Размещено на http://www.allbest.ru/

Создание обобщенных изображений родов жуков-жужелиц (coleoptera, carabidae) на основе изображений входящих в них видов, методом АСК-анализа

1. Постановка задачи

автоматизированный оцифровка жужелица образ

Развитие компьютерной техники в наше время, способствует тому, что в различных областях науки, появляются новые методы исследования живых объектов. В частности в энтомологии - науке о насекомых, появилась возможность использовать новый инновационный метод АСК - анализ и его программный инструментарий систему «Эйдос», для идентификации насекомых не только по видам, отрядам, но и родам, тем самым повысив достоверность определения изучаемых насекомых.

2. Недостатки общепринятого подхода

Традиционно установление вида насекомого осуществляется методом визуального сравнения особи с имеющимися в распоряжении эксперта справочными данными. В качестве таких данных используют различные книги-справочники, а также справочные коллекции насекомых, созданные на базе научных учреждений. К недостаткам традиционного подхода можно отнести следующее.

а) в случае ручного сравнения с использованием справочных и натурных фондов:

- значительные временные затраты;

- зависимость от опыта эксперта;

- зависимость от имеющихся в наличии специализированных книг и образцов насекомых;

- невозможность увеличения количества критериев для повышения достоверности модели сравнения;

- человеческий фактор (явные субъективные ошибки при определении);

- отсутствие возможности самостоятельно формировать, расширять и совершенствовать базы данных для принятия решений с учетом потребностей конкретного пользователя (эксперта);

- отсутствие возможности производства исследований в моделируемой области, например количественного сравнения различных видов жужелиц по их изображениям;

- невозможность увеличения количества критериев для повышения достоверности модели сравнении.

Данная статья посвящена преодолению этих недостатков.

3. Идея решения

Предлагается решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) [2] и его программного инструментария - универсальной когнитивной аналитической системы «Эйдос» [3]. Математическая модель системы «Эйдос» основана на системной нечеткой интервальной математике [4]. Система обеспечивает построение информационно-измерительных систем в различных предметных областях [7, 8], в частности АСК-анализ изображений [9-16]. В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров [11]. Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его модели [9-16].

4. Имеющийся задел

У авторов имеется научный задел и опыт успешного решения подобных задач в других предметных областях [12-16].

5. Численный пример

Исходные данные

В качестве исходных данных для решения поставленной задачи использовались сканированные на светлом фоне с одинаковым разрешением изображения видов жуков-жужелиц различных родов (рисунок 1)

Рисунок 1. Жужелицы разных видов

При этом изображение каждого насекомого приведено в виде двух файлов:

- в папке: ..\Aidos-X\AID_DATA\Inp_data\Виды жужелиц\ с именем, в качестве которого используется наименование вида жужелиц после которого идет тире и номер изображения насекомого этого вида в папке (если по каждому виду приводится одно изображение, то тире и его номер можно не указывать);

- в папках вида: ..\Aidos-X\AID_DATA\Inp_data\род Elaphrus\ с именами, в качестве которых используются имена родов жужелиц после которого через тире указывается номер изображения насекомого этого рода в папке.

Это сделано для того, чтобы в созданной модели были сформированы обобщенные образы насекомых не только различных видов, как в модели [2], но и конкретных родов насекомых.

Этапы АСК-анализа

Для решения поставленной в работе задачи выполняются следующие этапы АСК-анализа [2]:

- автоматический ввод в систему «Эйдос» изображений насекомых и создание математических моделей их контуров;

- синтез и верификация моделей обобщенных образов жесткокрылых по видам и родам на основе контурных изображений конкретных насекомых (многопараметрическая типизация);

- количественное определение сходства-различия конкретных жужелиц с обобщенными образами жужелиц различных родов (системная идентификация);

- количественное определение сходства-различия родов насекомых друг с другом, т.е. кластерно-конструктивный анализ обобщенных образов родов жужелиц.

Автоматический ввод изображений насекомых в систему «Эйдос»

Изображения насекомых помещены в папки с именами: «Виды жужелиц» и «Род: название рода жужелиц». Внутри 1-й папки «Виды жужелиц» содержатся файлы сканированных изображений жужелиц разных видов, всего 21 изображение. Может быть приведено несколько изображений насекомых одно вида, тогда после наименования вида в имени файла должно идти тире и порядковый номер файла с изображением насекомого этого вида внутри папки. Внутри каждой папки с наименованием рода содержатся изображения всех видов насекомых из 1-й папки, относящихся к этому роду, но с именами, состоящими из названия рода насекомых после которого идет тире и порядковый номер изображения насекомого этого рода внутри папки.



А)

Б)

Рисунок 2. Структура папок с исходными данными

А) Файлы с изображениями жужелиц различных видов и родов из папки «Виды жужелиц»,

Б) Файлы изображений жужелиц рода: «Elaphrus» в папке: «род Elaphrus»

Всего в данной обучающей выборке использовано 21 видов жужелиц, которые относятся к 6 различным родам.

Для ввода изображений жужелиц в систему «Эйдос» запускаем в геокогнитивной подсистеме 4.8 [14] режим «Оконтуривание» (рисунок 3):



Рисунок 3. Экранная форма запуска геокогнитивной подсистемы 4.8 [14]

Вместо описания данной подсистемы приведем ее Help (рисунок 4):

Рисунок 4. Help геокогнитивной подсистемы 4.8 [14]

На главной экранной форме геокогнитивной подсистемы 4.8 кликаем на кнопке «Оконтуривание». В результате появляются экранные формы:

- задания параметров ввода изображений (рисунок 5);

- поиска центра тяжести изображения и первичных контуров и отображения исходного изображения в лучах Red, Green, Blue с указанием найденных точек первичного контура в дополнительных цветах (в динамике) (рисунок 6);

- визуализации изображения с найденными точками внешнего контура и самим внешним контуром в динамике (рисунок 6):



Рисунок 5. Экранная форма задания параметров ввода изображений
(с параметрами «по умолчанию»)

Рисунок 6. Экранные формы поиска центра тяжести
и контура изображения жужелицы

Данный режим:

1. Находит все поддиректории в папке: ..\AID_DATA\Inp_data\ и все графические файлы jpg и bmp в поддиректориях.

2. Находит в этих графических файлах предварительные контуры и центры тяжести. Если система не может их найти, то информация об этом заносится в файл ошибок: ErrorImage.txt.

3. Записывает в папку: ..\AID_DATA\Out_data\ графические файлы, состоящие только из контуров с изображенными на них точками, которые были оцифрованы. Необходимо особо отметить, что при этом используется полярная система координат с центром в центре тяжести изображения, а результатами оцифровки являются расстояния от центров тяжести изображений до точек их контура, лежащих на радиус-векторах, при различных углах поворота радиуса-вектора. В статье [17] описывается идея использования полярной системы координат для описания внешних контуров изображений и приводится математическая модель. В 2014 году проф.Е.В.Луценко предложены методики численных расчетов (структуры данных и алгоритмы), расчетов соответствии с этой математической моделью на компьютерах, а затем в 2015-2016 годах эти методики численных расчетов реализованы в модуле 2.3.2.4 и режимах 4.7, 4.8 системы «Эйдос».

4. Затем режим «Оконтуривание» геокогнитивной подсистемы 4.8 формирует Excel-таблицу с именем: ..\AID_DATA\Inp_data\inp_data.dbf, в которой содержатся результаты оцифровки изображений. После окончания работы режима выводится сообщение, приведенное на рисунке 7:

Рисунок 7. Сообщение о завершении режима: «Оконтуривание» геокогнитивной подсистемы 4.8 [14]

Структура этой таблицы ..\AID_DATA\Inp_data\inp_data.dbf полностью соответствует требованиям универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2), которые приведены в Help этого режима и представлены на рисунке 8.

Рисунок 8. Help универсального программного интерфейса
системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

В таблице 1 приведен фрагмент сформированного режимом 2.3.2.4 файла .. \AID_DATA\Inp_data\inp_data.dbf с результатами оцифровки изображений:

Таблица 1 - Файл c:\Aidos-X\AID_DATA\Inp_data\inp_data.dbf с результатами оцифровки изображений (фрагмент) Это изображение сделано с высоким разрешением и четко просматривается при масштабе 200% и более. Полный файл исходных данных не приводится из-за большой размерности.

Сам этот программный интерфейс вызывается из главного меню системы «Эйдос» (режим 2.3.2.2), либо из режима: 4.7. «АСК-анализ изображений», либо из режима 4.8. «Геокогнитивная подсистема».

Главная экранная форма режима 2.3.2.2 приведена на рисунке 9, причем на ней показаны нужные параметры, которые формируются режимом оконтуривания как параметры по умолчанию. Единственное что изменено, так это задана опция: «Разные интервалы с равным числом наблюдений», т.к., как показали численные эксперименты, это обеспечивает более высокую достоверность модели.

Рисунок 9. Экранная форма задания параметров работы универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

После запуска процесса ввода данных из файла: ..\AID_DATA\Inp_data\inp_data.dbf в базы данных системы «Эйдос» определяется количество заданных текстовых и числовых классификационных и описательных шкал и градаций [7] и выводится окно внутреннего калькулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 10):

Рисунок 10. Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных

В это форме задано 10 интервальных значений (градаций) в описательных шкалах, а затем пересчитаны шкалы и градации. После клика по кнопке «Выйти на создание модели» начинается процесс импорта данных оцифровки изображений из файла ..\AID_DATA\Inp_data\inp_data.dbf в базы данных системы «Эйдос».

При этом по сути происходит нормализация базы исходных данных, т.е. создаются справочники классификационных и описательных шкал и градаций и исходные данные кодируются с их использованием, в результате чего формируется обучающая выборка и база событий (эвентологическая база данных) (рисунок 11). Этот процесс завершается за 9 секунд.

Рисунок 11. Экранная форма, отображающая этапы импорта данных из внешней базы данных в систему «Эйдос»

Сами справочники классификационных и описательных шкал и градаций, обучающая выборка и эвентологическая база данных могут быть просмотрены в режимах 2.1, 2.2, 2.3.1, 2.4 системы «Эйдос». В результате работы программного интерфейса с внешними базами данных 2.3.2.2 также формируется таблица ..\AID_DATA\Inp_data\Inp_davr.dbf с усредненными данными по классам.

Таким образом подготавливаются все исходные базы данных для синтеза и верификации модели.

Синтез и верификация моделей обобщенных образов насекомых по видам и родам (многопараметрическая типизация)

Далее автоматически запускается режим 3.5, обеспечивающий синтез и верификацию (оценку достоверности) моделей (рисунок 12):

Рисунок 12. Экранная форма режима синтеза и верификации моделей системы «Эйдос» (режима 3.5)

Запускаем этот режим с параметрами по умолчанию, сформированными в режиме «Оконтуривание». В результате работы данного режима создаются и верифицируются 3 статистических модели (корреляционная матрица, матрицы условных и безусловных процентных распределений) и 7 системно-когнитивных моделей (моделей знаний) (рисунки 13 и 14) [7]:

Рисунок 13. Этапы последовательного повышения степени
формализации модели от данных к информации, а от нее к знаниям Подробнее об этом можно прочитать в работе [7] и других работах, посвященных АСК-анализу

Рисунок 14. Экранная форма отображения стадии исполнения
режима синтеза и верификации моделей

Из рисунка 14 видно, что процесс синтеза и верификации 10 моделей на выборке из 21 жужелиц занял 1 минуту 16 секунд. В основном это время было затрачено на верификацию моделей.

Достоверность моделей оценивается в этом же режиме 3.5 в соответствии с F-мерой Ван Ризбергена, а также в соответствии с L-мерой, которая представляет собой нечеткое мультиклассовое обобщение F-меры, предложенное проф. Е.В. Луценко [24] (рисунки 15 и 16). Классическая количественная мера достоверности моделей: F-мера Ван Ризбергена основана на подсчете суммарного количества верно и ошибочно классифицированных и не классифицированных объектов обучающей выборки. В мультиклассовых системах классификации объект может одновременно относится ко многим классам. Соответственно при синтезе модели его описание используется для формирования обобщенных образов многих классов, к которым он относится. При использовании модели для классификации определяется степень сходства-различия объекта со всеми классами, причем истинно-положительным решением может являться принадлежность объекта сразу к нескольким классам. В результате такой классификации получается, что объект не просто правильно или ошибочно относится или не относится к различным классам, как в классической F-мере, но правильно или ошибочно относится или не относится к ним в различной степени. Однако классическая F-мера не учитывает того, что объект может фактически одновременно относится ко многим классам (мультиклассовость) и того, что в результате классификации может быть получена различная степень сходства-различия объекта с классами (нечеткость). На численных примерах автором установлено, что при истинно-положительных и истинно-отрицательных решениях модуль сходства-различия объекта с классами значительно выше, чем при ложно-положительных и ложно-отрицательных решениях. Поэтому было бы рационально в мере достоверности модели учитывать не просто сам факт истинно или ложно положительного или отрицательного решения, но и учитывать степень уверенности классификатора в этих решениях. Это и реализовано в L-мере, предложенной проф.Е.В.Луценко, которая по сути являющаяся нечетким мультиклассовым обобщением классической F-меры [24].



Рисунок 15. Оценка достоверности моделей, созданных на 1-й итерации, с помощью F-меры и L-меры.

Рисунок 16. Help режима 4.1.3.6: пояснение смысла непараметрической метрики, сходной с F-критерием

Из рисунка 15 мы видим, что в данном исследовании наиболее достоверной является модель INF4 [7], которая обеспечивает среднюю достоверность определения рода насекомого около 86%, причем достоверность правильного отнесения насекомого к роду, к которым оно относится, составляет 100%, а правильного не отнесения к роду, к которым оно не относится - около 72%.

Задание наиболее достоверной модели в качестве текущей

В соответствии со схемой, приведенной на рисунке 13, и информацией по достоверности моделей, приведенной на рисунке 15, в режиме 5.6 системы «Эйдос» зададим системно-когнитивную модель INF4 в качестве текущей (рисунок 17) и проведем в этой модели пакетную идентификацию в режиме 4.1.2 (рисунок 18):



Рисунок 17. Экранная форма, позволяющая задать любую модель в качестве текущей

Рисунок 18. Экранная форма с отображением этапов и стадии решения задачи классификации конкретных насекомых с обобщенными образами жуков по родам

Из данной экранной формы видно, что идентификация 21 жужелицы с обобщенными образами родов выполнена за 3 секунды.

Количественное определение сходства-различия конкретных насекомых с обобщенными образами насекомых различных видов и родов (системная идентификация)

Для ввода изображений не в обучающую (для формирования модели), а в распознаваемую выборку для их последующей классификации, необходимо:

- поместить в поддиректорию: ..\AID_DATA\Inp_data\ в какую-нибудь папку, например «Классифицируемые насекомые», изображения классифицируемых жуков в том же стандарте, что и в обучающей выборке;

- выполнить режим: «Оконтуривание» в геокогнитивной подсистеме 4.8 с опцией: «Генерация распознаваемой выборки и идентификация (классификация) изображений»;

- выполнить режим 2.3.2.2. «Универсальный программный интерфейс импорта данных в систему» с теми же параметрами, что и при вводе обучающей выборки (рисунок 9), но с опцией: «Генерация распознаваемой выборки (на основе файла Inp_rasp)» (рисунок 19);

- выполнить режим 4.1.2. «Пакетное распознавание в текущей модели».

Рисунок 19. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2) с опциями ввода распознаваемой выборки с адаптивными интервалами

Режимы 2.3.2.2 и 4.1.2 запускаются с нужными параметрами автоматически после оконтуривания с опцией генерации распознаваемой выборки. Единственное, вручную необходимо выбрать опцию: «Разные интервалы с равным числом наблюдений».

Результаты идентификации выводятся во многих экранных формах и базах данных, которые можно открывать в MS Excel. Одна из этих форм приведена на рисунке 20:

Рисунок 20. Степень сходства образа конкретного насекомого с обобщенными образами различных насекомых

Из экранной формы на рисунке 20 видно, что система верно определила и вид, и род по изображению конкретного насекомого, а из экранной формы на рисунке 15 - что так обычно происходит и с другими насекомыми, т.е. задача, поставленная в статье, успешно решена.

Из рисунка 20 мы видим также, что при истинно-положительных и истинно-отрицательных решениях модуль сходства-различия объекта с классами значительно выше, чем при ложно-положительных и ложно-отрицательных решениях. Поэтому было бы рационально в мере достоверности модели учитывать не просто сам факт истинно или ложно положительного или отрицательного решения, но и учитывать степень уверенности классификатора в этих решениях. Это и реализовано в L-мере, предложенной проф.Е.В.Луценко, которая по сути являющаяся нечетким мультиклассовым обобщением классической F-меры [24].

В подсистеме 4.1.3. «Вывод результатов распознавания» системы «Эйдос» мы можем получить 10 различных выходных форм, наименования которых приведены на рисунке 21:



Рисунок 21. Наименования выходных форм системы «Эйдос»
с результатами распознавания

Одну из них (4.1.3.1), наиболее подробную, мы привели в рисунке 20. Ниже на рисунке 22 приведем обобщающую форму (режим 4.1.3.3), в которой для каждого насекомого показан лишь один класс, с которым у данного вида наивысший уровень сходства по заданному интегральному критерию [7] (вверху слева):

Рисунок 22. Степень сходства изображения конкретного насекомого с обобщенными образами различных видов (верхняя форма) и родов (нижняя форма)

Из форм на рисунках 20 и 22 видно, что если бы мы не знали к какому роду относится насекомое, то система «Эйдос» на основе созданной системно-когнитивной модели позволила бы по его изображению это определить быстро и с высокой точностью.

Количественное определение сходства-различия обобщенных образов насекомых различных видов и родов друг с другом (кластерно-конструктивный анализ)

Это сравнение осуществляется в режиме 4.2.2. «Кластерно-конструктивный анализ классов. Предварительно нужно выполнить режим 4.2.2.1. «Расчет матриц сходства, кластеров и конструктов классов», а затем вывести результаты в режиме 4.2.2. «Результаты кластерно-конструктивного анализа классов». На рисунках 23 и 24 приведены табличная и графическая выходные формы, количественно отражающие степень сходства обобщенных образов насекомых различных родов друг с другом в наиболее достоверной модели INF4:

Рисунок 23. Степень сходства друг с другом обобщенных образов насекомых различных родов

Рисунок 24. Сходство-различие друг с другом обобщенных образов насекомых различных родов

При получении формы, приведенной на рисунке 24, предварительно в опции «Вписать в окно» было выбрано отображение 15 классов.

Из рисунков 23 и 24 видно, что обобщенный образ рода насекомых соответствует своему виду.

Необходимо отметить, что в системе «Эйдос» эти диаграммы рассчитываются автоматически, а не заполняются экспертами неформализуемым способом на основе интуиции, опыта и профессиональной компетенции, как обычно.

Исследование моделируемой предметной области путем исследования ее модели

Если модель достоверно (адекватно) отражает предметную область, то исследование модели предметной области корректно можно считать исследованием самой моделируемой предметной области. В системе «Эйдос» достоверность модели устанавливается в режиме 3.5 сразу после ее синтеза при ее верификации путем идентификации (классификации) объектов обучающей выборки, о которых уже известно к каким классам они относятся, т.е. путем количественного определения степени их сходства с обобщенными образами классов в соответствии с моделью.

В системе «Эйдос» реализовано много различных средств анализа созданных моделей, применяется большое количество различных форм когнитивной графики. Для целей настоящего исследования представляют интерес графические формы, визуализирующие систему описательных шкал и градаций (рисунки 25), а также информационные портреты обобщенных образов различных родов насекомых (рисунки 26) в модели INF4.

Чтобы вывести эти изображения необходимо в подсистеме 4.7. «АСК-анализ изображений» выбрать последний режим: 7. «Просмотр и запись информационных портретов классов - обобщенных изображений ».



Рисунок 26. Система описательных шкал и градаций системно-когнитивной модели

На рисунке 26 цветом показана ценность градаций описательных шкал для классификации конкретных жужелиц по видам и родам: красный цвет - максимальная ценность, фиолетовый - минимальная.

Рисунок 27. Информационные портреты обобщенных образов насекомых некоторых родов в системно-когнитивной модели INF4

На рисунках 27 цветом показана степень характерности и не характерности градаций описательных шкал (элементов внешнего контура) для жужелиц различных видов и родов: красный цвет - максимальная характерность, фиолетовый - минимальная.

Выводы и результаты

Развитие компьютерной техники в наше время, способствует тому, что в различных областях науки, появляются новые методы исследования живых объектов. В частности в энтомологии - науке о насекомых, появилась возможность использовать новый инновационный метод АСК - анализ и его программный инструментарий систему «Эйдос», для идентификации насекомых не только по видам, отрядам, но и родам, тем самым повысив достоверность определения изучаемых насекомых.

Предлагается решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария - универсальной когнитивной аналитической системы «Эйдос».

В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров на основе яркостной и цветовой контрастности. Путем многопараметрической типизации контурных изображений конкретных насекомых в системе создается и верифицируется системно-когнитивная модель, с применением которой (если модель окажется достаточно достоверной), могут решаться задачи системной идентификации, классификации, исследования моделируемого объекта путем исследования его модели и другие.

Для решения этих задач выполняются следующие этапы:

1) ввод в систему «Эйдос» изображений жужелиц и создание математических моделей их контуров;

2) синтез и верификация моделей обобщенных образов насекомых по родам на основе контурных изображений конкретных жесткокрылых (многопараметрическая типизация);

3) количественное определение сходства-различия конкретных насекомых с обобщенными образами насекомых различных родов (системная идентификация);

4) количественное определение сходства-различия видов насекомых, т.е. кластерно-конструктивный анализ обобщенных образов жуков.

Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях.

Перспективы

В дальнейшем планируется решить методом АСК-анализа задачу классификации различных насекомых (в частности жужелиц) по их пикселям, используя программный инструментарий АСК-анализа интеллектуальную систему «Эйдос».

Отметим также, что незащищенная от несанкционированного копирования портативная (portable) версия системы «Эйдос» (не требующая инсталляции) с исходными текстами, находится в полном открытом бесплатном доступе на сайте ее разработчика проф.Е.В.Луценко по адресу http://lc.kubagro.ru/aidos/index.htm ((около 70 Мб).

Литература

автоматизированный оцифровка жужелица образ

1. Белый, А.И. Характеристика комплекса жужелиц (Coleoptera, Carabidae) агроландшафта центральной зоны Краснодарского края в начале XXI века. Сообщение 1. Сезонная динамика активности комплекса жужелиц / А.И. Белый, А.С. Замотайлов, Хомицкий Е.Е., Маркова И.А. // Тр. КГАУ. - 2014. - № 3(48). - С. 35-49.

2. Замотайлов, А.С. Энтомофауна Северо-Западного Кавказа на современном этапе планетарного развития климата: угрозы и перспективы / А.С. Замотайлов, В.И. Щуров // Тр. КГАУ. - 2010. - № 1(22). - С. 32-39.

3. Замотайлов, А.С. Характеристика комплекса жужелиц (Coleoptera, Carabidae) агроландшафта центральной зоны Краснодарского края в начале XXI века. 2. Многолетняя трансформация структуры и биоэкологических параметров / А.С. Замотайлов, Е.Е. Хомицкий, А.И. Белый // Тр. КГАУ. - 2015. - № 1(52). - С. 103-118.

4. Замотайлов А. С. К изучению жужелиц (Coleoptera, Carabidae) агробиоценозов центральной зоны Краснодарского края (Кавказ) // Тез. докл. IX Междунар. колл. по почв. зоол. Вильнюс: Б. и., 1985. С. 318.

5. Замотайлов А. С. Некоторые особенности формирования комплексов жужелиц (Coleoptera, Carabidae) агроценоза // Защита сельскохозяйственных культур от вредителей, болезней и сорняков. Тр. КСХИ. 1990. 307 (335). С. 24-29.

6. Замотайлов А. С. О составе и возможных путях формирования кавказской фауны рода Deltomerus Motsch. (Coleoptera, Carabidae) // Фауна и экология жужелиц. Тез. докл. 3-го Всесоюз. карабидологического сов-я. Кишинев: ВНИИБМЗР, 1990. С. 20-21.

7. Замотайлов А.С., Шаповалов М.И. Охраняемые виды жесткокрылых насекомых семейства жужелицы (Coleoptera, Carabidae) в агроценозах Северо-Западного Кавказа // Агротехнический метод защиты растений от вредных организмов: материалы VI междунар. науч.-практ. конф., Краснодар, 17-21 июня 2013 г. / Отв. ред. М.И. Зазимко. Краснодар, 2013. С. 156-159.

8. Жесткокрылые насекомые (Insecta, Coleoptera) Республики Адыгея (аннотированный каталог видов) (Конспекты фауны Адыгеи. №1) / Под ред. А.С. Замотайлов и Н.Б. Никитского. - Майкоп: Издательство Адыгейского государственного университета, 2010. - 404 с.

Размещено на Allbest.ru