Preventive Detection of Mosquito Populations using Embedded Machine Learning on Low Power IoT Platforms
Notice bibliographique
Résumé
We can accurately detect mosquito species with 80% accuracy using frequency spectrum analysis of insect wing-beat patterns when mapped to low-power embedded/IoT hardware. We combine energy-efficient hardware acceleration optimizations with algorithmic tuning of signal processing and machine-learning routines to deliver a platform for insect classification. The use of low power accelerator blocks in cheap embedded boards such as the Raspberry Pi 3 and Intel Edison, along with performance tuning of the software implementations enable a competitive implementation of mosquito classification task on standard datasets. Our approach demonstrates a concrete application of embedding intelligence in edge devices for reducing system-level energy needs instead of simply uploading sensory data directly to the cloud for post-processing. For the mosquito classification task, we are able to deliver classification accuracies as high as 80% with Intel Edison processing times as low as 5 ms per set of 8K audio samples and an energy use of 5 mJ per sample (2 months of continuous non-stop use on an AA battery with 2000 mAh capacity or longer depending on insect activity). We envision a network of connected sensors and embedded/IoT platforms deployed in vulnerable such as construction sites, mines, areas of known mosquito activity, ponds, riverfronts, or other areas with standing water bodies. In our experiments, targeting a 20% packet loss rate, we observed the ad-hoc WiFi range for mesh networks using the Raspberry Pi 3 boards to be 14 m while the Photon board connecting to infrastructure WiFi router nodes can stretch this to 35 m.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».