ИИ может распознавать насекомых с помощью радара, отслеживая взмахи их крыльев

Новое исследование показало, что радар способен идентифицировать живых насекомых — таких как пчёлы, шмели и осы — анализируя крошечные изменения сигнала, возникающие при взмахах их крыльев.

Полученные данные демонстрируют новый способ мониторинга опылителей без необходимости прикалывать, ловить или убивать их для детального изучения.

Радар фиксирует движения крыльев насекомых

В экспериментах 2023 года в Trinity College Dublin живых насекомых помещали в небольшие пластиковые контейнеры над радарной антенной.

Сопоставляя отражённые сигналы с движением крыльев, доктор Adam Narbudowicz из Technical University of Denmark показал, что радар может сортировать насекомых по ритму их взмахов.

Каждый взмах изменял возвращаемый сигнал по-своему, предоставляя модели данные, которые невозможно уловить обычными камерами или человеческим глазом.

Пока метод требует работы на близком расстоянии, но он открывает путь к альтернативе ручному подсчёту насекомых, который часто используется при исследованиях опылителей.

Опылители поддерживают продовольственные системы

Насекомые-опылители помогают сельскохозяйственным культурам и диким растениям образовывать семена, перенося пыльцу между цветами во время питания и перелётов.

По данным Food and Agriculture Organization, три четверти самых продуктивных сельскохозяйственных культур в мире хотя бы частично зависят от опылителей.

27-летнее исследование в охраняемых зонах Германии показало снижение общей массы летающих насекомых на 76% в течение сезона.

Более точный мониторинг не решит проблему напрямую, но позволит выявлять изменения достаточно рано — чтобы защитить среду обитания и провести целевые исследования до серьёзного ухудшения ситуации.

Движение становится измеримым

Учёные использовали миллиметровый радар (mmWave) — систему с короткими радиоволнами — чтобы направить слабый сигнал на насекомое без контакта.

Сигнал работал на частоте 30 гигагерц, то есть волны совершали 30 миллиардов колебаний в секунду, что позволяло фиксировать мельчайшие движения.

Каждый взмах крыла изменял характеристики отражённого сигнала — его время и силу — создавая частотные следы, отражающие движение, а не внешний вид.

Поскольку радару не требуется чёткое изображение, он может работать там, где камеры сталкиваются с трудностями: в темноте, при бликах, дожде, визуальном шуме или среди плотной растительности.

ИИ обучили распознавать насекомых

После того как радар зафиксировал движения крыльев медоносных пчёл, трёх видов шмелей и обычных ос, работу продолжило программное обеспечение.

Команда обучила алгоритмы машинного обучения более чем на 70 характеристиках — включая временные параметры, энергию и ритм.

Чтобы избежать ошибок, данные одного и того же насекомого не использовались одновременно и для обучения, и для тестирования.

Сравнивая шаблоны, модель постепенно переходила от общего уровня (семейство) к роду, а затем к конкретному виду.

Высокая точность результатов

На самом общем уровне система различала пчёл и ос с точностью 96%. На следующем уровне она отличала медоносных пчёл от шмелей с общей точностью 93%. При классификации пяти видов итоговая точность достигла 85% — близкие виды всё ещё иногда путались системой.

Метод выглядит перспективным, но для точной идентификации видов всё ещё требуется качественная обучающая база и проверка экспертами.

Чем дольше запись взмахов крыльев, тем больше информации получает модель. При записи длительностью 2 секунды точность достигала 85%. Если запись длилась всего 0,1 секунды, точность падала до 75% — сигнал не содержал достаточно деталей.

Это означает, что в реальных условиях насекомые должны находиться в зоне действия радара достаточно долго.

Дополнительные параметры помогают распознаванию

Анализ показал, что одной только скорости недостаточно. Некоторые отражённые сигналы показывали, как меняется форма сигнала при ускорении или замедлении крыльев.

Другие признаки отслеживали распределение энергии по частотным диапазонам.

Такой набор параметров помогает различать виды, которые визуально выглядят почти одинаково.

Ограничения текущего подхода

В лаборатории насекомые находились близко к антенне, что упрощало сбор данных. В природе ситуация сложнее: появляются изменения расстояния, ветер, отражения от окружающей среды и кратковременные пролёты через луч радара. Кроме того, обучение проводилось всего на пяти видах, поэтому для широкого применения потребуется более обширная база данных.

Как отмечают авторы, в отличие от изображений, такие базы данных пока не существуют.

Будущее: радары и насекомые

В перспективе устройства смогут направлять насекомых через короткую зону сканирования и отпускать их без вреда. Региональные базы данных помогут моделям распознавать местные виды — включая вредителей и инвазивных насекомых. Существующие технологии связи тоже могут помочь: современные мобильные сети уже используют mmWave для передачи данных на короткие расстояния.

Главная ценность появится, когда данные радара будут связывать вид насекомого с местом, временем года и поведением.

Метод позволяет определить вид живого насекомого по его движению, не превращая его в лабораторный образец.

Следующий этап — масштабирование: системы должны научиться работать с большим числом видов, в сложных условиях и с локальными данными, прежде чем их можно будет применять на практике.