Methods and apparatus for pest detection using a sensed capacitance profile and machine learning

Abstract

Various examples are directed to apparatus and methods for detecting and identifying pests using capacitance profiles and machine learning. A method includes receiving sensor data from one or more capacitive sensors configured to detect motion and generating feature data for a plurality of pests from the sensor data. The feature data is used to generate profiles for the plurality of pests, and a processor is trained using the generated profiles for the plurality of pests. The trained processor and the generated profiles are used to classify a pest of the plurality of pests based on the received sensor data, and an output is provided including the classification of the pest.

Description

METHODS AND APPARATUS FOR PEST DETECTION USING A SENSED CAPACITANCE PROFILE AND MACHINE LEARNINGTECHNICAL FIELD

[0001] This disclosure relates generally to pest detection and control, and more particularly to methods and apparatus for detecting and identifying pests using capacitance profiles and machine learning.BACKGROUND

[0002] Pest control systems may include sensors in pest control devices to detect and identify pests captured or observed by the pest control devices. Data from sensors may be used to determine presence of the pests. However, pest control devices that use capacitive sensors to detect specific pests, such as rodents or insects, may generate false positive results from the presence of other pest species and from the environment. The false positive results waste service efforts for the pest control devices and lead to decreased efficiency, including causing a less accurate and more time consuming calculation.

[0003] There is a need in the art for methods and apparatus for a pest detection and classification methodology for a capacitive sensor-based pest control system that provides more reliable, faster and more accurate detection and classification and avoids false alarms due to environmental effects.SUMMARY

[0004] The present apparatus and methods provide a system for detecting and identifying pests using capacitance profiles and machine learning. Various examples are directed to a computer system comprising one or more processors and a data storage system in communication with the one or more processors. The data storage system comprises instructions thereon that, when executed by the one or more processors, causes the one or more processors to receive sensor data from one or more capacitive sensors configured to detect motion, and generate feature data for a plurality of pests from the sensor data. The feature data is used by the computer system to generate profiles for the plurality of pests, and a processor is trained using the generated profiles for the plurality of pests. The trained  processor and the generated profiles are used to classify a pest of the plurality of pests based on the received sensor data, and an output is provided by the computer system including the classification of the pest.

[0005] Various examples are directed to apparatus and methods for detecting and identifying pests using capacitance profiles and machine learning. A method includes receiving sensor data from one or more capacitive sensors configured to detect motion and generating feature data for a plurality of pests from the sensor data. The feature data is used to generate profiles for the plurality of pests, and a processor is trained using the generated profiles for the plurality of pests. The trained processor and the generated profiles are used to classify a pest of the plurality of pests based on the received sensor data, and an output is provided including the classification of the pest. The trained processor and generated profiles also serve to reduce environmental effects, which may cause false positive senses.

[0006] This Summary is an overview of some of the teachings of the present application and not intended to be an exclusive or exhaustive treatment of the present subject matter. Further details about the present subject matter are found in the detailed description and appended claims. The scope of the present invention is defined by the appended claims and their legal equivalents.BRIEF DESCRIPTION OF THE DRAWINGS

[0007] The drawings illustrate generally, by way of example, various embodiments discussed in the present document. The drawings are for illustrative purposes only and may not be to scale.

[0008] FIGS. 1A-1B illustrate example embodiments of a system for detecting and identifying pests using capacitance profiles.

[0009] FIG. 2 illustrates an example embodiment of a method for detecting and identifying pests using capacitance profiles and machine learning.

[0010] FIG. 3 illustrates an example machine learning module for detecting and identifying pests using capacitance profiles.

[0011] FIG. 4 is a flowchart of a method of training a model for detecting and identifying pests using capacitance profiles.

[0012] FIG. 5 illustrates an example embodiment of a system for detecting and identifying pests using capacitance profiles.

[0013] FIGS. 6A-6B illustrate example embodiments of a pest sensing or control device for obtaining sensor data for detecting and identifying pests using capacitance profiles.

[0014] FIGS. 7A-7E are graphical illustrations of features used for detecting and identifying pests using capacitance profiles, according to various embodiments.

[0015] FIG. 8 is a block diagram of a machine in the example form of a computer system within which a set of instructions may be executed, for causing the machine to perform any one or more of the methodologies discussed herein.DETAILED DESCRIPTION

[0016] The following detailed description of the present subject matter refers to subject matter in the accompanying drawings which show, by way of illustration, specific aspects and embodiments in which the present subject matter may be practiced. These embodiments are described in sufficient detail to enable those skilled in the art to practice the present subject matter. References to “an” , “one” , or “various” embodiments in this disclosure are not necessarily to the same embodiment, and such references contemplate more than one embodiment. The scope of the present invention is defined by the appended claims, along with the full scope of legal equivalents to which such claims are entitled.

[0017] Some pest control systems include sensors in pest control devices to detect and identify pests captured or observed by the pest control devices. Data from sensors may be used to determine presence of the pests. However, pest control devices that use capacitive sensors to detect specific pests, such as rodents or insects, may generate false positive results from the presence of other pest species. The false positive results waste service efforts for the pest control devices and lead to decreased efficiency, including causing a less accurate and more time and power consuming calculation.

[0018] The present subject matter provides a pest detection and classification methodology for a capacitive sensor-based pest control system that produces more reliable, faster and more accurate detection and classification. Identification of pest species by the present subject matter is more accurate and includes less error than in the prior systems. The present system avoids false positive sensing events triggered by environmental conditions. Thus, the present system increases efficiency and accuracy and reduces processing time.

[0019] In various examples, a system is provided to detect and distinguish a pest with a combination of sensors and data analytics, providing for detection and reporting the activities of different pest species with high accuracy. The system may include hardware that acquires raw data of pest activity using capacitive sensors, and an algorithm implemented in software that is based on feature analysis of the capacitance profile generated by the movement of the pest. In some examples, raw capacitance data is processed to generate features, and the  features used to train a machine learning model. The model may then be used to identify and / or classify a pest based on sensor data, and the classification result may be provided to a user. According to various embodiments, different pest species exhibit different features in a capacitance profile. For example, different species may move at a different speeds that correlates with the peak intervals, and different species may have different capacitance that correlates with the amplitude of the peak. Detection accuracy may increase by increasing the dimension, number or weighting of the features, in some embodiments.

[0020] FIGS. 1A-1B illustrate example embodiments of a system for detecting and identifying pests using capacitance profiles, according to various embodiments. In FIG. 1A, the system 100 performs feature generation 102 from a capacitance profile of different pest species, and uses the features to train a machine learning model. In various examples, raw capacitance data from a pest control device is processed to generate features, and the features are used by the trained model for classification 122 or identification of a pest. In one embodiment of the present subject matter, the system 100 receives a capacitor signal 104 and generates features 106 including, but not limited to, frequency domain features 108, statistical features 110, and / or time-based features 112. Gradient boosting 124 may be performed on the features to obtain classification results 126, in various embodiments. The gradient boosting 124 may include weighting features, including or excluding features, or other types of calculations to enhance the classification results 126 from the received data, in various examples.

[0021] In FIG. 1B, a system 150 for identifying pests using capacitance profiles, such as system 100 in FIG. 1A, includes portions performed on multiple different processing platforms. For example, an end device 180, such as a pest control device, performs a wake up function 184 and acquires raw data 182, such as capacitance sensor data based on detection of one or more pests. In this example, a gateway 170 performs data collection 174 from the end device 180, such as by using a local area network (LAN) , long range (LoRa) network, Bluetooth, Bluetooth Mesh, Bluetooth Low Energy (BLE) , BLE mesh or other communication system (for some examples, Wi-Fi, ZigBee, narrow band internet of things (NBIoT) , or cellular type communications may also be used) . The gateway 170 may then perform data transmission 172 of the collected data to the cloud or other network 160 or other processing platform, such as by using a cellular network (3G, 4G, 5G, etc. ) or other communication standard. The cloud or other network 160 performs feature generation 164 using the data and may further perform classification 162 of the one or more pests using the features and a trained machine learning model, according to various embodiments.

[0022] In various embodiments, a data acquisition trigger may be provided by the end device 180. For example, when the capacitance measured by the end device 180 exceeds a threshold, an interrupt may be triggered and a microcontroller of the end device 180 may begin data acquisition. In some examples, the data acquisition includes using a programable data sampling frequency, such as 500 milliseconds per sample. If the capacitance value is consistently above the threshold, the microcontroller may take a programmable number of data points (such as 100 data points) before stopping the data collection and going to sleep, in various embodiments. If the capacitance value drops below the threshold before the 100 data points are taken, the microcontroller may quit the sampling process and go to sleep, in an example. In various embodiments, a baseline adjustment may be made to filter out environmental interference. For example, if the capacitive sensor is triggered repeatedly, and the capacitance value is relatively flat, the microcontroller may consider the trigger to be environmental interference and automatically adjust the baseline or threshold.

[0023] According to various embodiments, the end device 180 includes at least one electrode pair beneath a plate or portion of housing. When a pest, such as a rodent, moves along the plate above the electrode pair, the rodent changes the capacitance because the dielectric constant of the rodent is greater than air, in an example. Thus, the end device 180 may operate in a differential mode to sense the presence of a rodent or pest, in various examples. In various embodiments, the present system operates as an inference engine to infer the species of the rodent or pest based on the sensed capacitance signal. The sensed capacitance signal is sent from the end device 180 to the cloud or other network 160 through the gateway 170, in various examples. The sensed capacitance signal, or raw data, is sent to the gateway using a long range (e.g., LoRa, Bluetooth, Bluetooth Mesh, BLE or other) network, and from the gateway to the cloud or other network using a cellular network, in one embodiment. An algorithm in the cloud or other network 160 processes the capacitance signal to determine features and uses machine learning to classify the pest, in one example. Alternative to the cloud or in addition to the cloud, the present system may operate on a network, or the system may perform edge computing and share information over a broader network, including but not limited to the INTERNET. In various embodiments, the cloud or other network 160 pushes or sends the results to an app on a mobile device or other user device, providing an alarm service to a user to replace the bait in the end device 180. Other types of messages may be sent to the user device without departing from the scope of the present subject matter.

[0024] The present system uses a model to generate features of the pest to create a profile and classify the pest using the profile, in various examples. The system distinguishes the pest from other species using the profile, such as by using peak intervals of the capacitive signal which may be different from species to species. Other features may be used without departing from the scope of the present subject matter. The algorithm in the cloud or other network extracts features from the capacitance data, such as from peak to peak in various examples. Gradient boosting may be used on the extracted features, such as a weighted factor used by the model to apply to the extracted features and determined to provide a confidence level for classifying the pest, in various embodiments.

[0025] In various examples, confidence levels are used for pest classification or identification. In one example, the end device uses a threshold capacitance and will wake up and record data for a programable time period (such as 5 minutes) when it senses a value over the threshold capacitance. The present system is resistant to environmental interference by removing noise from the capacitance signal caused by an environmental factor, such as humidity, in an example. An algorithm may be used to avoid environmental interference locally at an end device, in some examples. In various embodiments, the cloud or other network is configured to remove noise of other species when identifying the target species from the capacitance data. The cloud or other network may use a programmable number of features to classify the pest, in various examples. In some examples, by adding more features, or more dimensions, to the cloud or other network algorithm the classification result may be more accurate. In one example, the cloud or other network algorithm may correlate peak amplitude in the capacitance signal to a size and dielectric constant of the pest or creature. The peak interval may be related to how fast the detected pest or creature moves, in an example. In various embodiments, the end device may use different rates of upload to the cloud or other network. In one example, the end device is in sleep mode and wakes up a programmable number of times per day (such as twice a day) to send signal to the cloud or other network periodically. In another example, a capacitive sensor generates an interrupt for a microcontroller when triggered by the presence of a pest or rodent, wakes up the microcontroller to sample capacitance value for a programmable period (such as 5 minutes) , and packs the raw data and sends the signal either directly or indirectly to the cloud or other network on a near real time basis.

[0026] The present subject matter provides many benefits. For example, the present system can distinguish and detect different species, not only rodents, but potentially any other species like cockroach, cricket, etc. In addition, the present cloud or other network and  device combined approach can filter out the interference from other species and from the environment (e.g., water, humidity, etc. ) and provide a highly accurate classification of the target species. The improved accuracy significantly reduces the service labor cost for the pest control devices by reducing power consumption and false identifications. Further, the present system that uses electrodes as capacitive sensors provides for significantly reduced cost on hardware compared to other pest systems that use cameras or other expensive technology. The present system is adaptable to a wide variety of applications by updating the classification algorithm in the cloud or other network, in various examples. In addition to the use of capacitive sensors, the present system can use any other sensor that provides analog signals, in various embodiments.

[0027] FIG. 2 illustrates an example embodiment of a method for detecting and identifying pests using capacitance profiles and machine learning. The method 200 includes receiving sensor data from one or more capacitive sensors configured to detect motion (202) and generating feature data for a plurality of pests from the sensor data (204) . The feature data is used to generate profiles for the plurality of pests (206) , and a processor is trained using the generated profiles for the plurality of pests (208) . The trained processor and the generated profiles are used to classify a pest of the plurality of pests based on the received sensor data (210) and an output is provided including the classification of the pest (212) . Other variations are possible without departing from the scope of the present subject matter.

[0028] According to various embodiments, receiving sensor data from one or more capacitive sensors includes receiving sensor data from a pest control device. Receiving sensor data from one or more capacitive sensors includes receiving sensor data from an Internet of Things (IoT) device, in some examples. The method also includes using the trained processor and the generated profiles to identify a pest of the plurality of pests based on the received sensor data, in various examples. In some embodiments, the method further includes providing an output including the identification of the pest.

[0029] In various examples, generating feature data for a plurality of pests from the sensor data includes generating frequency domain feature data. In some examples, generating feature data for a plurality of pests from the sensor data includes generating statistical feature data. Generating feature data for a plurality of pests from the sensor data includes generating time-based feature data, in some examples. In various embodiments, using the trained processor and the generated profiles to classify a pest of the plurality of pests based on the received sensor data includes classifying the pest based on a peak amplitude of the sensor data. In some embodiments, using the trained processor and the  generated profiles to classify a pest of the plurality of pests based on the received sensor data includes classifying the pest based on a peak interval of the sensor data. Providing an output including the classification of the pest includes providing an output on a mobile device of a user, in various examples.

[0030] FIG. 3 shows an example machine learning module 300 according to some examples of the present disclosure. The machine learning module 300 may be implemented in whole or in part by one or more computing devices. In some examples, the training module 310 may be implemented by a different device than the prediction module 320. In these examples, the model 320 may be created on a first machine and then sent to a second machine.

[0031] Machine learning module 300 utilizes a training module 310 and a prediction module 320. Training module 310 inputs training feature data 330 into feature determination module 350. The training feature data 330 may include data determined to be predictive of classifying pests in a pest control system. Categories of training feature data may include tracked data, input data, image data, user data, other third-party data, or the like. Specific training feature data and prediction feature data 390 may include, for example one or more of:current tracked data, past tracked data, and the like.

[0032] Feature determination module 350 selects training vector 360 from the training feature data 330. The selected data may fill training vector 360 and comprises a set of the training feature data that is determined to be predictive of classifying pests in a pest control system. In some examples, the tasks performed by the feature determination module 350 may be performed by the machine learning algorithm 370 as part of the learning process. Feature determination module 350 may remove one or more features that are not predictive of classifying pests in a pest control system to train the model 320. This may produce a more accurate model that may converge faster. Information chosen for inclusion in the training vector 360 may be all the training feature data 330 or in some examples, may be a subset of all the training feature data 330.

[0033] In other examples, the feature determination module 350 may perform one or more data standardization, cleanup, or other tasks such as encoding non-numerical features. For example, for categorical feature data, the feature determination module 350 may convert these features to numbers. In some examples, encodings such as “one hot encoding” may be used to convert the categorical feature data to numbers. This enables a representation of the categorical variables as binary vectors and provided a “probability-like” number for each label value to give the model more expressive power. One hot encoding represents a  category as a vector whereby each possible category value is represented by one element in the vector. When the data is equal to that category value, the value of the vector is a ‘1’a nd all other elements are zero (or vice versa) .

[0034] The training vector 360 may be utilized (along with any applicable labels) by the machine learning algorithm 370 to produce a model 320. In some examples, other data structures other than vectors may be used. The machine learning algorithm 370 may learn one or more layers of a model. Example layers may include convolutional layers, dropout layers, pooling / up sampling layers, softmax layers, and the like. Example models may be a neural network, where each layer is comprised of a plurality of neurons that take a plurality of inputs, weight the inputs, input the weighted inputs into an activation function to produce an output which may then be sent to another layer. Example activation functions may include a Rectified Linear Unit (ReLU) , and the like. Layers of the model may be fully or partially connected. In other examples, machine learning algorithm may be a gradient boosted tree and the model may be one or more data structures that describe the resultant nodes, leaves, edges, and the like of the tree.

[0035] In the prediction module 320, prediction feature data 390 may be input to the feature determination module 395. The prediction feature data 390 may include the data described above for the training feature data, but for a specific items such as pest or insect identification or classification. In some examples, the prediction module 320 may be run sequentially for one or more items. Feature determination module 395 may operate the same, or differently than feature determination module 350. In some examples, feature determination modules 350 and 395 are the same modules or different instances of the same module. Feature determination module 395 produces vector 397, which is input into the model 320 to produce predictions 399. For example, the weightings and / or network structure learned by the training module 310 may be executed on the vector 397 by applying vector 397 to a first layer of the model 320 to produce inputs to a second layer of the model 320, and so on until the prediction 399 is output. As previously noted, other data structures may be used other than a vector (e.g., a matrix) .

[0036] The training module 310 may operate in an offline manner to train the model 320. The prediction module 320, however, may be designed to operate in an online manner. It should be noted that the model 320 may be periodically updated via additional training and / or user feedback. For example, additional training feature data 330 may be collected. The feedback, along with the prediction feature data 390 corresponding to that feedback, may be used to refine the model by the training module 310. For example, a program or a human  could be used to confirm a particular activity or a particular pest. Other methods of confirmation and / or supervision may be employed without departing from the scope of the present subject matter.

[0037] In some example embodiments, results obtained by the model 320 during operation (e.g., outputs produced by the model in response to inputs) are used to improve the training data, which is then used to generate a newer version of the model. Thus, a feedback loop is formed to use the results obtained by the model to improve the model.

[0038] The machine learning algorithm 370 may be selected from among many different potential supervised or unsupervised machine learning algorithms. Examples of learning algorithms include artificial neural networks, convolutional neural networks, Bayesian networks, instance-based learning, support vector machines, decision trees (e.g., Iterative Dichotomiser 3, C4.5, Classification and Regression Tree (CART) , Chi-squared Automatic Interaction Detector (CHAID) , and the like) , random forests, gradient boosted tree, linear classifiers, quadratic classifiers, k-nearest neighbor, linear regression, logistic regression, a region based CNN, a full CNN (for semantic segmentation) , a mask R-CNN algorithm for instance segmentation, and hidden Markov models. Examples of unsupervised learning algorithms include expectation-maximization algorithms, vector quantization, and information bottleneck method.

[0039] FIG. 4 illustrates a flowchart of a method 400 of training a model for detecting and identifying pests using capacitance profiles, according to various embodiments. At operation 410 the training module (e.g., training module 310 as implemented by a model system) may request training feature data, from one or more systems. At operation 415 the training module may receive the training feature data. The training feature data may be processed using more data standardization, cleanup, or other tasks such as encoding non numerical features (e.g., one hot encoding) . At operation 420, the training model may use the training feature data to train the model. For example, by creating a gradient boosted tree, neural network, or the like. At operation 425 the model may be stored in a storage device. In some examples in which the training operations and predictions are done on separate computing devices, the model may be transmitted to a computing device doing predictions. In various examples, the model may be used for one or more of detecting, classifying or identifying pests using capacitance profiles.

[0040] FIG. 5 illustrates an example embodiment of a system for detecting and identifying pests using capacitance profiles, according to various embodiments. The system 500 for identifying pests using capacitance profiles, such as system 100 in FIG. 1A, includes  portions performed on multiple different processing platforms. For example, a plurality of end devices 502, such as pest control devices, acquire raw capacitance sensor data based on detection of one or more pests. In this example, a gateway 504 collects the sensor data from the end devices 502, such as by using a LAN, long range network (e.g., LoRa, Bluetooth, Bluetooth Mesh, BLE or other network) , wide area network (WAN) , or other communication network. Other protocols such as Wi-Fi, ZigBee, narrow band internet of things (NBIoT) , or cellular type communications may be used. One advantage of LoRa is lower power consumption when used in a battery-operated device, such as a pest control device. Other standards, such as BLE offer lower power solutions as well. Other types of communications may be used without departing from the scope of the present subject matter. The gateway 504, such as a dragon gateway, may then transmit of the collected data to the cloud or other network 506 or other processing platform, such as by using a cellular network (4G, etc. ) , Wi-Fi network, or other communication protocol. The cloud or other network 506 or other network performs feature generation using the data and may further perform classification of one or more pests using the features and a trained machine learning or artificial intelligence (AI) model 508, in various embodiments. The cloud or other network 506 may then transmit results of the classification to a user device 510, such as a mobile computing device or other type of computing device. The results may include service insights for the user based on the classification, in various embodiments. In various embodiments, the user device may include, but not be limited to, one or more of a laptop computer, desktop computer, remote client, server system, mobile phone, remote device, video terminal, or other user device.

[0041] Various embodiments include a computing system with one or more processors and a data storage system in communication with the one or more processors, wherein the data storage system comprises instructions thereon that, when executed by the one or more processors, causes the one or more processors to execute the steps of the method of FIG. 2 to detect, classify and / or identify pests using capacitance profiles and machine learning. The machine learning may include a machine learning model including a neural network. The machine learning model may include one or more of a long short-term memory (LSTM) network, bidirectional encoder representations from transformers (BERT) , natural language processing (NLP) , or an artificial intelligence (AI) -based knowledge tree, in various examples. In various examples, the artificial intelligence includes a large language model (LLM) . Other types of machine learning models may be used without departing from the scope of the present subject matter. In some embodiments, at least a portion of the computer system includes a network-based storage device. In some embodiments, at least a portion of  the computer system includes a cloud-based storage device. At least a portion of the computer system includes a mobile computing device, in some examples. Various embodiments include a non-transitory computer-readable storage medium, the non-transitory computer-readable storage medium including instructions that, when executed by computers, cause the computers to perform operations including the method of FIG. 2.

[0042] FIGS. 6A-6B illustrate example embodiments of a pest sensing or control device for obtaining sensor data for detecting and identifying pests using capacitance profiles, according to various embodiments. FIG. 6A is a top view of a pest sensing or control device 602, in one embodiment. The pest sensing or control device 602 includes one or more capacitive sensors 606 for sensing pests. The capacitive sensors 606 are on or in a housing, in various embodiments. In the depicted embodiment, the capacitive sensors 606 are housed with an internet of things (IoT) box 604 for communication of raw data from the capacitive sensors to an external device, such as a gateway, modem, or other device.

[0043] FIG. 6B is a bottom view of the pest sensing or control device 602, in one embodiment. This view illustrates the placement and size of the capacitive sensors 606. The depicted placement and size of the capacitive sensors 606 is illustrative and not meant to be limiting or exclusive. In various embodiments, the capacitive sensors 606 are electrically connected to a processor 608, such as a microprocessor or microcontroller of the IoT box 604. The processor 608 may coordinate function of the capacitive sensors 606, collect data from the capacitive sensors 606, and communicate the collected data in a programmable system, in various embodiments.

[0044] In one embodiment, a sensor board with two pairs of capacitive sensors 606 (or pairs of electrodes) is placed in the pathway of the pest, to measure real time capacitance of the pest above the capacitive sensors 606, in an example. The capacitive sensors 606 are connected to a circuit board in the IoT box 604 which processes the sensor data and sends the data to a gateway using a LoRa star network topology, in one example. It is understood that other networks, including but not limited to Bluetooth, Bluetooth Mesh, BLE or other networks, may be used. The gateway collects sensor data from a plurality of pest sensing or control devices and sends the collected data to the cloud or other network via cellular communication, in various embodiments. In various examples, the IoT box 604 remains in sleep mode to preserve power and wakes up when the detected capacitance exceeds a threshold. According to an embodiment, a capacitive measurement chip, such as a Sentech MDC04 device, may be used in the present system to measure a change in capacitance due to the presence of a pest.

[0045] FIGS. 7A-7E are graphical illustrations of features used for detecting and identifying pests using capacitance profiles, according to various embodiments. FIG. 7A illustrates a graphical diagram showing features extracted from sensor data and used to train a machine learning algorithm, in various embodiments. FIG. 7B illustrates a graphical plot of signal features including a median peak interval and minimum peak for received sensor data, according to various embodiments. FIG. 7C illustrates a time based sensor signal of a rodent detected by capacitive sensors, in one example. FIG. 7D illustrates a time based sensor signal of a non-rodent detected by capacitive sensors, in another example. FIG. 7E illustrates weights assigned to features by an embodiment of the present system, showing the relative importance of the features for classifying or identifying pests, in various examples. In one embodiment, the weights may be used to provide gradient boosting of the features for pest detection, classification or identification.

[0046] FIG. 8 illustrates a block diagram of an example machine 800 upon which any one or more of the techniques (e.g., methodologies) discussed herein may perform. In alternative embodiments, the machine 800 may operate as a standalone device or may be connected (e.g., networked) to other machines. In a networked deployment, the machine 800 may operate in the capacity of a server machine, a client machine, or both in server-client network environments. In an example, the machine 800 may act as a peer machine in peer-to-peer (P2P) (or other distributed) network environment. The machine 800 may be configured to perform the method of FIG. 4. The machine 800 may be in the form of a personal computer (PC) , a tablet PC, a set-top box (STB) , a personal digital assistant (PDA) , a mobile telephone, a smart phone, a web appliance, a network router, switch or bridge, or any machine capable of executing instructions (sequential or otherwise) that specify actions to be taken by that machine. Further, while only a single machine is illustrated, the term “machine” shall also be taken to include any collection of machines that individually or jointly execute a set (or multiple sets) of instructions to perform any one or more of the methodologies discussed herein, such as cloud computing (or other network computing) , software as a service (SaaS) , other computer cluster configurations.

[0047] Examples, as described herein, may include, or may operate on, logic or a number of components, modules, or mechanisms. Modules are tangible entities (e.g., hardware) capable of performing specified operations and may be configured or arranged in a certain manner. In an example, circuits may be arranged (e.g., internally or with respect to external entities such as other circuits) in a specified manner as a module. In an example, the whole or part of one or more computer systems (e.g., a standalone, client or server computer  system) or one or more hardware processors may be configured by firmware or software (e.g., instructions, an application portion, or an application) as a module that operates to perform specified operations. In an example, the software may reside on a machine readable medium. In an example, the software, when executed by the underlying hardware of the module, causes the hardware to perform the specified operations.

[0048] Accordingly, the term “module” is understood to encompass a tangible entity, be that an entity that is physically constructed, specifically configured (e.g., hardwired) , or temporarily (e.g., transitorily) configured (e.g., programmed) to operate in a specified manner or to perform part or all of any operation described herein. Considering examples in which modules are temporarily configured, each of the modules need not be instantiated at any one moment in time. For example, where the modules comprise a general-purpose hardware processor configured using software, the general-purpose hardware processor may be configured as respective different modules at different times. Software may accordingly configure a hardware processor, for example, to constitute a particular module at one instance of time and to constitute a different module at a different instance of time.

[0049] The processor 802 may be a digital signal processor (DSP) , microprocessor, microcontroller, application-specific integrated circuit (ASIC) , field-programmable gate array (FPGA) , combinational logic, other digital logic, or combinations thereof. The processing may be done by a single processor, or may be distributed over different devices. The processing of signals referenced in this application may be performed using the processor or over different devices. Processing may be done in the digital domain, the analog domain, or combinations thereof. Processing may be done using subband processing techniques. Processing may be done using frequency domain or time domain approaches. Some processing may involve both frequency and time domain aspects. For brevity, in some examples, drawings may omit certain blocks that perform frequency synthesis, frequency analysis, analog-to-digital conversion, digital-to-analog conversion, signal transmission, amplification, buffering, and certain types of filtering and processing. In various examples of the present subject matter the processor is adapted to perform instructions stored in one or more memories, which may or may not be explicitly shown. Various types of memory may be used, including volatile and nonvolatile forms of memory. In various examples, the processor or other processing devices execute instructions to perform a number of processing tasks. In various examples of the present subject matter, different realizations of the block diagrams, circuits, and processes set forth herein may be created by one of skill in the art without departing from the scope of the present subject matter.

[0050] Machine (e.g., computer system) 800 may include a hardware processor 802 (e.g., a central processing unit (CPU) , a graphics processing unit (GPU) , a hardware processor core, or any combination thereof) , a controller, a microcontroller, a microprocessor, a main memory 804 and a static memory 806, some or all of which may communicate with each other via an interlink (e.g., bus) 808. The machine 800 may further include a display unit 810, an alphanumeric input device 812 (e.g., a keyboard) , and a user interface (UI) navigation device 814 (e.g., a mouse) . In an example, the display unit 810, input device 812 and UI navigation device 814 may be a touch screen display. The machine 800 may additionally include a storage device (e.g., drive unit) 816, a signal generation device 818 (e.g., a speaker) , a network interface device 820, and one or more sensors 821, such as a global positioning system (GPS) sensor, compass, accelerometer, or other sensor. The machine 800 may include an output controller 828, such as a serial (e.g., universal serial bus (USB) , parallel, or other wired or wireless (e.g., infrared (IR) , near field communication (NFC) , etc. ) connection to communicate or control one or more peripheral devices (e.g., a printer, card reader, etc. ) .

[0051] The storage device 816 may include a machine readable medium 822 on which is stored one or more sets of data structures or instructions 824 (e.g., software) embodying or utilized by any one or more of the techniques or functions described herein. The instructions 824 may also reside, completely or at least partially, within the main memory 804, within static memory 806, or within the hardware processor 802 during execution thereof by the machine 800. In an example, one or any combination of the hardware processor 802, the main memory 804, the static memory 806, or the storage device 816 may constitute machine readable media.

[0052] While the machine readable medium 822 is illustrated as a single medium, the term "machine readable medium" may include a single medium or multiple media (e.g., a centralized or distributed database, and / or associated caches and servers) configured to store the one or more instructions 824.

[0053] The term “machine readable medium” may include any medium that is capable of storing, encoding, or carrying instructions for execution by the machine 800 and that cause the machine 800 to perform any one or more of the techniques of the present disclosure, or that is capable of storing, encoding or carrying data structures used by or associated with such instructions. Non-limiting machine-readable medium examples may include solid-state memories, and optical and magnetic media. Specific examples of machine-readable media may include: non-volatile memory, such as semiconductor memory devices (e.g., Electrically  Programmable Read-Only Memory (EPROM) , Electrically Erasable Programmable Read-Only Memory (EEPROM) ) and flash memory devices; magnetic disks, such as internal hard disks and removable disks; magneto-optical disks; Random Access Memory (RAM) ; Solid State Drives (SSD) ; and CD-ROM and DVD-ROM disks. In some examples, machine readable media may include non-transitory machine-readable media. In some examples, machine readable media may include machine readable media that is not a transitory propagating signal.

[0054] The instructions 824 may further be transmitted or received over a communications network 826 using a transmission medium via the network interface device 820. The Machine 800 may communicate with one or more other machines utilizing any one of a number of transfer protocols (e.g., frame relay, internet protocol (IP) , transmission control protocol (TCP) , user datagram protocol (UDP) , hypertext transfer protocol (HTTP) , etc. ) . Example communication networks may include wired and wireless communications, such as Ethernet, Bluetooth, Bluetooth Mesh, Bluetooth Low Energy (BLE) , other Personal Area Networks (PANs) , LoRa, NFC, Wi-Fi, WiMAX, 3G, 4G, LTE, 5G, the unlicensed 915 MHz Industrial, Scientific, and Medical (ISM) frequency band, ZigBee, among others. Some standards may support mesh networks. The networks include, but are not limited to, a local area network (LAN) , a low-power wide-area network (LPWAN) , a wide area network (WAN) , a packet data network (e.g., the Internet) , mobile telephone networks (e.g., cellular networks) , Plain Old Telephone (POTS) networks, and wireless data networks, e.g., Institute of Electrical and Electronics Engineers (IEEE) 802.11 family of standards known as  IEEE 802.16 family of standards known as  NFC, IEEE 802.15.4 family of standards, a Long Term Evolution (LTE) family of standards, a Universal Mobile Telecommunications System (UMTS) family of standards, peer-to-peer (P2P) networks, among others. The NFC circuitry may be embodied as relatively short-range, high frequency wireless communication circuitry and may implement standards such as ECMA-340 / ISO / IEC 18092 and / or ECMA-352 / ISO / IEC 21481 to communicate with other devices. In an example, the network interface device 820 may include one or more physical jacks (e.g., Ethernet, coaxial, or phone jacks) or one or more antennas to connect to the communications network 826. In an example, the network interface device 820 may include a plurality of antennas to wirelessly communicate using at least one of single-input multiple-output (SIMO) , multiple-input multiple-output (MIMO) , or multiple-input single-output (MISO) techniques. In some examples, the network interface device 820 may wirelessly communicate using Multiple User MIMO techniques.

[0055] Other Notes and Examples

[0056] Example 1 is a computer-implemented method including: receiving sensor data from one or more capacitive sensors configured to detect motion; generating feature data for a plurality of pests from the sensor data; using the feature data to generate profiles for the plurality of pests; training a processor using the generated profiles for the plurality of pests; using the trained processor and the generated profiles to classify a pest of the plurality of pests based on the received sensor data; providing an output including a classification of the pest; and updating the generated profiles using at least in part one or more of past sensor data, feature data, and classifications.

[0057] Example 2 is the method of Example 1, wherein receiving sensor data from one or more capacitive sensors includes receiving sensor data from a pest control device.

[0058] Example 3 is the method of Example 1, wherein receiving sensor data from one or more capacitive sensors includes receiving sensor data from an internet of things (IoT) device.

[0059] Example 4 is the method of Example 1, further including: using the trained processor and the generated profiles to identify a pest of the plurality of pests based on the received sensor data.

[0060] Example 5 is the method of Example 4, further including: providing an output including an identification of the pest.

[0061] Example 6 is the method of Example 1, wherein generating feature data for a plurality of pests from the sensor data includes generating frequency domain feature data.

[0062] Example 7 is the method of Example 1, wherein generating feature data for a plurality of pests from the sensor data includes generating statistical feature data.

[0063] Example 8 is the method of Example 1, wherein generating feature data for a plurality of pests from the sensor data includes generating time-based feature data.

[0064] Example 9 is the method of Example 1, wherein using the trained processor and the generated profiles to classify a pest of the plurality of pests based on the received sensor data includes classifying the pest based on a peak amplitude of the sensor data.

[0065] Example 10 is the method of Example 1, wherein using the trained processor and the generated profiles to classify a pest of the plurality of pests based on the received sensor data includes classifying the pest based on a peak interval of the sensor data.

[0066] Example 11 is the method of Example 1, wherein providing an output including the classification of the pest includes providing an output on a mobile device of a user.

[0067] Example 12 is a system including: a computer system including one or more processors and a data storage system in communication with the one or more processors, wherein the data storage system includes instructions thereon that, when executed by the one or more processors, causes the one or more processors to: receive sensor data from one or more capacitive sensors configured to detect motion; generate feature data for a plurality of pests from the sensor data; use the feature data to generate profiles for the plurality of pests; train a processor using the generated profiles for the plurality of pests; use the trained processor and the generated profiles to classify a pest of the plurality of pests based on the received sensor data; provide an output including a classification of the pest; and update the system based at least in part on at least some or all past sensor data, feature data, and classifications.

[0068] Example 13 is the system of Example 12, wherein training the processor includes using a machine learning model.

[0069] Example 14 is the system of Example 13, wherein using the machine learning model includes using a machine learning model including a neural network.

[0070] Example 15 is the system of Example 13, wherein using the machine learning model includes using a machine learning model including a long short-term memory (LSTM) network.

[0071] Example 16 is the system of Example 13, wherein using the machine learning model includes using a machine learning model including bidirectional encoder representations from transformers (BERT) .

[0072] Example 17 is the system of Example 13, wherein using the machine learning model includes using a machine learning model including natural language processing (NLP) .

[0073] Example 18 is the system of Example 13, wherein using the machine learning model includes using a machine learning model including an artificial intelligence (AI) -based knowledge tree.

[0074] Example 19 is the system of Example 12, wherein at least a portion of the computer system includes a network-based storage device.

[0075] Example 20 is the system of Example 12, wherein at least a portion of the computer system includes a mobile computing device.

[0076] Example 21 is at least one machine-readable medium including instructions that, when executed by processing circuitry, cause the processing circuitry to perform operations to implement of any of Examples 1–20.

[0077] Example 22 is an apparatus comprising means to implement of any of Examples 1–21.

[0078] Example 23 is a system to implement of any of Examples 1–22.

[0079] Example 24 is a method to implement of any of Examples 1–23.

[0080] This application is intended to cover adaptations or variations of the present subject matter. It is to be understood that the above description is intended to be illustrative, and not restrictive. The scope of the present invention should be determined with reference to the appended claims, along with the full scope of legal equivalents to which such claims are entitled.

Claims

1.A computer-implemented method comprising:receiving sensor data from one or more capacitive sensors configured to detect motion;generating feature data for a plurality of pests from the sensor data;using the feature data to generate profiles for the plurality of pests;training a processor using the generated profiles for the plurality of pests;using the trained processor and the generated profiles to classify a pest of the plurality of pests based on the received sensor data;providing an output including a classification of the pest; andupdating the generated profiles using at least in part one or more of past sensor data, feature data, and classifications.2.The method of claim 1, wherein receiving sensor data from one or more capacitive sensors includes receiving sensor data from a pest control device.3.The method of claim 1, wherein receiving sensor data from one or more capacitive sensors includes receiving sensor data from an internet of things (IoT) device.4.The method of claim 1, further comprising:using the trained processor and the generated profiles to identify a pest of the plurality of pests based on the received sensor data.5.The method of claim 4, further comprising:providing an output including an identification of the pest.6.The method of claim 1, wherein generating feature data for a plurality of pests from the sensor data includes generating frequency domain feature data.7.The method of claim 1, wherein generating feature data for a plurality of pests from the sensor data includes generating statistical feature data.8.The method of claim 1, wherein generating feature data for a plurality of pests from the sensor data includes generating time-based feature data.9.The method of claim 1, wherein using the trained processor and the generated profiles to classify a pest of the plurality of pests based on the received sensor data includes classifying the pest based on a peak amplitude of the sensor data.10.The method of claim 1, wherein using the trained processor and the generated profiles to classify a pest of the plurality of pests based on the received sensor data includes classifying the pest based on a peak interval of the sensor data.11.The method of claim 1, wherein providing an output including the classification of the pest includes providing an output on a mobile device of a user.12.A system comprising:a computer system comprising one or more processors and a data storage system in communication with the one or more processors, wherein the data storage system comprises instructions thereon that, when executed by the one or more processors, causes the one or more processors to:receiving sensor data from one or more capacitive sensors configured to detect motion;generating feature data for a plurality of pests from the sensor data;using the feature data to generate profiles for the plurality of pests;training a processor using the generated profiles for the plurality of pests;using the trained processor and the generated profiles to classify a pest of the plurality of pests based on the received sensor data;providing an output including a classification of the pest; andupdating the system based at least in part on at least some or all past sensor data, feature data, and classifications.13.The system of claim 12, wherein training the processor including using a machine learning model.14.The system of claim 13, wherein using the machine learning model includes using a machine learning model including a neural network.15.The system of claim 13, wherein using the machine learning model includes using a machine learning model including a long short-term memory (LSTM) network.16.The system of claim 13, wherein using the machine learning model includes using a machine learning model including bidirectional encoder representations from transformers (BERT) .17.The system of claim 13, wherein using the machine learning model includes using a machine learning model including natural language processing (NLP) .18.The system of claim 13, wherein using the machine learning model includes using a machine learning model including an artificial intelligence (AI) -based knowledge tree.19.The system of claim 12, wherein at least a portion of the computer system includes a network-based storage device.20.The system of claim 12, wherein at least a portion of the computer system includes a mobile computing device.

Images