. Açar qabaqcıl orta məktəb tələbələri, yeni başlayan bakalavrlar və entomologiya ilə maraqlanan digər şəxslər tərəfindən istifadə üçün nəzərdə tutulmuşdur. Açarı ona görə yazdıq ki, şagirdlər həşəratları tanıyarkən onların quruluşunu və biologiyasını öyrənsinlər.

Bu açarda həşəratlarla yaxından əlaqəli olan üç buğumayaqlılar qrupunu (Protura, Collembola və Diplura) daxil etdik.

Bir həşəratın yetkin olduğunu necə anlamaq olar və bu düyməni istifadə edərək müəyyən edilə bilərmi? Sadə cavabı olmayan sadə bir sualdır. Əgər böcəyinizin tam inkişaf etmiş, funksional qanadları varsa, o, yetkindir. Ancaq bəzi yetkin böcəklər azaldı, işləməyən qanadlar, digərlərində isə ümumiyyətlə qanad yoxdur. Bu vəziyyətdə, yetkin formalarda qarın ucunda genital orqanlar tam inkişaf etmişdir.


Videoya baxın: Kafkas Arısı SERKA Caucasian Honey Bee (Dekabr 2022).