TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.7, July 201 4, pp . 5368 ~ 53 7 8   DOI: 10.115 9 1 /telkomni ka. v 12i7.528 1          5368     Re cei v ed  De cem ber 4, 20 13; Re vised  F ebruary 21,  2014; Accept ed March 1 1 , 2014   Characteristics Analysis and Detection Algorithm of  Mosquitoes      Jahan gir Ala m  S.M.*, Hu Guoqing, Ch eng Ch en   Dept. of Mecha n ical & El ectric al Eng i ne eri ng,  Xiam en U n ive r sit y   Room 2 28, Sci ence Bu ild in g, 361 00 5, Simin g  Distric t, Xiam en, F u jia n, Chi na, telp/fa x: + 86-59 2-21 86 39 3   *Corres p o ndi n g  author, e-ma i l : jaha ngir _ u i ts@ y ah oo.com       A b st r a ct   The systematic detection and elim ination  of m o s quit oes  is a va luable process, the  results of   w h ich coul d be  imp o rtant in th e fight aga inst Malari a.  In this study, imag e process i ng is u s ed, all o w i ng t h e   researc hers to  detect the mo squito es an d their loc a tio n s. Mosquitoes' physical c har act e ristics, territorial  and  be havi o ra l  patterns w e re  also  an aly z e d  throug h rec o g n itio n tech nol o g y. It is foun d  that mosq uitoe s   can be d e tected an d differe ntiated by the i r physical,  terr itorial a nd b e h a vior al pattern s through thes e   meth od olo g i e s. In ad diti on to   mos q u i toes, fli e s a nd  bees  ar e als o  i n cl ude d  in th is study  a nd w e re  an aly z e d   for their p a tterns, as w e ll as t heir d i stin guis h ing fe atures. Si z e , n u m b e r of  obj ects, probo scis, body s h a pe,   color, a n ten n a e , hin d  l egs,  a nd sh ap e p a ra meters  w e re  a l l factors co nsid ered f o r  mosq uito d e tectio n  w i th   imag e proc ess i ng. All th ese  infor m ati ons w e re us ed  i n  th e Mosq uito D e tection A l gor i t hm. T h is stud y   provi des char a c teristic descri p tions of al l three  ins e cts and  statistical an al y s is of the data foun d.     Ke y w ords : mosquito, pattern, m o squito   mo d e l, detectio n , malari a         Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Huma n M a la ria a nd  so m e  othe r di se ase s   su ch  a s  yello w fev e r a nd  den g ue a r e  transmitted by mos q uitoes [1]. Partic ularly, the  femal e  mo squito es are  da nge ro us ve cto r s fo r  infesting  hu mans with   such  di sea s e s . Malari a tra n smi ssi on  ca n be  expe rie n ce d in  ho u s e s ,  forest s, farm s and a n y other vecto r  di sea s e e n viro nment. The r e  are some m o sq uitoe s  wh ich  bite hu man s  ro utinely. T hese  routine  bites  with v e ctors carrying infe ctiou s  disea s e s  af fect  millions of p eople pe r year [2, 3].   Althoug h there  are othe rs m o sq uitoe s  wh ich do not bi te   human s, they  are n oneth e l e ss vecto r s f o r ani mal  di seases  su ch  a s  de ngu e, Zo ono sis, et c. [4 ,  5]. Every year a bout o n e  million  pe ople lo se  th eir live s  du e  to Mala ria  cau s e d  mai n ly b y   Mosq uitoe s . Among this figure, ab out 85% are Chil d r en un der the  age of 5 years old [4]. Most  Malari a ca se s that re sult i n  the loss of  life oc cur in  developin g  countrie s   with  90% of malaria  death s  o c curring i n  Africa . The e c o n o m ic imp a ct  o f  malaria  de a t hs d ue to m o sq uito bite s in   developin g  countrie s   i s  e norm o u s .  Th e  effect s  in cl ude  l o w  life  expecta ncy rates with a high   infant mortalit y rate, all of  whi c h bri ng redu ct ion in produ ctivity and an increa se  in governm e n t’s  budg et on he alth at the expen se  of othe r so cial am en ities.   This  study f o cu se s o n  the dete c tion  of  mosq uitoes th rou g h  image p r o c e ssi ng   tec hniques  in order to  des troy them with  las e r tec h nologies .  LASER  tec h nology is  a   preventative  measure that  coul d be u s ed to avoid  mosq uito bit e s the r eby  saving lives a n d   cutting do wn  person a l and  national b udg ets on he alth care.      2.  The Proposed Algo rithm  2.1. Chara c terstic s  and  Patte rn An aly s is for Mos quitoes  w i th  Flies and Be es    The frequ en cy of mo squito es va rie s  fro m  200 Hz to  7 00Hz  and  the  avera ge f r eq uen cy is  about 600 Hz [6]. General ly, mosquitoe s  hav e one  prob osci s, two wing s, an abdom en wit h   cha r a c teri stics such a s  whi t e and g r ay li nes,  six le g s   (two front leg s , two mi d le gs a nd two lo ng   spe c ial  hind l egs), a h ead  and a th roat.  The bo dy of  a mo squito i s  esp e ci ally lo ng an d thin.  The   length  of a n   adult m o squit o  is vari ed  an d it i s  u s u a lly 16mm  o r  l o n ger (0.6  in ch ) [7]. The  wei ght  of a mo sq uito  is fo und  to b e  up  to 2.5m g (0.0 4  g r ai n s ). All M o squi toes  have  sle nder bo die s   with  three segm e n ts namely; (i) he ad, (ii) thor ax and  (iii) ab dome n .  A mosquito ’s hea d ha s  a   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Cha r a c teri stics Analysi s  an d Dete ction Algor ithm  of Mosq uitoe s  (Ja hangi r Alam   S.M.)  5369 spe c iali zed  resp on se sen s or fo r receiving inform atio n and fo r fee d ing [8]. It has two eye s  a nd a  long pai r of segmente d  an tennae. A Mosq uitoe s '  an tennae h a ve multiple pu rp ose s  which can   be used a s  a  sen s ing  org an to dete c t other in se cts,   to s m ell, to touch, and to  tak e  in mois t u re  from the ai r [9]. The co mp ound  eyes  of an ad ult mo squito  develo p  in a  sepa ra te regio n  of the   head. The   he xagonal   patte rn only  b e co mes  visible  when  th e ca ra pace  of  t he st age with sq u a re   eyes i s  molte d  [10]. The  h ead al so  ha s an elo ngat e d  forward-pro j ecting  whi c h  is “sting er-like”  prob osci s used for feedin g , and two sensory pulp s . Male mosq uitoes h a ve longe r  maxill ary   pulp s  whil e th e female s ha ve sho r ter o n e s. Some fe male mo squit oes  have elo ngated p r o b o sci s.  A mosquito’ s  thorax is a l o com o tion  system an d  is  con n e c ted to  the three pa irs of leg s  an d a  pair of  wing s.  Gene rally, th e traveling  ra nge for a  mo squito i s  a r ou nd 75 -10 0  mil e s. Mo sq uitoes  can fly for u p  to four ho urs  contin uo usly at  1k m/ h to 2k m/h (0.6-1mph) [11]. At night,  the   Anophel es  m o sq uito ca n travel up to 1 2 km (7.5mile s) [6]. The u s ual life spa n  of a mosq uito is  up to 3 0  d a ys o r  mo re. A  com parative study of  t h e  t h ree  in se ct s  su ch a s  M o s s quit o ,  Fly ,  and   Bee [12-1 4 ] has sho w n in Figure 1, Figure2, an d Fi g u re 3, that, the body sh ape  of both flies and   a bee is fatter and thicker t han a mo squi to and their le gs are also compa r atively sho r ter.         (a)     (b)     (c )     (d)       (e)     (f)     (g)     (h)     Figure 1. Images of Diffe re nt Types of Mosq uitoe s         (a)  (b)   (c )     (d)  (e)     Figure 2. Images of Diffe re nt Types of Flies        (a)     (b)     (c )     (d)     Figure 3. Images of Diffe re nt Types of Bees      The p r obo sci s  too is  so me what  sho r ter  and in  som e  instan ce s the r e is  no p r ob oscis  at  all. Both bees and flies h a ve spe ckl ed  hair on their bodies, unli k e mosq uitoe s  which la ck this  type of chara c teri stic. A compa r ative a nalysi s  of  mo squito es to b ees a n d flies helps to d e tect  mosq uitoe s  a nd differentia te them fro m  other in se cts sh own  in T a ble 1, T a ble  2, and  Tabl e  3.  Bees have e c on omic a nd indu strial val ue and are  al so environme n tally friendly. Howeve r, flies  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5368 – 53 78   5370 and mo squito es ca n have a negative impact on the  e n vironm ent and health and  can se rve as a   cau s ative ag ent of Malaria .       Table 1. Ch aracteri stics of  Di fferent Typ e s of Mo squit oes  Species  Head   Thora x   Abdomen   Obj e c t   Aedes aegypti  Pr oboscis: Dar k ;  Pulps: Tipped  w i th  silver y - white;  Cl y peus: White  scales.   Wings Scales da rk; Legs  color: Tarsal seg m ent 5 is  entirel y   w h ite; W h ite basal  bands 2*6 for Hi nd legs and 3  for mid & foreleg s .  Scutum: L y re  shaped, White  scales.   30  Aedes  albopictus (Stegom yia  albopicta)  Pulps: Tipped  w i th  silver y - white;  Cl y peus: Black.  Wings Scales da rk; Legs  color: Tarsal seg m ent 5 is  entirel y   w h ite; W h ite basal  bands 2*6 for Hi nd legs and 3  for mid & foreleg s ; Thora x :  Sides are man y   silvery - white.  Scutum: One  middle silver y - w h ite stripe  do w n .   23  Aedes vexans  Pr oboscis: Dar k ,  Pulps: Dark.  Wings Scales da rk; Legs  color: Tarsal seg m ent is  entirel y  na rro w   w h ite; narro w  White basal bands 2*6 for  Hind legs and 3 f o r mid &  forelegs.  Shape: V, Color:  Pale.  23  Cul e x  terri tans   Pr oboscis: Dar k ,  Pulps: Dark  Wings Dark, narr o w ;  Legs  c o l o r: Dark .   Col o r: Na rro w   APICAL bands.   15  Culex restuans  Pr oboscis: Dar k ;  Edge is light w h ite,  Pulps: Dark.  Wings Dark, narr o w ;  Legs  c o l o r: Dark ; s o m e  whi t e  spots; Thora x : P a tches; pale  scales.   Dark &  w h ite  basal bands,  scutum: Copper  c o l o r; rarel y   2  pale spots.  19  Deinocerites cancer  Pr oboscis: Dar k ;  Antenna longer  than prob oscis,  Pulps: Dark.  Wings Dark, narr o w ;  Legs  c o l o r: Dark .   Color: Copp er  bro w n.   15  Ochlerotatus  baha m ensis  Pr oboscis: Dar k ,  Pulps: White  tipped.  Wings Dark, narr o w ;  Legs  color: Hind legs dark  w i th  White basal bands.  Sputum: lines of  golden &  w h ite  scales.   17  Ochlerotatus infir m atus   Pr oboscis: Dar k ;  Pulps: Dark.  Wings Dark, narr o w ;  Legs  c o l o r: Dark .   Color: Da rk scale   w i th basal;   23  Ochlerotatus tris eriatus  Pr oboscis: Dar k ;  Pulps: Dark.  Wings Dark; narr o w ;  Legs  color: Dark; Tho r ax: patches  of silver - w hite scales.  Scutum: Dark;  Legs are  w h ite of   edge.   30      Table 2. Ch aracteri stics of   Different Typ e s of Flie s  Species  Head   Thora x   Abdomen   Obj e c t   Am enia albo m a culata  No pr oboscis; Post  orbits y e llo w   to  orange; met a llic  dark blue; bright  orange color fac e .  Dark blue-g r een  to bluish violet;  Head of male gol den orang e; Shin y  w h ite spots patt e rn.   12 mm; shin y   w h ite p a ttern;  Scutellum w i th  three pair of   marginal setae.   52  Am enia leonina   No proboscis;  Head of male  golden Y e llo w .   Post orbits  y e llow   to orange.   Dark Blue-Green  to bluish violet.   12 mm;  Scutellum w i th 3  pairs of marginal  setae.  68  Dexia r u stica  No Pr oboscis;  Color: Bro w n,  wh i t e .   Dark; Legs are  th in and short;  Bro w n, da rk.  B r ow n - da r k ;   speckle.   108  Lucilia cupr ina   No Proboscis; Red  ey e s .  Silvery  he ad.   8 mm; Green  metallic.   56  Neom yia sp.    Black.   5 mm; Black.   72  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Cha r a c teri stics Analysi s  an d Dete ction Algor ithm  of Mosq uitoe s  (Ja hangi r Alam   S.M.)  5371 Table 3. Ch aracteri stics of   Different Typ e s of Bee s   Species  Head   Thora x   Abdomen   Obj e c t   Apis  andrenifor m is   Probocis: 2.80  mm; pulps: black  stripes on the  legs.  Tibia & dorsolateral: 8 or fe wer;  Thora x : 70 -90 m m ; Pigmentation:  Blacki sh;  A circular bod y   shape; Length:  47-54 um.   29  Apis florea  Proboscis:  3.27  mm.  Pigmentation: Y e llow i sh.  Index: 2. 86.   35  Honey bee (Apis  m e llifer a)  Pr oboscis: y e llow   band; Pulps:  Pomeranian  bro w n.   Stocky  bo d y ; B r o w n;  dark  coloration; Thora x :  Nigra , heav y   dark pigmentatio n of the  w i ngs.   Blacki sh, or   m e llifer a , rich  dark bro w n; color :   yellow band.   31      2.2. Dete ctio n Process  Analy s is and  Proposed  Algorithm   Identifying th e mo sq uitoes' phy sical  sha pe i s  ve ry im portant  in th e  pr ocess of  d e tection.  If it is po ssib le to id entify a mo squito’ s  physi cal  sha pe, then  the  informatio n  could  be fu rth e r  pro c e s sed fo r dete c tion a nd po sition tracking. As  a  result the Ro botic visi on s  are the n  abl e  to   effective as the target an d  destroy mo squito e s . The image processing u s ed al so detecte d the  mosq uito’s p o sition  by te rritori al a n d   behavio ra l  p a ttern  analysis. Thi s  im pli e s th at furth e r  resea r ch  coul d be  do ne  where  it is po ssible  to   sho w  ho w roboti c   vision  ca n de tect mo squito es  by using thi s  method, so th at the destru c tion of  mosqu i toes is mo re  efficient and  su ccessful. T he  algorith m ic p r oce s se s are  pre s ente d  in the Figu re 4.         Figure 4. Mosquito’s p a ttern detectio n  al gorithm (MPDA)  Start   Ima g e Ca p tu re Ima g e F ilter in g Re g ion Gro w in g Threshold Ed g e Detection Feature  Se g men t ation Color Se g mentat ion  Parts Se g mentati on  Model Creation Sha p e Se g ment ation Shape and C o rre lation based  Anal y s is Statistical Ana l y si s Mos q uito’s Pattern End  Is It Mosquito?  No  Ye s Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5368 – 53 78   5372 There are  many metho d s for dete c tion  of the  moving obje c t. The backgroun d  subtractio n method is ef fective to detect for  slo w  motion flying mosq uito. The ba ckgro und  image s pixel value and the  detected mo ving image s pixel are not the sam e  [15]. The differen c e  betwe en the s e two valu es  can  be d e fine d as th e re gio n  of intere st (ROI) fo r mo squito dete ctio n.  The segme n tation of ba ckgrou nd pixel  and the ta rge t ed mosquito’ s  pixel value  is impo rtant to   differentiate the modeli ng  and up dating  [15, 16].    The Adaptive  Surend ra Algorithm (AS A ) is  for ba ckgroun d esti mation and t he Inter- Frame  Diffe renci ng Alg o ri thm (IF D A) i s  effe ctive for flying  Mo squito  dete c t i on. The  fra m e  differen c ing,  backg rou nd e x traction an d updatin g,  backgroun d su btractio n and  motion dete c tion  [15] is import ant for Mosq uito detection . The  template image is i m porta n t for post processi ng  whi c h  ca n b e  an alyze d  f o r m o rpholo g i cal filte r ing  to elimi nate t he tiny  noisy  re gion. Im a g e  filtering i s  im portant to  eli m inate the  no ise of i m age   and  smo o thin g the im age t o  get the  efficient  pixel value. T he ba ckgrou nd segme n ta tion woul d  b e  helpful by  usin g thre sh o l ding an d re g i o n   gro w ing  p r o c ess  whi c h i s  helpful  for feature   segm entation. T h e  body  pa rts  of Mo squito   are   compl e x thus flying Mosqu i to detection i s  very diffi cult. In this case  the model cre a tion and bo dy  parts  analy s i s  is imp o rta n t  to analyze  and dete c t m o sq uitoe s . Th e legs  of Mosquito es a r e  no t  the same a s   other in se cts.  The seg m en tation pr o c e s s is u s eful fo r mosquitoe s ’  detection. T h e   sha pe of th e Mosquito  can  be  capt ured  by mo del setting. Espe cially h e rein th e rotated  recta ngul ar  model ha s b een create d  to detect the  flying or moving Mosquito.  The abd o mi nal  parts are  special stylist  such as white an d black-gray segm ented  color line.       3. Rese arch  Metho d   This stu d y consi s ts of two method s: one is  an exte rnal (b ehavio ral) an alysi s  and the  other meth od  is an imag e pro c e ssi ng a nalysi s . The i m age p r o c e s sing p a rt wa s done by Mat l ab   softwa r e. No ise wa s eli m inated  f r o m   the  f ilm by  a  n o ise reje ction met hod usi ng  i m age  pro c e ssi ng.                         (a)                                     (b)                                  (c )                                   (d)                           (e)                                    (f)                                    (g)                                  (h)                       (i)                               (j)                                  (k )                                (l)                           (m)                                   (n)                                    (o)                               (p)     Figure 5. Mosquitoe s  pattern image s (i)-(p)  from (a)-(h ) gray imag es (of Figure 1)      The noi se ex traction a nd rejectio n pro g r am was al so  develope d with Matlab. The cam e ra was  use d  to  differentiate m o sq uitoes,  bee s  and flie s. T h en the  ima g e  processin g   data  whi c h  was   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Cha r a c teri stics Analysi s  an d Dete ction Algor ithm  of Mosq uitoe s  (Ja hangi r Alam   S.M.)  5373 colle cted on  the mosq uito es, flies and  bees was o r gani ze d and  analyzed through stati s tical  method s  su ch a s   histog ra ms th at p r od uce d  the  a r e a , mea n , me dian, a nd  sta ndard  deviation   etc. After a  detailed  ch aracte ri stic stu d y derived f r om the  film s  images was collected,   a  recogni za ble  behavio ral  an d territorial  p a ttern e m er g e d. The  in se cts’ lo cation s  and th eir  pattern  cha r a c teri stics ratios can  be fou nd in  the hi stog ram  analy s is. T h e hi stogram  wa s a pplied   to  analyze in se ct si ze,  num ber of o b je cts, p r ob os ci s, body  sh ape,  col o r,  anten n ae  and  sha p es,   etc.  Whether at home or out of  home, one can gr ab Mosquito(s) and put it/them inside the  15cm x13 c m  x2cm Mosq uito box. The images  a r e captu r ed by GigE 4900 a nd Keyence XG   H20 0 M  cam e ra. Th e exp e riment ha s be en a nalyz ed  by Hal c o n  1 1 . 0 software.  Duri ng th e im age  pro c e ssi ng, the media n  filter is u s ed  to eliminate  the noisy  interfe r ence.  Features  whi c h  were in clu ded in th e ta ble  are ante n n ae, probo s ci s, hind l e g s , size an d   body sha pe  are dete c ted  by edge de tection, st ain s , pitch, edg e width, edg e angle, edg e  positio ns, sta t istical an alysis and it s cha r acte ri stics.  Fourie r de scri p t ors, a s  well as a diffe renti a l  coeffici ent a nd di stribute d  pro c e s sing  were u s ed  in the patt ern fo r re co gnition [17].  The   mosq uito’s  p o sition al patt e rn  wa s ob se rved an d  the  Edge patte rn  of the mo sq uito dete c ted  by  Matlab Edg e  pro c e ssi ng  whi c h i s  sho w n in  Figu re  5, and Fi gu re 6. Th e re sults  sh ow t h e   mosq uito’s p o sition al hi stogra m . The  i m aging  p r ocess all o ws  re sea r che r s to  determi ne  wh ere   the mosq uito  is, and even  make predi ctions ba sed  on analyzi ng  the pattern s as to whe r e the   mosq uito  will likely be  in t he future a s  i n  sh own in F i gure  5(i ) -(p ) . The hi stog ra m analy s is  al so   sho w e d  that t he mo sq uito’s territory i s   smalle r th a n   that of flies a nd be es. T h i s  can  be  see n  in  Figure 6.                        (a)                          (b)                         (c)                           (d)                           (e)                                    (f)                                     (g)                                   (h)                      (i)                               (j)                                  (k )                                   (l)                           (m)                                    (n)                                   (o)                                  (p)    Figure 6. Statistics of Mosq uitoes; (a )- (h ) histogram, a nd (i)-(p) a r ea  histogram       From all the figure s  of the territo rial ed ge  pa tterns, it can be co ncl u ded that a mosquito’ s   territori al p a ttern  sh ape i s   narro w an d l ong  whe r e th e  pattern for flies i s  alm o st  triang ular or  ‘V’  o r  ‘Z ’ or  ‘C ur ve ’ or  ‘ Λ ’ in  sh ape  a s  i n  Figu re  5(i ) -(p ). Th e p a tterns of Fli e s a r e  simil a r to  ‘recta ngul ar’  or ‘a rrow  hea d’ sh ape  as i n  Figu re 7 ( f)-(j). Fo r Bee s ,  it is ro und  a nd not ve ry cl ear.  These  re sult s a r e  sh own  cle a rly in  Fi gure  8 ( e) -(h).  The  histo g ram of the  m o sq uitoe s  sh ows   more  spikes i n  con s iste ncy  and  a n a rro w er wi dth  th an  flie s a n d be e s  in  F i g u r e 6 ( a) -( h) , F i gu r e   7(k)-(o ) , an d  Figure 8 ( i)-(l ). It is rem a rkable that  th e  histog ram  reveals th at the territory o f  a   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5368 – 53 78   5374 mosq uito is  much  sm aller than that of  Flies a nd B ees i n  Figu re  6(i)-(p), Fig u r e 7 ( p)-(t ), a n d   Figure 8(m ) -(p).                         (a)                       (b)                           (c)                               (d )                             (e)                               (f)                               (g)                               ( h )                             (i)                                (j)                            (k )                               (l)                               (m)                           (n)                              (o)                            (p)                                (q)                                 (r)                              (s )                             (t)    Figure 7. Pattern an d Statistical Imag es  of Flies;  (a )- ( e ) gr ay  image s  (fro m Figu r e  2), (f)- (j)  edge s pattern , (k)-(o ) hi sto g ram,  an d (p )-(t) a r ea hi sto g ram                     (a)                                 (b)                                  (c )                                  (d)                        (e)                                  (f)                                     (g)                                (h)                   (i)                             (j)                                 (k )                                  (l )                          (m)                                 (n)                                  (o)                                (p)    Figure 8. Pattern an d Statistical Imag es  of Bees ; (a )- ( d ) gr ay  image s (fro m Figu r e  3), (e )- (h)  edge s patter n , (i)-(l ) hist ogr am, and (m )- ( p ) ar ea hi stog ram   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Cha r a c teri stics Analysi s  an d Dete ction Algor ithm  of Mosq uitoe s  (Ja hangi r Alam   S.M.)  5375 4. Results a nd Discu ssi on  From the  re sults, it is evident that Mosq ui toes h a ve l ong p r ob osci s than Flie s a nd Bee s .  The  b ody sh ape of  flies has  two ro un d  form s,  a n d  they have  shorte r a nd th icker l e g s  th an  Mosq uitoe s . The abd omin al part of the Mosq uito  is na rro w sl e nder a nd White-G r ay stri pe.   Ho wever, th e  flies h a ve n o  White-G r ay  strip e   on  th e abd ome n . The h ead  of  the flies i s  al so  large r , a s  i s  t he tho r ax. O b se rvation s  a l so  sho w  th at a flies colori ng is a m e tall ic blu e  o r  g r e en  colo r with b r o w n, da rk g r ay  colo ring  spre ad thro ugho u t. Its body length is le ss th an 12mm  whi c h  is small e r tha n  a mosq uito’ s  si ze an d bo dy l ength. Mathematically, it can be dete r mined that, the  body sh ape o f  fly is linear,  and the main  se ctio n s  of the body are ful l y narro w cyli nders.     Bees are mo re simila r to flies than mo squi toe s . However, their bo dy shape p a ttern is  linear in it s  sp heri c al  sh ape  with  probo sci s . Its  pr o b o s cis i s   sho r ter t han th at of m o sq uitoe s ’. T he  body le ngth i s  n o rm ally le ss than  1 6  m m  wherea s t he m o squito’ s  b ody l ength  is a  minimu m of   16 mm. It wa s al so  observ ed that the  b ee ha s ve ry small yello w  spi k e s  on it s  body.  Tabl e  4  summ arie s th e physi cal ch ara c teri stics  of Mosquito e s , Flies a nd Bees.       Table 4. Pattern Cha r a c teristics of Mosq uitoes, Flie s and Bee s     Bod y   Shape   Leg  White  segment  Proboscis  (mm)  Bod y  Shape   Length   (mm)  Recognition  Ratio  Mosquitoes  Narro w  Slender   Long   yes   Long        (~6)   Λ  or V or  Z or  cur v e  >16  Higher   F lies   Fat  C y linder   short  no  Short   (~2 )   Linear or Pa rt of  rectangle  5~12  Lo w e r   Bees  Fat  C y linder   short  no  Shorter  (<2)   Linear or Pa rt of  cir c le   <16  Lo w e r       Most of the mosq uitoe s  h a ve angula r   sha ped bo die s  with an ab domen p a rt, thorax &  head. Th e le gs a r e lo ng, the ab dome n   is sl end er  a n d  narro w  with dark  colo r t houg h some  of  them have white circul ar li nes. Th e hin d  legs  are  bo th light and d a rk i n  col o r a nd are thin. The   minimum l e n g th of mo sq u i toes i s  a bou t 16mm  whi c h is ve ry imp o rtant fo r pat tern  re cogniti on  desi gn. The s e re cog n ition  ratios  of Mo squitoe s   are hi gher  wh ere a s the re cog n ition ratio  of Flies  and Bee s  are lowe r as  given in Tab l e 4.  The angle bet wee n  the head  and ab dome n  is  approximatel y ±135 o  (ø)  while that of the reverse  sid e  whi c h chan ges d u rin g  flying is ±2 35 o  (ø) .   Hen c e th e b o d y sh ape i s  li ke  a ‘V o r   Λ ’  but if it is vie w ed  with th e  addition  of th e hind  leg s , t hen   the patte rn i s  more li ke  a ‘ Z ’ a s   sho w n  i n  Figu re  9(a)-(c). If the  tho r ax  shap e of   the mo squito   is   more  cu rved  then it woul d  seem to  be a  fly or bee  a s  indicate d in  Figure 9(d), a nd Figu re 9 ( e ) .  The p r opo se d demo m o d e l of mosquit oes fo r this  pattern  sha p e ha s bee n  mentione d in  the   cro s s section  of the pattern  as in Figu re  9(a ) .        (a)     (b)     (c )       (d)     (e)     Figure 9. Model and Patte rn Shap e of Mosq uito with  Flies and Be es; (a ) model  of  Mosq uito, (b)  sha pe of Mosquito, (c) sh a pe of  Mosq uito with hind le g, (d) shap e of Fly,  and (e ) shap e of Bee  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5368 – 53 78   5376 All of the feature s  have b e en co nsi dere d  to  detect th e edge s  of th e Mosquito a s  sh own   in Figure 10.  The re co gni tion ratio of  Mosq uito e s , bee s and flie s are simil a r as explai ne d in  Table 5. It is assume d th at the re co gn ition ratio  i s  t he majo r axi s  len g th divid e d by the mi nor  axis length in  pixels. The major axis le ngth is  the total length of head, thorax, and abdo mi nal  part of th e m o sq uito. The   prob osci s  ca n be  igno re d  for la ck of  Robotic visio n   becau s e it i s   so  thin an d n o t  clea rly visibl e  for i m agin g   whe n  the  Mo squito  is flying. The  mino r axis length   has  been  con s id e r ed the l ength  of abdom en  or tho r ax pa rt  as  width of  maximum pix e l value in mi nor  axis. This ratio will en sure that the Mosq uito and its flying po sition s.      Table 5. Re cognition  Ratio  of Mosquitoe s , Flies a nd Bees    Length (L  pixel)  Width (W pixel)  R L/W =L / W  Mosquitoes  284.606  53.815   5.289   220.272  35.203   6.257   285.732  56.991   5.032   193.204  32.692   5.909   250.276  46.791   5.349   183.114  43.782   4.153   278.785  53.345   5.226   185.483  24.925   7.442   F lies   588.596  280.781   2.096   497.653  232.982   2.136   489.230  248.110   1.972   455.539  186.843   2.438   489.230  248.110   1.972   Bees  113.054  34.363   3.290   204.662  60.754   3.369   554.116  180.360   3.072   204.662  60.754   3.369       If the major axis length is  L in pixel, the mi nor axis le ngth is W in  pixel the reco gnition  ratio  can  be  obtain ed from R L/ W =L/ W  [18].   T h e  Mo squitoe s ,  Flie s, an d  Bees minim u m  recognitio n   ra tio are  4.15 3, 1.972,  and  3 . 072, re sp ecti vely and th e  maximum  re cognition  ratio s   are  7.442,  2. 438, a nd  3.3 69, resp ectiv e ly. Theref ore it can  be  defined  that  the mo squito ’s  recognitio n  ra tio is relativel y  higher. After com p a r ing t he length a n d  width, it ca n be sig n ify that  the length i s  bigge r and t he width i s   smaller of  the  Mosq uito. In this phe nom e non it can  be  pro c ee ded to  differentiate a nd dete c t the Mosq uito in F i gure 1 0 .        (a)     (b)     (c )     (d)     Figure 10. Mosq uito Dete ction (a) o r igin al image (b) create mo del  with edg es (c) sha pe mo de l  based ed ge s detectio n  (d ) correl ation ba sed mo del de tection       The shap e a nd co rrelatio n based a nal ysis can  b e  confirme d by the expe rime ntal tests  and it ca n be  signified to  detect a nd track po sition  of the Mosqu i to as p r e s en ted in Figu re  11.  The stati s tica l method can  determin e  d e tection in fo rmation, part s , segme n tatio n , position s  a n d   the moving  a ngle of th e m o sq uito. The  all dete r mine d inform ation  woul d b e  he lpful to de stroy  the Mos quito  by LASER  s y s t em.  The c o ntour  informatio n of images   c a n be prov ided  by Halcon   softwa r e. Du ring the det ection, the backg ro u nd  of the image has be en  subtra cted  by  thresholdi ng  and  regio n  g r owi ng m e tho d  so th at  it can be  dete c ted a s  qui ckly as p o ssibl e   as  sho w n in Fig u re 11.     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Cha r a c teri stics Analysi s  an d Dete ction Algor ithm  of Mosq uitoe s  (Ja hangi r Alam   S.M.)  5377   (a)     (b)     (c )       (d)     (e)     (f)     Figure 11. Backgro und Se gmentation fo r Mosquito De tection; (a ) filtering & mod e l cre a tion, (b )  pattern dete c t i on, (c) thre sh old witho u t model, (d ) regi on gro w in g, (e) thre sh old o f  original  image, and  (f) regi on growi ng image afte r thre shol d ap plied       After setting up the mode l, the background  s ubtraction method i s  applie d. Next, the   threshold ima ge and the region g r owi n g image ru n  pro c e ss i s  ad opted to dete ct the mosqu i to   one by o ne in  the re al flying sp ace. Before d e tect io n, it is ne ce ssa r y to pro c e s s  the optimization   of statistical a nalysi s . The  grab bing im a ge ca n  be p r oce s sed a nd  the Mosquito  can b e  dete cted .  The Mo sq uito are flying from on e po sit i on to a nothe r po sition th e n  the rotated  re ctang ular  are  sea r ching the  pattern of the model in Fi gure 1 2 .        (a)   (b)  (c )   (d)     Figure 12. De tected Mo squ i to after Mode l Setting; (a) model setting , and (b)-(d) d e tected in  diffetent posit ions d u rin g  flying time      The wh ole d e tection p r o c essed h a s b een an alyze d  by Halcon  Software. About 20   Mosq uitoe s  were grabb e d  and put in side the M o s quito box for experime n ta l exerci se. In  this   process  the applied algorit h m  is  effectiv e and the  statistical  re sults  have shown stability.  Duri n g   detectio n  p r o c e ss, mi nimu m scor e, max i mum sco r e,  detectio n  tim e  and  an gula r movem ent  has  been  ob se rved a s  give n  Table  6. The  time to det ect the  Mo squito is very  impo rtant. Each   Mosq uito det ection p r o c e s s minimum ti me is 1.95 m s  and the m a ximum extended time is 4 . 87   ms that i s  eff e ctive an d  stable  fo r dete c tion of  Mo sq uito. It can  b e  consi d red  as th e si gnifi cant  results to de sign a Mosquit o  destroy con t roller [19].       Table 6. Statistical  Re sults for Mosq uito Dete ction   Range   Score  Time for each  M o squito detection (ms)  Angle ( ø)   Minimum 60%   1.95  -1.21 o  Maximum  100%   4.87  248.04 o        Evaluation Warning : The document was created with Spire.PDF for Python.