DBU-Abschlussbericht-AZ

Abschlussbericht
Projekt
Bioakustische Detektion von
Getreidevorratsschädlingen
gefördert durch die
Deutsche Bundesstiftung Umwelt
AZ:25124-34
Zeitraum September 2008 – November 2011
Verfasser:
Univ.- Prof. Dr.- Ing. Thomas Becker
TECHNISCHE UNIVERSITÄT MÜNCHEN
Wissenschaftszentrum Weihenstephan
Lehrstuhl für Brau- und Getränketechnologie
Weihenstephaner Steig 20
85354 Freising
BVL Benedikt von Laar
Gut Klein Görnow
Am Wendeplatz 2/3
19406 Klein Görnow
Schapfenmühle GmbH & Co. KG
Franzenhauserweg 21
D-89081 Ulm/Jungingen
Inhaltsverzeichnis
1.
Zusammenfassung .......................................................................................................................... 3
2.1 Anlass und Zielsetzung des Projektes .......................................................................................... 3
2.1.1 Problemstellung und Lösungsweg ......................................................................................... 3
2.1.2 Stand der Forschung .............................................................................................................. 4
2.1.3 Erfahrungen der Projektpartner ............................................................................................. 5
2.1.4 Umweltrelevanz des Vorhabens ............................................................................................ 6
2.2 Darstellung der Arbeitsschritte und der angewandten Methoden ................................................. 7
2.2.1 Lösungskonzept und Beschreibung der Arbeitspakete ......................................................... 7
2.2.2 Zeitplan................................................................................................................................... 9
2.3 Vorbereitende Arbeiten ........................................................................................................... 11
2.3.1 Aufbau von Kornkäferzuchtstämmen und Darstellung verschiedener ‚Lebenssituationen‘ . 11
2.3.2 Sensorentwicklung ............................................................................................................... 11
2.3.3 Bewertung der Mikrophon-Sensoren ................................................................................... 12
2.3.4 Aufnahme von Referenzsignalen ......................................................................................... 14
2.3.5 Signalverarbeitung ............................................................................................................... 15
2.4 Ergebnisse und Anwendung ....................................................................................................... 19
2.4.1 Erzeugung der Datenbank für das Erfassungssystem ........................................................ 19
2.4.2 Entwurf des neuronalen Netzwerks .................................................................................... 20
2.4.3 Testen des Erfassungssystems ........................................................................................... 21
2.4.4 Implementierung der Käferdetektion auf einem Mikrokontroller (MC) und Entwicklung eines
Handgerätes .................................................................................................................................. 22
2.4.5 Diskussion der Ergebnisse .................................................................................................. 24
2.5 Öffentlichkeitsarbeit ..................................................................................................................... 25
2.5.1 Veröffentlichungen ............................................................................................................... 25
2.5.2 Wissenstransfer zwischen den Forschungsstellen .............................................................. 25
2.5.3 Umsetzung in die Wirtschaft ................................................................................................ 26
2.6 Fazit............................................................................................................................................. 26
3.
Literaturverzeichnis ....................................................................................................................... 27
4.
Appendix ....................................................................................................................................... 29
Abbildungsverzeichnis
Abbildung 1: Erwachsener Kornkäfer und Getreidekäfer ....................................................................... 4
Abbildung 2: Signal eines (a) Kornkäfers und von (b) Copris hispanus. ................................................ 5
Abbildung 3: (a) Befallene Getreideprobe; (b) Anbohren des Getreidekorns; (c) Adulter Kornkäfer ... 11
Abbildung 4: Abbildung eines Lanzensensors ...................................................................................... 12
Abbildung 5: Vergleich der Signale von Beschleunigungssensor und Luftschallsensor ..................... 12
Abbildung 6: Vergleich der Signale des Luftschall- und des Piezokontaktsensors. ............................. 13
Abbildung 7: Analyse des Signals im Frequenzbereich.. ...................................................................... 14
Abbildung 8: Aufnahme eines Referenzsignals .................................................................................... 14
Abbildung 9: Aufgenommenes Signal mit einer Abtastfrequenz von 96.0000Hz ................................. 15
1
Abbildung 10: Untersuchung der Signale für verschieden Frequenzbänder ........................................ 16
Abbildung 11: Schematische Darstellung für die Aufteilung des aufgenommenen Geräusches ......... 16
Abbildung 12: Vergleich der erreichten Auflösung zwischen der Fourier- und Wavelet-Transformation.
...................................................................................................................................................... 17
Abbildung 13: Die Darstellung der häufigsten Fensterfunktionen im Zeit- und Frequenzbereich ........ 18
Abbildung 14: Darstellung für den Feature-Auswahl-Algorithmus.. ...................................................... 19
Abbildung 15: Signal mit und ohne Kornkäfergeräusche (Peaks). ....................................................... 20
Abbildung 16: Neuronales Netz. ........................................................................................................... 20
Abbildung 17: Aufbau eines Neuron ..................................................................................................... 20
Abbildung 18: Ergebnis des neuronalen Netzwerks für einen Audio-Stream von 35 Sekunden Länge.
...................................................................................................................................................... 21
Abbildung 19: 8-Bit-MC und 32-Bit-MC. ................................................................................................ 22
Abbildung 20: Beschreibung der Nomenklatur der 8 LED‘s. ................................................................ 23
Abbildung 21: Abbildung des 8-Bit MC-Prototypen. ............................................................................. 23
2
1. Zusammenfassung
Getreideschädlinge und deren Folgeschäden (Schimmel, Mehltau) können 20% der
Ernte zerstören. Ihre Beseitigung ist ohne genaue Kenntnisse des Befallsortes und
Befallsausmaßes schwierig, und es kann aufgrund des Einsatzes von
Begasungsmitteln zu Umweltschäden kommen. Die ökonomischen Schäden für
Getreidekörner durch Kornkäferbefall können durch bioakustische Erkennung in
einer frühen Befallsphase und eine angemessene Behandlung verringert werden.
Aufgrund der verborgenen Lebensweise der Käfer ist die Früherkennung mit
herkömmlichen Methoden bislang nicht möglich. Akustische Signale von Kornkäfern
beinhalten allerdings zeitliche und spektrale Eigenschaften, welche die Detektion der
Käfer ermöglichen. Die Ergebnisse des Projektes zeigen, dass die markanten
spektralen und zeitlichen Merkmale der Kornkäfergeräusche kombiniert werden
können, um Indikatoren für die automatische Erkennung der befallenen Körner zu
erhalten. Das entwickelte Messsystem ist in der Lage, aufgenommene Signale
automatisch auszuwerten und die Anwesenheit von Kornkäfern mit einer
Genauigkeit von 86 % zu erkennen. Diese Genauigkeit kann auf 93 % erhöht
werden, wenn schnellere Mikrokontroller verwendet werden.
2.1 Anlass und Zielsetzung des Projektes
2.1.1 Problemstellung und Lösungsweg
Getreidevorratsschädlinge wie der Kornkäfer (Sitophilus granarius) oder der
Getreidekäfer (Oryzaephilus surinamensis) verursachen seit langem erhebliche
wirtschaftliche Schäden in der Landwirtschaft und weiterverarbeitenden
Industriezweigen. Da Aktivität und Reproduktionsrate dieser Insekten stark von der
Umgebungstemperatur abhängen, wird deren vermehrtes Auftreten durch die
steigenden Jahresdurchschnittstemperaturen zusätzlich begünstigt. Wichtigste
Maßnahme gegen den Schädlingsbefall ist die Begasung der Getreidespeicher mit
Monophosphangasen (bzw. Brommethan) und deren Derivaten durch entsprechend
spezialisierte Fachbetriebe. Monophosphan ist ein sehr starkes Nerven- und
Stoffwechselgift, das nicht nur bei Insekten sondern auch bei Menschen und bereits
in niedriger Konzentration hochgiftig wirkt. Um den Einsatz von Begasungsmitteln zu
verhindern bzw. nachhaltig reduzieren zu können, soll im Rahmen des vorliegenden
Forschungsvorhabens ein praxistaugliches Gerät zur automatischen akustischen
Früherkennung von Getreideschädlingen entwickelt werden.
Meist erfolgt die Ausbreitung durch Einschleppung von befallenem Getreide.
Schädlingsbefall breitet sich punktuell von den Befallszentren aus. Gelingt es, diese
Zentren frühzeitig zu detektieren und aus dem Lagerbestand zu entfernen, kann die
Populationsdynamik der Schädlinge wesentlich verlangsamt werden. Der
Funktionsumfang soll den Anwendern neben der Detektion von Schädlingen in
Lagern und Silos auch die Möglichkeit geben, das Gerät zur Qualitätssicherung bei
der Rohstoffanlieferung einsetzen zu können.
Für einen geübten Bioakustiker ist es aufgrund seiner Erfahrung relativ einfach
möglich, zuverlässige Aussagen über den Befallszustand einer Getreideprobe zu
machen. Unerfahrene Personen haben große Schwierigkeiten bei der folgerichtigen
Interpretation von Schädlingsgeräuschen. Wichtigstes Entwicklungsziel ist deshalb
die Integration des Wissens erfahrener Anwender in ein Gerät, welches Geräusche
aufzeichnet, verstärkt und mit einer Auswertelogik die automatische Erkennung für
den Anwender übernimmt. Dieses Ziel erfordert zunächst das Erstellen einer
ausreichend großen Datenbasis des möglichen Geräuschspektrums der Schädlinge
in allen Entwicklungsstadien. Des Weiteren müssen geeignete Algorithmen
3
(chemometrische Methoden, künstliche neuronale Netze, Fuzzy Logic) zur
Extraktion der Charakteristika der aufgenommenen Geräusche entwickelt, bzw.
angepasst und in eine Auswerteelektronik integriert werden. Der innovative
Charakter des Projekts liegt in der Kombination bzw. Erweiterung von
bioakustischen Methoden mit modernen Mitteln der Mustererkennung. Die
Ergebnisse können auch auf andere Aufgabenstellungen der Bioakustik übertragen
werden, wie z. B. Erkennung geschützter Käferarten wie Eremit und Hirschkäfer.
2.1.2 Stand der Forschung
Kornkäfer (vgl. Abbildung. 1) verursachen pro Jahr bis zu 20% an Ernteverlusten.
Derzeit sind mehrere Kommissionen daran beteiligt, Notmaßnahmen zu entwickeln,
um eine weitere Ausbreitung der Kornkäfer zu verhindern.
Das gesamte Larvenstadium der Kornkäfer spielt sich innerhalb eines Getreidekorns
ab, dies hat zur Folge, dass Kornkäferbefall im Frühstadium nur schwer erkannt
werden kann.
Abbildung 1: (a) Erwachsener Kornkäfer (Sitophilus granarius) und (b) der
Getreidekäfer (Oryzaephilus surinamensis).
Mit einer geeigneten Frühzeiterkennung und entsprechender Behandlung kann der
wirtschaftliche Schaden reduziert werden.
Schädlingsbefall breitet sich meist punktuell von den Befallszentren aus, weshalb zur
Befallsvermeidung und Früherkennung verschiedene Maßnahmen eingesetzt
werden. Dazu gehören strenge hygienische Bedingungen vor und nach der
Getreideanlieferung, die kontinuierliche Kontrolle von Temperatur, CO 2-Gehalt und
Feuchte, die Einhaltung kühler Lagerbedingungen, die Trocknung des Getreides auf
einen Feuchtegehalt unter 12%, die Inspektion von Rohware oder das Aufstellen von
Fallen. Im Rahmen der genannten Maßnahmen kommen auch bioakustische
Methoden zum Einsatz. Mittels sogenannter „Larvenlauscher“, einer Kombination
aus Mikrophon, Verstärkungselektronik und Kopfhörer, besteht die Möglichkeit,
Fressgeräusche zu detektieren und Aussagen über die Kontamination zu treffen.
Hinderlich bei der kommerziellen Verbreitung dieser Geräte ist, dass es sich um eine
subjektive Wahrnehmung der Geräusche handelt und nur sehr erfahrene Anwender
zuverlässige Aussagen treffen können. Veränderte Umgebungsbedingungen,
Störgeräusche, Temperaturschwankungen, unterschiedliche Entwicklungsstadien
und Anzahl der Insekten sowie Befall mit andern Schädlingsarten erschweren eine
Beurteilung des Befallszustands durch das menschliche Ohr. Hinzu kommt, dass
von den Getreideschädlingen möglicherweise auch Schall außerhalb des
menschlichen Hörbereiches (z. B. Ultraschall) emittiert wird. Dieser ist mit der
klassischen Lauschmethode nicht zu detektieren, entzieht sich aber nicht einer
automatischen Analyse, die Aufnahmen im Frequenzbereich bis 100kHz ermöglicht.
4
Akustische Aufnahmen von Kornkäfern zeigen oftmals Analogien in ihrem spektralen
und zeitlichen Verhalten, dies ermöglicht die eindeutige Erkennung und Zuordnung
der akustischen Signale (Mankin et al. 2002). Als weiterer Vorteil für die akustische
Detektion ist die Lebensweise der Kornkäfer zu betrachten, Die hohe ReproduktionsRate der Kornkäfer hat zur Folge, dass sie von anderen Insekten getrennt leben.
Durch diese Eigenschaft kann gewährleistet werden, dass aufgezeichnete
Geräusche nur von Kornkäfern stammen.
Des Weiteren zeigen Kornkäfer im Vergleich zu anderen Käfern eine unstrukturierte
Dynamik in ihren Aktivitäten (d.h. nicht einzigartig). Dies bedeutet, dass die
Tonsignale nicht markant und nur schwer voneinander zu unterscheiden sind (vgl.
Abbildung 2a). Die Töne anderer Käfer wie Copris hispanus (Palestrinic et al. 1991;
Drosopoulos & Claridge 2006) zeigen ein Muster während der Kommunikation
untereinander. Diese sind markant und klar zu erkennen (vgl. Abbildung 2b).
(b)
(a)
Abbildung 2: Signal eines (a) Kornkäfers und von (b) Copris hispanus.
Bei Verwendung von hoch empfindlichen Mikrofonen besteht die Möglichkeit, Fressund Bewegungsgeräusche der Käfer aufzunehmen (Mizrach et al. 2003; Hetzroni et
al. 2004; Soroker et al. 2004, 2006). Automatisierte akustische Analysen für nicht
sichtbaren Insektenbefall konzentrieren sich bisher in erster Linie auf spektrale
Aspekte der von Insekten produzierten Tönen (Mankin et al. 2000, 2001, 2007).
Zeitliche Muster wurden durch Zhang et al. (2003) betrachtet. Bei der Einstufung von
Larventönen (Knacken, Rascheln oder sich wiederholende Pulse) kann beobachtet
werden, dass verschiedene Insekten deutlich unterschiedliche Klangmuster
aufweisen (Andrieu & Lessard 1990; Mankin et al. 1997).
Verschiedene
Kornkäferaktivitäten,
einschließlich
Bewegungsund
Futtergeräuschen, können aufgezeichnet werden. Um die Existenz von Kornkäfern
nachzuweisen, spielt die Betrachtung der Bewegungsgeräusche eine
untergeordnete Rolle. Diese Geräusche sind nahezu identisch mit denen anderer
Käfern und daher nicht unterscheidbar. Im Gegensatz dazu sind der Kurvenverlauf,
sowie das Sonogramm der Fraßgräusche kennzeichnend für Kornkäfer und können
zu deren Identifizierung genutzt werden.
2.1.3 Erfahrungen der Projektpartner
BVL verfügt über große Erfahrung bezüglich der manuellen Vermessung und
Zuordnung von Signalen; insbesondere bei Fledermäusen, Schweinswalen,
verschiedenen Schadinsekten (Red Palm Weevil, Hausbock, asiatischer
Laubholzbock) und weiteren Insekten (Nachtfalter). Zusätzlich besitzt BVL Erfahrung
in Bezug auf die Zucht verschiedener Käferarten. Die Käferaufzucht, die ursprünglich
bei BGT bzw. Biopark geplant war, wurde daher von BVL übernommen. Zudem
besitzt BVL Wissen bei der Fertigung von Spezialsensoren und Vorverstärkern.
Aufgrund des Umzugs der Forschungsgruppe von der Universität Hohenheim an die
Technische Universität München, wurde der Name von LPG (Lehrstuhl für
5
Prozessanalytik und Getreidetechnologie) in BGT (Lehrstuhl für Brau- und
Getränketechnologie) geändert. BGT besitzt große Erfahrung in der digitalen
Signalverarbeitung (Extraktion spektraler und temporaler Merkmale aus Bild- und
Schallsignalen) und in der Erstellung von Klassifikationsmethoden, wie künstliche
neuronale Netzwerke. Diese werden in den verschiedensten Bereichen, wie
Gärprozessen, Teigbeobachtung, Reinigungsprozessen und anderen, erfolgreich
angewandt. Zudem programmiert BGT seit vielen Jahren 32-Bit-BlackfinMikrokontroller und wendet sie in verschiedenen Bereichen der Schallerkennung an.
Die Firma Schapfenmühle GmbH & Co. KG hat einen weiten Einzugsbereich an
Getreidelieferanten und verarbeitet sowohl konventionell angebautes, als auch nach
den Richtlinien des ökologischen Landbaus produziertes Getreide. Somit hat sie
sowohl bei der Qualitätssicherung der Rohstoffe, als auch der Getreidelagerung
großes Interesse an einer einfach anwendbaren, zuverlässigen, und
umweltfreundlichen Methode der Schädlingserkennung. Wichtiger Aspekt bei der
Einbindung ist das Projekt ist die Bereitstellung von befallenen Getreideproben.
2.1.4 Umweltrelevanz des Vorhabens
Der Kornkäfer wurde ursprünglich aus dem Gebiet des fruchtbaren Halbmondes
(heute: Syrien, Türkei, Irak) nach Europa eingeschleppt und konnte erstmals in
Grabbeigaben der Pharaonen nachgewiesen werden. Seitdem hat er sich als
Kulturfolger der menschlichen Lebensweise optimal angepasst. Er ist in der freien
Natur nicht mehr zu finden, hat seine Flugfähigkeit verloren und ist ausschließlich in
Lagerstätten zu finden. Seine Verbreitung erfolgt durch die Handelskette vom
Erzeuger zum Endverbraucher. Durch den globalisierten Handel und
unterschiedliche Hygienestandards der teilnehmenden Länder steigen die
Kontaminationsmöglichkeiten und es nicht auszuschließen, dass weitere Schädlinge
eingeschleppt werden.
Umweltbelastende Aspekte beim Auftreten von Schädlingsbefall ergeben sich durch
die übliche Praxis, Getreidelager mit auch für den menschlichen Organismus
hochgiftigem Monophosphan bzw. Brommethan zu begasen. Über den tatsächlichen
Einsatz von Begasungsmitteln liegen keine aussagekräftigen Statistiken vor. Andere
gängige Maßnahmen, wie der Einsatz von Heißluft über 45°C, zur Abtötung der
Schädlinge haben einen hohen Energieeinsatz zur Folge und erfordern eine
flächendeckende Hitzeeinwirkung an allen Stellen im Getreidelager. Anderenfalls
kann es zu Rückkontaminationen kommen und der Bekämpfungsprozess muss neu
eingeleitet werden. Die Bekämpfungsmethoden gegen Vorratsschädlinge haben sich
zwar in den letzten 15 Jahren zugunsten von physikalischen Verfahren und dem
Einsatz von CO2 und/oder Inertgasen wie Stickstoff verschoben, dennoch setzen
auch hochentwickelte Industriestaaten nach wie vor Insektizide und Begasung ein.
Dies liegt auch daran, mit toxischen Mitteln verschiedenste Arten von Schädlingen
gleichzeitig abtöten zu können, während bei physikalischen Verfahren
unterschiedlichere Toleranzen bei einzelnen Schädlingsarten existieren und die
Verfahren mit vermehrtem Aufwand angepasst werden müssen.
Da der Kornkäfer durch seine Flugunfähigkeit nicht bzw. nur sehr eingeschränkt in
der Lage ist, sich auf natürlichem Weg zu verbreiten, beruht ein langfristiger,
erfolgreicher Vorratsschutz auf der Kombination von Vermeidung und
Früherkennung. Die umweltrelevanten Aspekte des geplanten Vorhabens bestehen
deshalb darin, dem Markt eine Möglichkeit zu bieten, Schädlinge und Befallsdichte in
Getreidelagern und Rohstofflieferungen zuverlässig zu erkennen und dadurch
Bekämpfungsmaßnahmen zu reduzieren bzw. ganz zu vermeiden.
6
2.2 Darstellung der Arbeitsschritte und der angewandten Methoden
2.2.1 Lösungskonzept und Beschreibung der Arbeitspakete
Ziel des vorliegenden Forschungsvorhabens ist die Entwicklung einer
kostengünstigen, lernenden und praxistauglichen Lösung zur automatischen,
akustischen Früherkennung von Getreideschädlingen (Preisbereich unter 6.000.- €).
Im Folgenden werden die notwendigen Arbeitsschritte des Lehrstuhls für Brau- und
Getränketechnologe (BGT) und der Kooperationspartner (BVL, Schapfenmühle)
beschrieben.
1. Aufbau und Erweiterung der hauseigenen Zuchtanlage für Getreideschädlinge
der Firma BVL
2. Isolation verschiedener Entwicklungsstadien aus der Zuchtanlage
3. Akustische Messungen seitens BVL in der Zuchtanlage und im Praxisumfeld
4. Datensichtung und Aufbau einer möglichst breiten Datenbasis aller
vorkommenden Schädlingsgeräusche in unterschiedlichen
Entwicklungsstadien
5. Vorauswahl und Beurteilung geeigneter Algorithmen am BGT
6. Analyse der Datenbasis. Programmierung und Adaption der
Auswertealgorithmen am PC
7. Hardwareadaption eines bereits am BGT vorhandenen
Mikrokontrollersystems
8. Integration des von BVL entwickelten Stabmikrophons und der
Verstärkereinheit in das Mikrokontrollersystem. Aufbau einer
Speicherschnittstelle (SD Karte, MMC Karte, USB Port)
9. Übertragung und Programmierung der unter Punkt 5 entwickelten Algorithmen
auf den Mikrokontroller
10. Aufbau einer Kornkäferzucht am BGT
11. Aufnahme und Überprüfung der ausgegebenen Befallszenarien in den
Zuchtanlagen
12. Sukzessive Verbesserung und Adaption der Auswertelogik
13. Praxiseinsatz bei den Kooperationspartnern BVL und Schapfenmühle
14. Eliminierung von Störeinflüssen und evtl. auftretenden Nebengeräuschen
mittels geeigneter Filteralgorithmen, weitere Adaption der Auswertelogik an
Praxisbedingungen
Wichtigste Grundlage zur automatischen Erkennung ist eine ausreichend große
Datenbasis des gesamten Geräuschspektrums der Schädlinge (3). Dieser
Arbeitsschritt wird in Getreidelagern (Schapfenmühle) und in einer Zuchtanlage
durchgeführt. Um die im Feldversuch aufgenommenen Geräusche eindeutig einer
Art zuordnen zu können und detaillierte Aufnahmen unabhängig von Störgeräuschen
und saisonalen Bedingungen zu erhalten, wird eine eigene Kornkäferzucht
betrieben. Diese dient als Referenz für die Geräusche abhängig von Anzahl, Alter
und Entwicklungsstadium der Käfer (2). Um die Charakteristiken des
Geräuschspektrums anderer Getreideschädlinge festlegen zu können, ist im
Rahmen des Projektverlaufs eine Erweiterung der Zuchtanlage für Schädlinge wie
den Getreidekäfer und Gespinstmotten vorgesehen (1).
Die erhaltenen Dateien werden aufgearbeitet (4) und mit geeigneten Algorithmen
ausgewertet (5). Dazu sollen verschiedene Methoden der Datenverarbeitung, wie
z. B. künstliche neuronale Netze, oder Fuzzy Logik zum Einsatz kommen. Um eine
Arterkennung erfolgreich durchführen zu können, müssen eindeutige Charakteristika
7
aus den aufgenommenen Geräuschen extrahiert werden. Besonders bei
biologischen Systemen erschwert neben Störgeräuschen die natürliche
Schwankungsbreite eine exakte Reproduzierbarkeit. Neuronale Netze können trotz
dieser ungünstigen Umstände Charakteristika im Signalverlauf erkennen. Dazu ist es
notwendig, sie mit einer umfangreichen Datenbasis zu trainieren. Eigene Vorarbeiten
zeigen, dass mit dieser Methode der maximale Informationsgehalt aus den Dateien
extrahiert werden kann. Nach erfolgreichem Training besitzt das neuronale Netz die
Fähigkeit, einen vorliegenden Befall zu erkennen. In einem weiteren Schritt erfolgt
dann eine Analyse bezüglich Artzugehörigkeit und Befallsdichte. Unterstützend zu
neuronalen Netzen ist die Auswertung der Signalverläufe mit Fuzzy Logik geplant.
Diese Technik bietet sich an, wenn zusätzlich zu den Audiodateien andere
Messgrößen wie Temperatur, Luftfeuchtigkeit und Jahres- bzw. Tageszeit bekannt
sind. Fuzzy Logik zeichnet sich durch eine unscharfe Verknüpfung der
Eingangsgrößen in Form von Wenn… Dann… Verknüpfungen aus. Der Einsatz von
Fuzzy Logik erlaubt auf einfache Weise, zusätzliches Wissen über die Beeinflussung
des Signalverlaufs zu integrieren. Beispielsweise lässt die Verknüpfung „Wenn
Außentemperatur ist niedrig und Signalpegel ist hoch“ den Rückschluss auf eine
gesteigerte Aktivität im Getreidelager mit eventueller Eigenerwärmung zu. Die
Zahlenwerte für niedrig und hoch lassen sich anhand der Erfahrungswerte für die
jeweilige Schädlingsart festlegen. Durch das Aufstellen verschiedener
Verknüpfungen unter Einflussnahme äußerer Störparameter kann die
Zuverlässigkeit des Systems weiter erhöht werden.
Die Entwicklung der Algorithmen erfolgt mittels des Softwarepakets Matlab am PC
(6). Dies macht es einfacher, den Datenpool zu verwalten, verschiedene
Berechnungsmethoden auszutesten, den Zeitaufwand für Berechnungen
abzuschätzen und Optimierungen vorzunehmen.
Aufgrund der mehrjährigen erfolgreichen Hardwareentwicklung besteht die
Möglichkeit, eine bereits entwickelte Mikrokontrollerplatine zur Aufnahme und
Verarbeitung von Signalen zu verwenden. Die Mikrokontrollerplatine besteht aus
einem schnellen digitalen Signalprozessor (DSP von Analog Devices, 600Mhz
Taktfrequenz), Arbeitsspeicher, Verstärker und Filtereinheit, Analog Digital Wandler,
Schnittstellen zur Datenaufzeichnung von piezoelektrischen Ultraschallsendern und
einer Elektronik zur Emission von Schallimpulsen. Durch ihre Spezifikationen ist sie
optimal für die Aufzeichnung und Weiterverarbeitung von bioakustischen Messdaten
geeignet. Die vorhandene Elektronik soll auf bioakustische Fragestellungen adaptiert
werden (7). Dazu gehört die Anpassung von Filterbausteinen und
Operationsverstärkern, die Festlegung einer optimalen Samplegeschwindigkeit, das
Speichermanagement, das Gehäusedesign, der Anschluss eines Displays und die
Integration eines Betriebssystems (embedded Linux). Weiterhin muss die
Verstärker- und Mikrofoneinheit in die Platine integriert werden (8). Für die
Aufnahme einer Audiosequenz mit einer Abtastfrequenz von 44.100Hz (üblicher
Wert bei Messungen im Hörbereich) und einer Auflösung von 16Bit benötigt man ca.
0.088 Megabyte pro aufgenommene Sekunde. Dieser relativ hohe Wert zeigt, dass
bei Aufnahmen im Feldeinsatz ein großer Speicherbedarf zur Archivierung der
Audiodateien besteht. Um die Aufnahme und Detektion mit einem Gerät
bewerkstelligen zu können, muss die Mikrokontrollerplatine um eine
Speicherschnittstelle erweitert werden. Durch die schnelle Entwicklung in diesem
Bereich werden die genauen Spezifikationen der Schnittstelle (USB, SD, MMC)
während des Projektverlaufs entschieden. Als nächstes Arbeitspaket (9) erfolgt die
Programmierung des Mikrokontrollers mit den unter Punkt 6 entwickelten
8
Algorithmen. Dazu ist sowohl eine speziell an den Prozessor angepasste
Entwicklungsumgebung als auch ein Emulator zum Aufspielen der Software nötig.
Die genauen Spezifikationen sind unter den Sachausgaben des Antragstellers
aufgeführt.
Die weiteren Arbeitsschritte (10-14) dienen der Kontrolle und sukzessiven
Verbesserung der Auswertelogik durch überprüfende Messungen im Labor- und
Praxisbereich. Der ursprünglich geplante Aufbau einer Kornkäferzucht am BGT (10)
wird nach Absprache mit der DBU nicht durchgeführt. Die notwendige Kontrolle der
Auswertelogik, insbesondere während der ersten Entwicklungsphase wird mit
Messungen und Ergebnissen aus der Zuchtanlage durchgeführt (11). Aufgrund der
Messungen in den Zuchtanlagen ist es möglich, erste Aussagen über die
Zuverlässigkeit der Ergebnisse zu treffen und Verbesserungen vorzunehmen (12).
Bei zufriedenstellenden Ergebnissen erfolgt der Praxiseinsatz in Getreidelagern und
der Zuchtanlage (13). Auch hier muss eine weitergehende Adaption der
automatischen Auswertung erfolgen. Diese bezieht sich vor allem auf die
Quantifizierung bzw. Elimination von Störeinflüssen durch entsprechende
Filtertechnik (14).
Endgültiges Entwicklungsziel ist eine praxistaugliche Lösung, welche automatisch
Aussagen sowohl über den Befallszustand von Getreidelagern, als auch über Anzahl
und Entwicklungsstadien der Getreideschädlinge Aufschluss gibt.
2.2.2 Zeitplan
Die folgenden Tabellen stellen den Arbeitseinsatz des Antragstellers (BGT) und der
beteiligten Kooperationspartner in den jeweiligen Projektjahren dar. Zusätzlich zu
den in den Tabellen aufgezeigten projektspezifischen Arbeitsschritten ist ein
Mitarbeiter des Antragstellers mit der Erstellung von Veröffentlichungen, Berichten,
der Projektkoordination und Verwaltung betraut.
Arbeitsschritte
1. Projektjahr
Monat
Summe
1 2 3 4 5 6 7 8 9 10 11 12
Aufbau und Erweiterung der hauseigenen
Zuchtanlage (BVL)
3
Isolation verschiedener Entwicklungsstadien aus der
Zuchtanlage
2
Akustische Messungen in der Zuchtanlage und im
Praxisumfeld (BVL)
9
Datensichtung und Aufbau einer Datenbasis der
vorkommenden Schädlingsgeräusche (BVL)
7
Vorauswahl und Beurteilung geeigneter Algorithmen
(BGT)
7
Analyse der Datenbasis. Programmierung und
Adaption der Auswertealgorithmen am PC (LPG)
7
9
Arbeitsschritte
2 Projektjahr
Monat
Summe
1 2 3 4 5 6 7 8 9 10 11 12
Analyse der Datenbasis. Programmierung und
Adaption der Auswertealgorithmen am PC (BGT)
4
Hardwareadaption des Mikrokontrollersystems
(BGT)
8
Integration von Stabmikrophon und Verstärkereinheit
in die Mikrokontrollerplatine (BGT, BVL))
6
Aufbau einer Kornkäferzucht am BGT (BGT, BVL)
Arbeitsschritte
3
3. Projektjahr
Monat
Summe
1 2 3 4 5 6 7 8 9 10 11 12
Aufnahme und Überprüfung der vom automatischen
Gerät ausgegebenen Befallszenarien in den
Zuchtanlagen (BGT, BVL)
3
Sukzessive Verbesserung und Adaption der
Auswertelogik (BGT)
11
Praxiseinsatz bei den Kooperationspartnern (Biopark
e. V. und Schapfenmühle)
9
Elimination von Störeinflüssen und evtl. auftretenden
Nebengeräuschen mittels geeigneter
Filteralgorithmen, weitere Adaption der
Auswertelogik an Praxisbedingungen (BGT)
8
10
2.3 Vorbereitende Arbeiten
2.3.1 Aufbau von Kornkäferzuchtstämmen und Darstellung verschiedener
‚Lebenssituationen‘
In der ersten Stufe des Projekts wurden verschiedene Kornkäferzuchtstämme
aufgebaut. Eine Kornkäfergeneration umfasst 3 Monate, daher mussten im
Projektverlauf immer wieder neue Stämme aufgebaut werden. Stabile
Kornkäferstämme wurden über die gesamte Projektzeit erhalten, um jederzeit
Praxissituationen simulieren und neue Soundsamples der entsprechenden
Lebenssituationen generieren zu können. Hierbei erfolgten auch umfangreiche
biologische Beobachtungen und Dokumentationen mit Hilfe von Stereomikroskopen.
Die aufgenommenen Geräuschspektren wurden mit der jeweiligen Lebenssituation
korreliert. „Lebenssituation“ umfasst das
Larvenstadium innerhalb der
Getreidekörner (Abb. 3a) sowie Bewegungsgeräusche adulter Kornkäfer (Abb. 3b)
im Getreide, sowie das Anbohren der Körner durch Weibchen zur Eiablage (Abb.
3c).
Abbildung 3: (a) Befallene Getreideprobe; (b) Anbohren des Getreidekorns; (c) Adulter
Kornkäfer
Die Weibchen bohren die einzelnen Getreidekörner an und legen pro Korn ein Ei.
Anschließend wird das Bohrloch wieder verschlossen, so dass der Eingriff von
außen nicht mehr sichtbar ist. Der adulte Kornkäfer hat eine Länge von ca. 2,5mm.
Die Dauer des Entwicklungszyklus wird durch die Umgebungsbedingungen
bestimmt. Der Käfer selbst ist im Vergleich zur Schwesternart dem Reiskäfer nicht
flugfähig. Dies bedeutet für die Ökologie des Käfers, dass der Befallsherd nur sehr
lokal auftritt.
2.3.2 Sensorentwicklung
Die Anlieferung, bzw. die Lagerung von Getreide ergibt 2 Anwendungsszenarien für
den zu entwickelnden Sensor. Bei der kontinuierlichen Überwachung von
Lagerstätten/-Beständen ist eine stationäre Anwendung in Form von
Probensensoren sinnvoll. Eine Getreideprobe wird entnommen, und die Messung
wird vom Rest isoliert durchgeführt. Die stationäre Anwendung ist aus zeitlichen
Gründen bei der Wareneingangskontrolle nicht anwendbar, da die Anlieferung und
Einlagerung von Getreide im Minutentakt erfolgt. Um Einschleppung von infiziertem
Getreide zu vermeiden, ist eine Zwischenlagerung in einem Quarantänelager in der
Regel nicht realisierbar. Hieraus ergibt sich die Notwendigkeit von Schnell-Scans
mittels Handgerät in Form eines Lanzensensors. Der Lanzensensor wird in das
Getreidegut eingeschoben, ermöglicht flexible und schnelle Messungen, führt aber
zu höheren technischen Herausforderungen, da Nebengeräusche beim
Anlieferungsprozess in der Regel höher sind als im reinen Lagerbetrieb. Aufgrund
der unterschiedlichen Anwendungsbedingungen in der Praxis wurden sowohl
Lanzensensoren mit Teleskopstange (Abb. 4) als auch Probensensoren entwickelt.
11
Abbildung 4: Abbildung eines Lanzensensors
Nicht nur die Anwendungsform, auch die Auswahl des Messprinzips des zu
verwendenden Sensors spielt eine wichtige Rolle für den Erfolg der
Projektdurchführung. Prinzipiell stehen für die Aufnahme der bioakustischen Signale
Luftschallund
Beschleunigungssensoren
zur
Verfügung.
Das
beste
Signalabbildungsverhältnis haben die breitbandigen Luftschallsensoren, d.h. sie
bilden das Signal komplett bei der Digitalisierung ab (Abb. 5). Allerdings werden
überlagernde Störquellen ebenso gut abgebildet. Zudem sind die Fraßgeräusche der
Kornkäfer sehr breitbandig und frequenzmoduliert, wodurch eine Filterung erschwert
wird. Beschleunigungssensoren arbeiten auf der Basis von Piezokontaktsensoren
und weisen eine gute Empfindlichkeit von mehreren kHz um die Resonanzfrequenz
auf. Bei Aufnahmen mit Piezokontaktsensoren wird allerdings nicht das gesamte
Signal abgebildet. Abbildung 5 veranschaulicht die aufgenommenen Signale beider
Sensoren.
Abbildung 5: Vergleich
Luftschallsensor (rechts)
der
Signale
von
Beschleunigungssensor
(links)
und
Um eine abschließende Bewertung durchzuführen, welcher Sensor für die
Erreichung der Ziele besser geeignet ist, wurden die Signale beider MikrophonSensoren, wie in Abschnitt 2.3.3 beschrieben, weiterverarbeitet und analysiert.
2.3.3 Bewertung der Mikrophon-Sensoren
Bei den zwei untersuchten Sensortypen handelte es sich um einen Luftschall- und
einen Piezokontaktsensor. Kornkäfersignale wurden mit beiden Sensoren
aufgenommen und anschließend in der Zeit- und Frequenzdomäne analysiert, um
den geeigneteren Sensor auszuwählen. Die Signalanalyse der Sensoren in der
Zeitdomäne betraf Übereinstimmungen, Ähnlichkeiten und Zeitverzögerungen von
Peaks. Dies ist in Abbildung 6 dargestellt.
12
(a)
(c)
(b)
Abbildung 6: Vergleich der Signale des Luftschall- und des Piezokontaktsensors. (a)
Beide zeigen die gleiche Signalenergie. (b) Die Ähnlichkeit wird über den
Korrelationskoeffizienten festgestellt, (c) die Zeitverzögerung wird über den Abstand zweier
Peaks bestimmt.
Die höchste Abweichung bei den Signalamplituden liegt bei 15%, wobei der
Korrelationskoeffizient zwischen den Signalen 0,211 beträgt. Die Signale des
Piezokontaktsensors weisen eine Zeitverzögerung zu den Signalen des
Luftschallsensors auf. Die Zeitverzögerung beträgt wenige Millisekunden und ist in
Tabelle 1 dargestellt.
Tabelle 1: Zeitverzögerung zwischen den Signalen des Piezokontaktsensors und des
Luftschallsensors.
Peaks Luftschallsensor [s] Peaks Piezokontaktsensor [s] Zeitverzögerung [s]
0,5779
-
-
3,564
-
-
5,4482
5,4501
0,0019
6,0779
6,0797
0,0018
9,555
9,5569
0,0019
10,1842
10,1859
0,0017
10,4669
10,4688
0,0019
14,0176
14,0194
0,0018
14,9817
14,9835
0,0018
19,1227
19,1246
0,0019
22,5532
22,555
0,0018
Die Anzahl der aufgenommenen Kornkäfergeräusche ist in einem mit dem
Luftschallsensor aufgezeichneten Signal höher. Im direkten Vergleich mit dem
Piezokontaktsensor ist im Frequenzbereich das Rauschen der Signale des
Luftschallsensors geringer und das Leistungsspektrum höher (vgl. Abb. 7). Die
Ergebnisse zeigen folglich, dass der Luftschallsensor besser für die geplante
Anwendung geeignet ist.
13
(a)
(b)
(c)
(d)
Abbildung 7: Analyse des Signals im Frequenzbereich. (a) Leistungsspektrum der
Luftschallsonde, mit Rauschen b) ohne Rauschen. (c) Leistungsspektrum der Piezosonde
ohne Rauschen (d) mit Rauschen.
2.3.4 Aufnahme von Referenzsignalen
Um Störquellen zu vermeiden, erfolgte die Aufnahme von Referenzsignalen in einem
schalltoten Raum. Die Detektion der Schallsignale von Insekten mit 2,5mm
Körperlänge bringt die Herausforderung mit sich, die sehr geringe Energie der
Schallemissionen zu verstärken. Bei herkömmlichen Vorverstärkern unterbindet das
Eigenrauschen der elektronischen Bauelemente die Trennung von Rauschen und
Signal. Des Weiteren kann das Signal von Fremdsignalen überlagert werden. Als
Vorverstärker kamen Laar WD60 Geräte mit verschiedenen Sensoren zum Einsatz.
Der Frequenzbereich des Vorverstärkers reicht von 5Hz bis 120kHz mit einer
Verstärkung von 70dB. Die Digitalisierung erfolgte mit Mehrkanalaufnahmesystemen
vom Typ Edirol FA-101. Mit FA-101 sind Abtastraten von 192kHz/s möglich, was
einen Aufnahmebereich bis 90kHz zulässt. Abbildung 8 zeigt die Aufnahme eines
Referenzsignals.
Abbildung 8: Aufnahme eines Referenzsignals
14
2.3.5 Signalverarbeitung
Schritt 1: Sound-Aufnahme und Vektorisierung
Die Aufnahmen wurden im .wav-Format auf einem Rechner gespeichert, in
MATLAB® mit 96.000Hz abgetastet und die Amplituden in Signal-Vektoren
gespeichert (vgl. Abb. 11).
Abbildung 9: Aufgenommenes Signal mit einer Abtastfrequenz von 96.000Hz und
anschließender Konvertierung in Vektoren für die mathematische Weiterverarbeitung.
Schritt 2: Entfernung geräuschloser Abschnitte
Geräuschlose Passagen am Anfang oder am Ende der Signalvektoren wurden
entfernt.
Schritt 3: Rauschunterdrückung in den Signalen
Um das Frequenzband mit dem besten Signal-Rauschen-Verhältnis zu finden und
dort Rauschen zu unterdrücken, wurden Untersuchungen zur Frequenz-Darstellung
der Signale durchgeführt. Die Signale deckten einen Frequenzbereich von 0 bis
35.000Hz ab (Abb. 10), woraus Banden separiert wurden. Daraus wurden
Bandpassfilter mit 15.000Hz bis 20.000Hz für den Luftschallsensor bzw. 10.000Hz
bis 12.000Hz für den Piezokontaktsensor entwickelt, da diese Frequenzbänder das
beste Signal-Rausch-Verhältnis zeigten.
15
Abbildung 10: Untersuchung der Signale für verschieden Frequenzbänder für die
Entwicklung eines geeigneten Bandpassfilters: a) Luftschallsensor b) Piezokontaktsensor.
Schritt 4: Segmentierung
Die aufgenommenen Signale wurden in der Zeitdomäne in Fenster der Breite L
unterteilt. Diese Fenster liefen mit 60%, 70%, 80% und 90% Überlappung über das
Schallsignal (Abb. 11), wobei der Einfluss der überlappenden Anteile auf die
Detektion berücksichtigt werden muss. Die Überlappung ist nötig, um bei der
Betrachtung der einzelnen Fenster keine Signalinformationen zu verlieren.
Abbildung 11: Schematische Darstellung für die Aufteilung des aufgenommenen
Geräusches mittels eines Fensters mit 90 % Überlappung.
Schritt 5: Extraktion der Merkmale im Zeitbereich
Eine Liste der zeitlichen Merkmale ist in Anhang A1 angegeben. Diese wurden für
jedes Fenster extrahiert, um eine zeitliche Verteilung der Merkmale entlang des
aufgezeichneten Signals zu erhalten. Dabei wurden drei nicht-indikative Merkmale
verwendet: (1) roll-off, Beschreibung der Zeit, bei der 90% der Energieverteilung
konzentriert ist, (2) die Steigung der Signal-Amplitude die durch lineare Regression
16
berechnet wurde, sowie (3) die Ausbreitung der Signalamplituden um ihren
Mittelwert. Sie zeigten die höchste Sensitivität bezüglich der Kornkäfergeräusche.
Transformationen in den Frequenzbereich
Um die Signale in den Frequenzbereich zu transformieren, wurden 2 Ansätze
untersucht, die Fourier- und die Wavelet-Transformation. Letztere besitzt eine
geringere Auflösung bei niedrigen Frequenzen, während erstere eine konstante
Auflösung über den gesamten Frequenzbereich liefert (vgl. Abb. 12). Da die meisten
Kornkäfergeräusche eine niedrige Frequenz in Bezug auf die Abtastrate aufweisen,
wurde die Fourier-Transformation angewendet.
Abbildung 12: Vergleich der erreichten Auflösung zwischen der Fourier-Transformation
(links) und der Wavelet-Transformation (rechts).
Für die Extraktion der spektralen Merkmale wurde jedes Fenster durch eine
geeignete Fensterfunktion
skaliert und unter Verwendung der Fast-FourierTransformation (FFT), Gleichung (1), in den Frequenzbereich transformiert.
�
�
=∑
=
.
.
−
�
�
= , ,…,
Die Frequenzachse wurde in 2.048 Punkte aufgeteilt, beginnend bei 0Hz (DC-Wert)
und endend bei 96.000Hz (Abtastrate). Aufgrund der Symmetrie des Spektrums
wurde die Hälfte der Abtastraten-Linien vernachlässigt und nur das Spektrum
entsprechend den ersten 1.024 Stellen in Betracht gezogen, welches adäquate
Daten lieferte. In einem späteren Stadium des Projektes wurde die Anzahl der
Frequenz-Bins auf 64 reduziert, was den Berechnungsaufwand allerdings auch die
Detektionsgenauigkeit reduzierte.
Schritt 6: Die Anwendung der Fensterfunktion
Bei der FFT wird angenommen, dass ein Signal periodisch verläuft. Ist dies nicht der
Fall und die FFT stößt auf ein nicht periodisches Signal (dies trifft auf die meisten
Signale zu), kommt es zu Spektral-Leckagen, was eine Reduktion der
Frequenzauflösung zur Folge hat. Die Fensterfunktion hat die Aufgabe einer
besseren Darstellung des Frequenzspektrums mit gleichzeitiger Reduzierung der
Spektral-Leckagen bzw. Erhöhung der Frequenzauflösung.
Abhängig von der Aufgabe wurden verschiedene Fensterfunktionen verwendet, von
der jede eine etwas andere Wellenform abbildet. Dies ändert die Leistung im
Frequenzbereich, hier gilt der Grundsatz, dass die Frequenzauflösung umso besser
ist, je enger die Funktion verläuft (Abb. 13). Zudem gilt, je höher die Reduktionsrate
zwischen Haupt- und erster Seitenfunktion ist, desto weniger Leckage entsteht im
Spektralbereich um die zentrale Frequenz.
17
Abbildung 13: Die Darstellung der häufigsten Fensterfunktionen im Zeit- (links), und
Frequenzbereich (rechts). (a) zeigt die Hauptfunktion des Spektrums, (b) die erste
Seitenfunktion.
Die Effizienz der Fensterfunktionen entsprechend ihrer Frequenzauflösung und ihrer
Leckagen ist in Tabelle 2 dargestellt.
Tabelle 2: Darstellung der Effizienz der Fenster-Funktionen mit Frequenzauflösung und
Leckage.
Fenster
Frequenzauflösung
Leckage Verringerung
Hamming
Gut
Befriedigend
Hanning
Gut
Gut
Blackman
Ungenügend
Sehr gut
Flat top
Ungenügend
Gut
Rectangular
Sehr gut
Ungenügend
Das rechteckige Fenster wurde verwendet, um die spektralen Eigenschaften der
Hochfrequenz-Auflösung (z.B. Spektraler roll-off) zu berechnen. Das BlackmannFenster wurde verwendet, um die spektralen Eigenschaften zu berechnen, wenn
geringe Spektralleckage für die Berechnung nötig ist (z.B. spektraler Schwerpunkt).
Schritt 7: Extraktion der Frequenz-Merkmale
Nach der Anwendung der FFT für die in der Zeitdomäne bestimmten Fenster wurden
Merkmalen aus der Frequenzdomäne (spektrale Merkmale) extrahiert. Die Liste der
Frequenzmerkmale befindet sich im Anhang A2.
Schritt 8: Algorithmus zur Merkmalsauswahl
In den Kornkäfer-Signalen zeigten sich mehrere Features unverwechselbar und
repräsentativ für bestimmte Tätigkeiten. Allerdings wurden auch Features detektiert,
über die keine Aussage getroffen werden konnte. Der Zweck des Algorithmus war
es, die dominierenden Merkmale mittels zweier Kategorien zu gliedern: FeatureRanking (Peng et al. 2005) und Untergruppenauswahl (Singhi & Liu 2006). FeatureRanking gliederte die Eigenschaften mit Hilfe einer Metrik und eliminierte alle
18
Funktionen, die keine ausreichende Anzahl an Punkten erreichten. Die
Untergruppenauswahl durchsuchte die Menge der möglichen Merkmale für die
optimale Untergruppe und entfernte alle irrelevanten und redundanten Funktionen.
Bei der Anwendung des Feature-Ranking wurden die zeitlichen und spektralen
Merkmale für 40 Kornkäfer-Soundstreams extrahiert und anschließend die
Mittelwerte der Merkmale berechnet. Ein Merkmal wurde als dominant gewählt,
wenn der Mittelwert eine geringere Abweichung als 5% für 80% des untersuchten
Soundstreams aufwies. Der Algorithmus (Abb. 14) wurde für Fenster mit einer 90 %
Überlappung umgesetzt. Die acht ausgewählten Merkmale waren: temporal energy,
temporal entropy, temporal spread, temporal crest factor, temporal slope, spectral
energy, attenuation, spectral slope.
Abbildung 14: a) Darstellung für den Feature-Auswahl-Algorithmus. (b) Ablaufschema für
den Feature-Auswahl-Algorithmus. (po) Prozentsatz der Frame-Überlappung für einen
Frame von 4 ms, (j) die Nummer des Sets, (n) die Gesamtzahl der extrahierten Merkmale.
Schritt 9: Berechnung der Feature-Statistik
Da die Features für jedes Fenster berechnet wurden, gab es Werte, die aufgrund der
Überlappung der Fenster mehrfach vorkamen. Um nur einen Wert für alle Features
aus einem Klangmuster zu erhalten, wurde ihr Mittelwert nach Gleichung 2
berechnet,
∑�=
�� =
�
wobei
der Werte der Features in Frame i und K die gesamte Anzahl an Frames
ist.
2.4 Ergebnisse und Anwendung
2.4.1 Erzeugung der Datenbank für das Erfassungssystem
19
Die zur Verfügung gestellten Tonaufnahmen mit einer Länge von 4ms enthalten
Signale mit und ohne Kornkäfergeräusche (Abb. 15). Aus diesen Streams werden
455 Tonproben mit (4ms=0,004*96.000=384 Punkte) und 455 Tonproben ohne
Geräusche gesammelt.
Abbildung 15: Ein Signal, welches Kornkäfergeräusche (Peaks) und Passagen ohne
Käfergeräusche beinhaltet.
Für jedes „Geräuschmuster“ und jedes „Nicht-Geräuschmuster“ werden die acht
ausgewählten Features extrahiert. Die Datenbasis, die für den Kornkäfer-Detektor
genutzt wird, besteht aus 2*455*8=7.280 Werten, wobei die Hälfte Geräusche von
Kornkäfern enthielt, während die andere Hälfte keine Geräusche enthielt.
2.4.2 Entwurf des neuronalen Netzwerks
Die ausgewählten acht Merkmale werden aus Signalen mit einer Länge von 4ms
extrahiert, um anschließend eine Entscheidung zu treffen. Stimmen die Merkmale
mit den Werten der Datenbank überein, wird der Ton als Kornkäfergeräusch
behandelt. Um diese Aufgabe zu erfüllen, wird ein neuronales Netzwerk (KNN) (Abb.
16) entworfen und trainiert. Das KNN besteht aus einer Eingangsschicht mit acht
Neuronen (für die Features), einer verborgenen Schicht mit fünf Neuronen und einer
Ausgabeschicht mit einem Neuron (für {0,1} Entscheidungen).
Abbildung 16: Neuronales Netz mit drei Schichten, acht Neuronen in der Eingangsschicht,
fünf in der verborgenen Schicht und einem in der Ausgangsschicht.
Ein Neuron besteht aus einer Summation und einer Transferfunktion, vgl. Abbildung
17.
20
Abbildung 17: Aufbau eines Neuron n=p*w+b. Wobei w und b das Gewicht und den
Biasdarstellen. f steht für die Übertragungsfunktion.
Für die Neuronen der Eingangsschicht wird die TAN-Transferfunktion verwendet
(Gleichung 3).
�=
+
−
+
−
−
Für die Neuronen der verdeckten Schicht wird eine LOG-Transferfunktion genutzt
(Gleichung 4).
�=
Das KNN wird mit 60% aller Daten trainiert. Für die Entwicklung des KNN wird ein
Backpropagations-Algorithmus verwendet, der die Gewichtung und den Bias jedes
Neurons so lange variiert, bis der Fehler zwischen gewünschter und tatsächlicher
Aussage minimal ist. Das Training ist beendet, sobald der Gesamtfehler des KNN
minimal ist (hier: 9,11×10-15), und die Gewichtung und der Bias wird gespeichert.
Das KNN ist in der Lage alle Trainingsdaten korrekt zu erkennen.
2.4.3 Testen des Erfassungssystems
Weitere 10% der Datenbank werden verwendet, um das KNN zu validieren, und
30%, um das KNN zu testen. Insgesamt werden 93 % der Daten korrekt erkannt (s.
Tabelle 3).
Tabelle 3: Gegenüberstellung der Datenbasis und der korrekt detektierten Käfergeräusche.
Datenbasis
Korrekt detektiert
Kornkäfergeräusche
91
87
Keine Kornkäfergeräusche
91
83
Bei der Anwendung des entwickelten KNN auf kontinuierliche Soundstreams werden
ebenfalls gute Ergebnisse erzielt. In Abb. 18 ist das Ergebnis eines Streams
dargestellt.
21
Abbildung 18: Ergebnis des KNN für einen Audio-Stream von 35 Sekunden Länge. Das
KNN erkennt alle von Käfern stammenden Signale.
2.4.4 Implementierung der Käferdetektion auf einem Mikrokontroller (MC) und
Entwicklung eines Handgerätes
Nach Validierung und Prüfung der entwickelten Algorithmen wird der MATLAB®
Code für den MC in C++ übertragen. Verwendet werden 32-Bit-Blackfin-MC sowie 8Bit-ATXmega-MC (Abb.19).
Abbildung 19: ATXmega 128A1 8-Bbit- und AVR UC3C0512C1 32-Bit-Mikrokontroller.
Der 32-Bit-Blackfin-MC ist für die Berechnung komplexer Zahlen sehr gut geeignet,
da 8 Bit für die Berechnung des Realteils und 8 Bit für die Berechnung des
Imaginärteils notwendig sind. Der 8-Bit-ATXmega-MC enthält aufgebohrte
Prozessoren, die dadurch in der Lage sind, 16-Bit-Werte zu verarbeiten. Die
Rechengeschwindigkeiten beider MCs sind in Tabelle 4 dargestellt.
Tabelle 4: Vergleich der Rechengeschwindigkeiten eines 8-Bit und eines 32-Bit ATMEL
Mikrokontrollers
Nummernformat
16 bit
Rechengeschwindigkeit
32 bit MC
22
8 bit MC
0.453 µs
1.569 µs
Die Berechnung des 32-Bit-MC verläuft schneller, hat dabei aber einen höheren
Stromverbrauch (>1A) als der 8-Bit-MC (140-180mA). Der geringere Stromverbrauch
sowie der niedrigere Preis wären für ein Handgerät von großem Vorteil und wurden
daher als Entscheidungskriterium zu Grunde gelegt.
Die für die FFT benötigten Berechnungen mit komplexen Zahlen müssen auf einem
8-Bit-MC in Reihe durchgeführt werden, ein 32-Bit-MC kann sie parallel vornehmen.
Da der 8-Bit-MC langsamer ist als der 32-Bit-MC, wird die Anzahl der verwendeten
Frequenz-Bins von 1024 auf 64 reduziert. Das beschleunigt die Berechnung,
verschlechtert jedoch die Detektionsgenauigkeit (86% statt 93%). Die Rechenzeit
beträgt 40 Sekunden, um eine Entscheidung für ein 4ms-Signal zu berechnen.
Alle
Funktionen
des
Detektionsalgorithmus
werden
integriert
(FFT,
Bandpassfilterung, Inverse FFT, KNN) und auf den 8-Bit-MC programmiert, wobei
die Entscheidung des KNN über die Anwesenheit und Abwesenheit von Kornkäfern
mittels LED angezeigt wird.
Die acht LED auf dem Evaluations-Board des Mikrokontrollers (Abb. 20) werden
folgendermaßen charakterisiert:
1- leuchtet, wenn erste FFT beendet ist
2- leuchtet, wenn IFFT beendet ist
3- leuchtet nach Berechnung der zweiten FFT
4- leuchtet nach Beendung der Feature Extraktion
5- leuchtet, wenn Kornkäfer erkannt ist
6- nicht belegt
7- leuchtet, wenn keine Kornkäfer vorhanden sind
8- nicht belegt
("O" kennzeichnen die LED's auf dem Board)
------------DATA IN PDI----USB----|
O (1)
(5) O |
|
O (2)
(6) O |
|
O (3)
(7) O |
|
O (4)
(8) O |
----------------------------------------Abbildung 20: Beschreibung der Nomenklatur der 8 LED auf dem Board des
Mikrokontrollers
Während der Berechnung werden die LED automatisch ein- und ausgeschaltet (Abb.
21).
23
Abbildung 21: Abbildung des 8-Bit MC-Prototypen. Zu Beginn sind alle LED angeschaltet,
bis die Verarbeitung der ersten FFT beendet ist. Anschließend leuchtet nur die erste LED
und so weiter. Wird ein Kornkäfergeräusch erkannt, leuchtet LED 5, sonst LED 7.
Um den Hauptprozessor zu entlasten, werden drei RISC-Prozessoren eingesetzt,
des Weiteren verfügen die Geräte über folgende Spezifikationen:
 einen 16-Bit Mess-ADC
 einen 10-Bit DAC
 einen Mikrokontroller zur Überwachung der Umweltbedingungen, zur
Realisierung von Schutzschaltungen im Sensor und im Vorverstärkermodul
 einen Mikrokontroller zum Treiben des Grafikdisplays zur Berechnung und
Aufbereitung der Grafikdaten
 einen Mikrokontroller gekoppelt mit einem 8 MB SD-Ram für Datenpufferung
und Rechenoperationen
 Des Weiteren stehen ein SD-Card-Slot mit wechselbarer SD-Karte zur
Datenspeicherung sowie ein interner Mikro-SD-Card-Slot zur Verfügung. auf
dem Gerätedaten und Referenz-Aufnahmen abgelegt werden.
Damit ist ein erster Prototyp entwickelt worden, der Kornkäfer detektieren kann. Die
Detektion und Entscheidung des KNN läuft dabei automatisch ab, indem das Signal
als .txt-Datei auf den Mikrokontroller geladen wird. Um die Signalaufnahme zu
automatisieren, muss zusätzlich ein Schallaufnehmer (Mikrophon) zusammen mit
einer Verstärkereinheit in den MC integriert werden.
2.4.5 Diskussion der Ergebnisse
Durch den Umzug der Forschungsstelle von der Universität Hohenheim, Stuttgart
(LPG), an die Technische Universität München, Freising (BGT), hat sich das Projekt
allgemein um ca. drei Monate verzögert. Dabei wurde auch der Projektstart nach
Projektbewilligung wiederholt hinausgeschoben. Dies erschwerte den Aufbau einer
stabilen Kornkäferzucht (typischer Entwicklungszyklus ca. 3 Monate), da regelmäßig
Ersatzmaterial bei lokalen Landwirten und Lagerbetrieben beschafft werden musste.
Laut Antrag sollte der Projektpartner Biopark die Aufgabe übernehmen, die
Kornkäferzucht zu beaufsichtigen und aufrechtzuerhalten. Des Weiteren war
geplant, dass eine Kornkäferzucht am BGT aufgebaut wird. Aufgrund des Ausstiegs
von Biopark aus dem Projekt und nach Absprache mit der DBU übernahm BVL die
Kornkäferzucht. Der Kooperationspartner Schapfenmühle sorgte für die
Bereitstellung und Sortierung der Käfer für die Weiterzucht und die Signalaufnahme
bei BVL. Die bei BVL aufgenommenen Signale wurden dann an BGT zur weiteren
Auswertung weitergeleitet. Die detaillierten Tätigkeitsberichte der Forschungsstellen
und von Schapfenmühle befinden sich im Anhang A3.
Ziel des Projektes ist es, in einem vorwettbewerblichen Kontext eine praxistaugliche
Lösung zu entwickeln, um Kornkäferbefall in Getreide zu detektieren. Alle dafür im
24
Antrag geforderten notwendigen Arbeitsschritte, wie die Kornkäferzucht, der Aufbau
einer Kornkäfergeräuschdatenbank, die Auswahl des Mikrophons, die Bestimmung
und Extraktion der bestgeeignetsten Merkmale, die Entwicklung der
Klassifizierungsmethode sowie die Implementierung der notwendigen Algorithmen
auf einen Mikrokontroller, sind erfolgreich bearbeitet und umgesetzt worden.
Für eine gute Detektionssicherheit muss die Genauigkeit möglichst hoch sein
(>90%) und Nutz- und Störsignal müssen eindeutig voneinander unterschieden
werden können (gutes Signal-Rauschen-Verhältnis). Die Ergebnisse zeigen, dass
mehr als 93% der Testdaten korrekt detektiert werden. Somit ist das Ziel erreicht, ein
lernendes System zu entwickeln, das bei der Entscheidung auf eine bekannte
Datenbasis zurückgreift. Das entwickelte Messsystem ist in der Lage,
aufgenommene Signale in Form einer .txt-Datei automatisch auszuwerten und
Kornkäfer zu detektieren. Eine LED zeigt am Ende der Berechnung an, ob Kornkäfer
detektiert werden oder nicht. Allerdings muss für eine automatisierte
Signalaufnahme noch eine Stromversorgung (Batterie) und eine Mikrophoneinheit
einschließlich Verstärker in den Mikrokontroller integriert werden.
Die Bioakustik stellt komplexe Anforderungen an die digitale Signalanalyse. Die
Entwicklung eines Systems, das zuverlässig und genau Kornkäfer detektiert, ist
dabei zeit- und ressourcenintensiv, und die Detektionsgenauigkeit variiert im Verlauf
der Entwicklung. Dabei hat die Auswahl von Hardware und Software gravierende
Auswirkungen auf die Detektionsgenauigkeit der Auswertung. Diese nimmt ab, da
aufgrund des kleineren Mikrokontrollers weniger Frequenzbins (64 statt 1024)
verwendet werden können. Dies verringert die Signalauflösung und damit auch die
Detektionsgenauigkeit. Da aber die Entwicklung eines praxistauglichen Apparates
mit geringem Stromverbrauch im Vordergrund stand, wurde der 8-Bit MC-Prototyp
verwendet.
2.5 Öffentlichkeitsarbeit
In direktem Zusammenhang zur Detektion von Käfern befindet sich ein Artikel für
eine Fachzeitschrift in Vorbereitung. Weitere Veröffentlichungen beziehen sich auf
die Anwendung der im Projekt entwickelten Feature-Extraktion und sind in
Zeitschriften mit Review-Prozess veröffentlicht.
Die Beratung interessierter Unternehmen wird durch die Forschungsstellen
ermöglicht.
Ebenso werden die Ergebnisse in die akademische Lehre bzw. berufliche Aus- und
Weiterbildung übernommen (u.a. im Rahmen folgender Veranstaltungen: Vorlesung
Getreidetechnologie und Rohstoffe des Brauwesens an der TU München).
2.5.1 Veröffentlichungen
Hussein, W. B., von Laar, B., Hussein, M. A., Becker, T.: Possibilities and difficulties
involved in the bioacoustics detection of grain weevils. (In preparation).
Im Folgenden sind Publikationen aufgelistet, in denen die digitale Signalverarbeitung
auf andere Forschungsbereiche angewandt wird:
Wallhäußer, E., Hussein, W. B., Hussein, M. A., Becker, T.: On the usage of acoustic
properties combined with an artificial neural network - a new approach of
determining presence of dairy fouling type A. Journal of Food Engineering 103
(2011), 449-456.
25
Elfawakhry, H., Hussein, M. A., Becker, T.: Characterization of Cereal Dough by an
Innovative Ultrasonic Measuring Approach. 5th International Technical Symposium
on Food Processing, Monitoring technology in Bioprocesses and Food Quality
Management, Potsdam, Germany, 2009-09-01.
Krause, D., Schöck, T., Hussein, M.A., Becker, T.: Ultrasonic characterisation of
aqueous solutiosn with varying sugar and ethanol content using multivariate
regression methods. Journal of Chemometrics 25 (2011), 216-223.
Hoche, S., Hussein, W.B., Hussein, M.A., Becker, T.; Time of flight prediction for
fermentation process in-line application. Engineering in Life Sciences 11 (2011),
417-428
2.5.2 Wissenstransfer zwischen den Forschungsstellen
 Austausch des entwickelten Codes samt notwendiger Subroutinen (von BGT
an BVL)
 Austausch der Mikrokontroller (8-Bit bzw. 32-Bit von BGT an BVL bzw.
umgekehrt)
 Bereitstellung verschiedener Signale und Daten für die Entwicklung der
Signalauswertung (von BVL an BGT)
 Regelmäßige, mehrtägige Treffen mit Bereitstellung des Protokolls
2.5.3 Umsetzung in die Wirtschaft
Die Anwendung eines preisgünstigen Handgerätes zur Detektion des Kornkäfers bei
der Anlieferung des Getreides mittels bioakustischer Detektion in einer frühen Phase
des Befalls verringert die ökonomischen Schäden insbesondere für kleine und
mittlere Unternehmen stark und erlaubt diesen dadurch eine Verbesserung ihrer
Wettbewerbssituation. Dabei garantieren die Projektpartner, den entwickelten Code
an interessierte Firmen weiterzugeben. Auf der Basis des erfolgreich entwickelten
Konzepts und des Wissenstransfers in die Wirtschaft besteht die Möglichkeit durch
KMU, innerhalb eines Zeithorizontes von ein bis zwei Jahren ein Handgerät
industriell einzusetzen. Dabei können landwirtschaftliche Betriebe sowie weitere in
der Landwirtschaft tätige Betriebe von diesem Handgerät profitieren.
2.6 Fazit
Für Unternehmen und Forschungseinrichtungen mit Interesse an der BioakustikDetektion besteht der Bedarf eines Messsystems zur automatischen Erkennung von
Schädlingen. Um eine praxistaugliche Lösung zu entwickeln, wurden mehrere
Konferenzen und Workshops besucht, um mögliche Ideen und Lösungen zu
diskutieren. Entwickelte Algorithmen und Features wurden zudem in vielen weiteren
Mustererkennungsproblemen umgesetzt. Zudem wurden die Herausforderungen
einer Geräteentwicklung zur Detektion von Schädlingen untersucht. In
Zusammenarbeit mit Mikrokontroller-Design-Unternehmen, Signalverarbeitungs- und
Elektronik-Instituten in Deutschland wurden die Probleme bezüglich Sensorik,
Signalfilterung und Feature-Extraktion diskutiert und Lösungen entwickelt.
Die Kornkäfer-Detektion erfolgt in zwei separaten Schritten. Zunächst wird das
bioakustische Signal mittels eines Sensors detektiert und anschließend mit Hilfe des
Mikrokontrollers analysiert. Durch Kombination von Mikrokontroller und
Signaldetektor kann die Detektion mit einem Handgerät durchgeführt werden. 8-BitMikrokontroller bieten einen akzeptablen Stromverbrauch, sind jedoch in ihrer
26
Rechenkapazität beschränkt. Dies führt zu langen Analysezeiten bei einem
reduzierten Analysepotential und zu einer reduzierten Genauigkeit für eine
erfolgreiche Detektion. Mit 32-Bit-Mikrokontroller fallen viele Beschränkungen weg
(es existieren Modelle mit eingebautem Mikrophon), eine Realisierung bei
akzeptablem Stromverbrauch konnte jedoch bisher nicht getestet werden.
Die Ergebnisse zeigen, dass die zur Verfügung gestellten Geräuschspektren alle
Klangmuster enthalten, die durch Käfer verursacht werden. Die Entwicklung
bioakustischer Detektionsalgorithmen wird an den Forschungsstellen fortgesetzt, um
das entwickelte System durch Training mit weiteren Klangmustern zu verbessern.
Ebenso ist geplant, die zweistufige Detektion mit einem 32-Bit-Mikrokontroller zu
realisieren. Als zielführend wird die Untersuchung geeigneter Mikrokontroller mit
niedrigem Stromverbrauch und leistungsstärkere Stromversorgungskonzepte
angesehen.
Die akustischen Aufnahmen von Käfern zeigen Signale mit zeitlichen und spektralen
Merkmalen, die eine eindeutige und einfache Detektion ermöglichen. Der
Lösungsansatz des Projektes basiert auf der Annahme, dass durch die Kombination
dieser markanten spektralen und zeitlichen Merkmale Messgrößen definiert werden
können, mit denen eine automatische Detektion des Käferbefalls möglich ist. Der
entwickelte Mikrokontroller (8-Bit) kann Kornkäfer anhand ihrer ausgesandten
Geräusche mit einer Genauigkeit von 86 % erkennen.
Zu Projektende steht ein praxistaugliches Gerät zur Verfügung, mit dem es möglich
ist, ein eingelesenes akustisches Signal auszuwerten und eine Entscheidung
bezüglich der Anwesenheit, bzw. Abwesenheit von Kornkäfern zu treffen. Dabei
muss das aufgenommene Signal bislang als .txt-Datei auf den Mikrokontroller
geladen werden, dann wird es mit dem oben detailliert beschriebenen Algorithmus
ausgewertet und anschließend trifft das KNN eine Entscheidung. Bislang kann
immer nur ein Signal nach dem anderen eingelesen und ausgewertet werden, eine
automatische Signalaufnahme ist zur Zeit noch nicht möglich, da die Integration
eines Mikrophons bis zum Projektende nicht realisiert werden konnte.
Des Weiteren wurden alle relevanten Grundlagen für die Signalverarbeitung für
einen 32-bit Kontroller erarbeitet. Dieses System erlaubt eine kontinuierliche
Signalaufzeichnung und eine leistungsstarke, simultane Signalverarbeitung. Auch für
das 32-bit System konnte die Integration der Signalaufzeichnung bis zum
Projektende nicht realisiert werden. Für zukünftige Anwendungen mit dem 32-bit
System wird empfohlen, das integrierte Mikrophon auf Potential zur Aufzeichnung
bioakustischer Signale zu testen.
Damit steht sowohl die Möglichkeit zur Detektion von Schädlingen in Lagern und
Silos, als auch zur Qualitätssicherung bei der Rohstoffanlieferung zur Verfügung.
Der Schädlingsbefall kann frühzeitig entdeckt bzw. möglicherweise verhindert
werden. Punktuelle Befallszentren können vom Lagerbestand entfernt und damit die
Populationsdynamik der Schädlinge wesentlich verlangsamt werden. Der Einsatz
toxischer Begasungsmitteln kann nachhaltig reduziert bzw. möglicherweise
verhindert werden.
3.
Literaturverzeichnis
Andrieu, A. J. & Fleurat-Lessard, F. (1990). Insect noise in stored foodstuffs. Compact disk, INRA,
Versailles, France.
Drosopoulos, S. & Claridge, M. (2006). Insect sounds and communication. Physiology, behaviour,
ecology and evolution. CRC Press LLC, New York, USA.
27
Hetzroni, A., Mizrach, A., Nakache, Y. & Soroker, V. (2004). Developing Spectral Model to Monitor
Activity of Red Palm Weevil. Alon Hanotea, 58(10), 466-469.
Mankin, R. W., Shuman, D. & Coffelt, J. A. (1997). Acoustic counting of adult insects with differing
rates and intensities of sound production in stored wheat. Journal of Economic Entomology, 90(4),
1032-1038.
Mankin, R. W., Osbrink, W. L. , Oi, F. M. & Anderson, J. B. (2002).Acoustic Detection of Termite
Infestations in Urban Trees. Journal of Economic Entomology, 95(5), 981-988.
Mankin, R. W., Hubbard, J. L. & Flanders, K. L. (2007). Acoustic indicators for mapping infestation
probabilities of soil invertebrates. Journal of Economic Entomology, 100(3), 790-800.
Mizrach, A., Hetzroni, A., Nacashe, Y. & Soroker, V. (2003). Acoustic detection of Red Palm Weevil
activity in the tree trunk. Proceeding of the International Congress on Information Technology in
Agriculture, Food and Environment (Ed. by Sindir, K. O.). P.25. Izmir, Turkey.
Palestrini C., Pavan G. & Zunino M. (1991). Acoustic signals in Copris incertus Say (Coleoptera
Scarabaeidae Coprinae). Ethology, Ecology & Evolution, 1, 143-146.
Peng, H., Long, F. & Ding, C. (2005). Feature selection based on mutual information: criteria of
max-dependency, max-relevance, and min-redundancy. IEEE Transactions on Pattern Analysis and
Machine Intelligence, 27(8), 1226-1238.
Singhi, S. & Liu, H. (2006). Feature subset selection bias for classification learning. Proceedings of
the 23rd international conference on Machine learnin. Pittsburgh, Pennsylvania 2006, 849-856.
Soroker, V., Nakache, Y., Landau, U., Mizrach, A., Hetzroni, A. & Gerling, D. (2004). Utilization of
sounding methodology to detect infestation by Rhynchophorus ferrugineus on palm offshoots.
Phytoparasitica, 32, 6-8.
Soroker, V., Gindin, G., Glazer, I., Pinhas, J., Levsky, S., Eliahu, M., Biton, S., Haberman, A.,
Nakache, Y., Mizrach, A. & Hetzroni, A. (2006). The red palm weevil infestation in Israel: occurrence
and management. Jornada International sobre el Picudo Rojo de la Palmeras. Agroalimed,
Generalitat Valenciana 2006, 59-79.
Zhang, M., Crocker, R. L., Mankin, R. W., Flanders, K. L. & Brandhorst-Hubbard, J. L. (2003).
Acoustic identification and measurement of activity patterns of white grubs in soil. Journal of
Economic Entomology, 96(6), 1704-1710.
28
4.
Appendix
29