基于声信号的储粮害虫检测方法的研究与发展

郭 敏 张丽娜，2

基于声信号的储粮害虫检测方法的研究与发展

郭 敏1张丽娜1，2

(陕西师范大学计算机科学学院1，西安 710062)
(宝鸡文理学院计算机科学系2，宝鸡 721000)

有效减少粮食产后损失是世界关注的热点问题，与传统的检测方法相比，基于声信号的储粮害虫检测法凭借其环保、无损、快速、灵敏度高等优点，日渐受到重视。从早期使用单一传感器检测粮虫的振动或声信号，到使用传感器阵列、碰撞声发射及声谱库等，储粮害虫声检测法逐渐成熟。综述30余年国内外储粮害虫声检测法的发展历程及研究成果，对比不同时期多种声检测方法的优点及局限性，并提出当前声检测方法的研究难点及今后需要解决的问题。

储粮害虫 声检测方法 传感器

当前粮食收获后，由于储存、运输等环节的疏漏所致的产后损失已成为世界关注的热点问题。联合国粮农组织调查数据显示，全世界每年粮食虫害损失5%，而中国国家粮食局调查数据显示，中国粮食产后损失高达8%～10%，降低粮食产后损失刻不容缓。

储粮害虫的实时检测是降低粮食产后损失的重要手段，目前国内外在储粮害虫检测领域有多种方法，其中声检测法具有环保、无损、快速、灵敏度高等特点。上世纪80年代至今，储粮害虫声检测法从最初使用一个传感器检测粮虫的振动或声信号，发展到使用传感器阵列、碰撞声发射、声谱库及超声检测等方法，综述30年间国内外储粮害虫声检测法的发展历程及研究方向。

1 储粮害虫声检测方法发展历程

储粮害虫声检测法的原理大多是利用传感器获取粮仓中害虫的活动声和咀嚼声，将信号放大、滤波后，利用数字信号处理方法分析信号声频谱特征。早在1924年 Brain［1］利用机电设备检测到水果中害虫的咀嚼声，证明了声检测法在农产品检测方面的可行性。1953年Adams等［2］检测出受损粮食中害虫的活动声，人们开始将声学技术应用于粮虫检测，但受当时技术条件的限制和对昆虫习性知识的缺乏，此项技术并没有得到实际应用。直到20世纪80年代，计算机的广泛应用与声学技术的快速发展，才使储粮害虫声检测法的研究真正活跃起来。

1．1 储粮害虫声检测法应用初期

早期的声检测装置大多使用单个传感器检测谷物中害虫的声音或振动，经过信号处理后进行特征分析。1987年Litzkow等［3］设计了一种检测谷物中隐藏幼虫的声检测系统。如图1所示，谷物样本置于振动膜上，通过波导管将害虫声传给麦克风，同时声音信号被转换为电信号，经过放大、滤波，送至示波器，喇叭或耳机监听，计算机统计并记录结果。1988年Webb等［4］在此基础上加以改进，将谷物样本放置于消音室，降低了噪音的干扰，并对虫害危害程度做出初步估计。此方法通过幼虫吃食的时间和频率得出各种不同谷物中隐藏幼虫的生长率，是储粮害虫声检测法的一大进步。但由于试验所用波导管充当了共鸣器的角色［5］，可能使检测到的害虫声音失真，影响了结果的精确度。

图1 早期的储粮害虫声检测方法

1990年Litzkow等［6］设计了“检测储粮害虫的压电装置”，通过监测谷物样本中的振动情况检测虫害并估计害虫密度。如图2所示，探针底部安装一个压电麦克风，探针插入谷物后，振动频率高于500 Hz时会形成电流，经过放大、滤波，耳机监听并降噪录音，随后使用快速傅里叶变换(FFT)设备 Nicolet 660A及计算机分析对比声音。此装置应用如下:(1)在高10 cm、直径14 cm、容积为4 L的瓶子中确定9个位置，通过统计害虫1 min内分别在这些位置产生的振动数量，估计害虫密度;(2)在1个20 L的谷物罐中确定9个位置，每20 s监听1次，确定每个位置检测到声音的几率。此方法证明谷物中的振动数量越多幼虫密度越大，且振动的数量或电压峰值与幼虫数目呈非线性关系，出现非线性增长可能是由于试验无法区分同时增加的害虫声音和振动，为下一步的研究指明了方向。但由于探针底部压电麦克风的灵敏度会随着压力的增加而减弱［5］，此方法也具有一定的局限性。

图2 检测储粮害虫的压电装置

1．2 储粮害虫声检测方法的成熟期

20世纪90年代中期，储粮害虫声检测方法有了巨大的发展［7－8］。1993 年 Shuman 等［9］设计了第一代“声探测昆虫定位检测器”(ALFID1)，依据声音传播时间与传播距离成正比关系，采用多个压电换能器实现害虫的定位并统计储粮害虫的数量。如图3所示，来自压电声换能器的声信号被传送至16路通道的电子线路板，放大信号，滤波并检测阈值。随后将结果接入一块集成了26个集成电路逻辑芯片的逻辑电路板，实现捕获、辨认、寄存第1、2个最先接收到阈值的通道所对应的换能器，结果送入计算机，单位间隔时间内使用ALFID1软件对数据收集、汇总、分析并确定害虫的行走路径。利用换能器阵列中两相邻换能器识别同一声音，得到时间延迟数据，从而定位声源位置。其缺点是只能较好地检测谷物样品中仅有1只害虫的情况，多于1只时由于声音不易分离，不能准确计数。Shuman等于1997年将ALFID1改进为“声探测昆虫特征检测器”(ALFID2)，使用2个分开一定距离的传感器检测到2只害虫的概率为100%，使用一个传感器检测到2只害虫的概率为70%，提高了对多只害虫检测的准确率［10］。这一算法分辨小麦样品中随意位置2只害虫产生声信号的概率可达90%，更好地解决了声源定位问题，并已被美国粮食检查部门用于对外出口粮食评级［11］。Mankin 等［12－13］对检测系统再次改进，增加了一个操作简便的屏蔽箱，能将1～10 kHz的噪音降到60～90 db，有效地克服了ALFID2在环境噪音较大的情况下检测性能较差的缺点。

图3 ALFID1模型检测框图

由于储粮害虫声信号较弱且在检测过程中易受传感器噪声和环境噪音等多方面的干扰，致使有用信号经常被淹没［14］。1997 年 Hickling等［5］发明了“检测储粮害虫的声传感器系统”，如图4所示，检测系统由两个嵌套的隔音箱(内箱和外箱)组成，可有效隔离外部声音和振动，内箱中放置多个改进的传感单元，组成传感器阵列。每个传感单元内的静电麦克风上放置一个听诊器头，以增强麦克风灵敏度。将谷物样本置于听诊器上，静电麦克风24 h持续监测，经过放大、滤波，最后通过多路选择开关将任意一个传感器的输出信号传至耳机或发光二极管(LED)显示屏。该方法在降噪及灵敏度等方面实现了较大进展，但检测方法仍然没有突破早期的声模型限制。

图4 检测储粮害虫的声传感器系统

1．3 储粮害虫声检测方法新进展

20世纪末至今，在原有声检测模型的基础上，人们开始将一些新兴技术应用于储粮害虫检测中。1998年Coggins等［15］提出使用时延人工神经网络进行储粮害虫声检测，并根据振幅、频谱和声音持续时间来区分粮仓中的幼虫声、成虫声、谷物掉落声和外部噪声。试验以米象为例，如图5所示，多个压电换能器在圆柱体容器中沿内侧线性排列，每个压电换能器内置一个放大电路，以减少声音的衰减。将受幼虫侵蚀的麦粒放置于两个压电换能器中间(受成虫侵蚀的麦粒放置位置则不予限制)，压电换能器将检测到的声波转换为电信号，随后放大并滤波。数字式录音机(DAT)对数据取样并转换为数字信号，采样率和采样位分别为48 kHz和16 bit。LabVIEW(美国国家仪器公司的图形化编程软件)控制DAT，将数据转化为人工神经网络可用的格式。奔腾工作站收集数据并使用NeuroSolutions(神经网络仿真软件)模拟网络完成分类。在此试验条件下，包括20个处理单元和50个分接头的接收器具有最优性能，对成虫每小时出现83个虚警的检测率为100%，每小时50个虚警的检测率为95%;幼虫每小时28个虚警的检测率为100%，27个虚警的检测率为95%，实现了较高的检测率，但其检测结果受信号强弱影响较大，并且网络拓扑结构仍需进一步改进。

图5 使用人工神经网络的检测框图

2005 年 Rodriguez Gobernado等［16］提出通过噪声、害虫咀嚼声和害虫发出的次声波振动来检测、分类并得到储粮害虫分布密度的检测装置及方法。如图6所示，检测装置由探测杆和顶盖两部分组成，探测杆内包含2个纵向分布的检测模块，探测杆末端是圆锥形的钻头，内置了温度和湿度传感器。顶盖中的电子系统能确保从检测模块中获取数据并对数据进行处理。探测杆插入谷物后，电子系统获取并处理声音数据，通过电缆将结果传送至计算机，存储并打印。该电子系统的处理过程包括:录制谷物中的实际噪声;消除已知的杂散噪声;从与峰值能量对应的窗口获得包络能量曲线并确定其平均频率、谱宽和总能量;比较平均频率和每个窗口宽度，从而实现分类;通过比较平均频率与每个窗口的总能量得到害虫的分布密度。此方法操作简便，对早期的探测杆加以改进，分析多种信号特征，提高了检测的准确率并能同时完成多种检测功能。

图6 检测框图

2006年Fleurat Lessard F等［17］提出基于储粮害虫活动声谱的分类方法，可检测害虫并识别其生长阶段。如图7所示，系统将3对压电传感器分别固定在一个金属圆柱探测器的3个水平位置，探测器长为1．4 m，直径为50 mm，顶部包括一个与声传感器连接的电子系统，电子系统中的处理单元可处理来自声传感器的声谱数据。每个传感器后方封装了电子放大器，将传感器接收到的声信号放大并传至处理单元。处理单元每隔2 min从每层传感器获取声信号，转化为数字信号，并将接受到的每一个声谱与数据库中的声谱进行对照，识别害虫主要种类及其侵害程度，当侵害程度达到或者超过某一临界值之后，在用户图形界面以报警形式提示用户。声谱数据库中包含了数百个由害虫生长阶段(成虫或幼虫)、害虫种类和谷物类型3个条件不同组合时的标准声谱。试验以不同成长阶段的米象和谷蠹为研究对象，得出:(1)成虫活动声谱有2个峰值能量，幼虫声谱只存在1个低频范围的峰值;(2)害虫密度与声音频率有关。对于10 kg麦粒存在1只米象成虫的害虫密度，温度降至临界温度15℃时，检测到这只米象成虫的概率高于95%。对于1 kg麦粒中存在1只米象幼虫的害虫密度，温度高于14℃时，检测到这只幼虫的概率为95%;(3)记录2 min内米象幼虫的声音，声音的个数与粮仓温度呈线性关系，但相关系数较低;(4)米象幼虫活动的低温临界温度为9℃。在此之前的各种检测方法能够检测到的最低害虫密度为每千克谷物中存在一只害虫［6－7，9，18］，而上述方法可实现更低害虫密度的检测，并且能够在出现较严重害虫侵害之前预测，提早准备补救措施，实现安全储粮［19－21］。

图7 利用声谱检测、识别害虫生长阶段的分类系统

2007 年 Pearson 等［22－23］首先将碰撞声发射模型用于小麦钻蛀害虫的检测，设计出分拣小麦无损粒与虫害粒(Insect Damage Kernel，简称IDK)的碰撞声发射系统。如图8所示，“振动给料机”振动麦粒使其掉落在一个7．5 cm×5．0 cm×10 cm的不锈钢盘上，在不锈钢盘附近放置2个频率高达100 kHz的灵敏麦克风，捕捉麦粒碰撞钢盘产生声发射的超声波，并将信号数字化，2个麦克风灵敏度分别为314 mV/Pa和31．4 mV/Pa。麦粒掉落时，与麦克风位置相对的光触发器被触发，采集数据。经过滤波、去噪，计算机接收来自2个麦克风的2 000个数据点并提取特征。Pearson分别使用3种方法提取信号特征［24］:(1)对时域信号建模，利用威布尔曲线拟合挑选完好麦粒和虫害粒的准确率分别为88．8%和86．6%;(2)计算短时窗内信号的差异，可模拟局部信号变化，挑选完好麦粒和虫害粒的准确率分别为85．2%和76．2%;(3)分析频谱幅度，使用汉明窗对每个信号进行256点离散傅里叶变换，挑选完好麦粒和虫害粒的准确率分别为87．4%和85%。同时使用上述3种方法中的所有特征，挑选无损粒的准确率为98．0%，IDK的准确率为84．4%，吞吐率达到40个/s，信号处理时间也仅为20 ms，极大地提高了分类的准确率以及分拣速度。碰撞声发射法检测虫害粒准确率高，分类费用低，具有广泛的应用前景。未来的试验需要扩大这一方法的适用范围，使其能够检测出其他类型谷物的损坏粒。

图8 碰撞声发射系统

2 我国储粮害虫声检测方法的发展

多年来，我国储粮害虫检测大多使用取样器方法，声检测方法的研究尚处于起步阶段。尚志远等对储粮害虫爬行声的时频特征以及处理方法做了初步研究，发现害虫爬行声的时频特征与虫类、粮食种类等均有关系。随后耿森林等［25－26］做了如下研究:(1)建立了粮食中害虫活动的声发射理论模型的无规声源模型;(2)研究害虫在粮食中爬行声信号的功率谱特征，为通过害虫声特征了解粮食虫害程度提供了理论依据;(3)构建仓储粮食中害虫爬行声的功率谱特征数据库，为储粮害虫声检测法的进一步发展提供了可借鉴的方法和共享资源。唐发明等［27］利用已知害虫的声音样本，经过语音预处理、特征提取，构造多个支持向量机来判断粮虫的种类。廖明潮设计了一个储粮害虫声音分析系统方案，可成功地判别储粮害虫种类和数量，为储粮害虫声检测法提供了科学的决策依据［28］。

3 结束语

降低粮食产后损失利国利民，如何快速、准确、低成本地检测储粮害虫已成为国内外各相关学科学者研究的一大热点。虽然粮虫声检测技术已经取得了一定的成果，但国内外的检测方法大多在实验室环境中进行，实际粮仓存在储粮害虫声信号较弱与环境噪音之间的矛盾，目前研究方向从检测粮虫可听声转移到检测超声可使结果更加可靠;害虫种类繁多，如何有效地提取害虫的声音特征非常重要;突破原有声模型，建立声发射模型是下一个粮虫检测的方向。

［1］Brain C K．Preliminary note on the adaptation of certain radio principles to insect investigation work［J］．Annals of the University of Stellenbosch Section A，1924，2:45－47

［2］Adams R E，Wolfe J E，Milner M，et al．Aural detection of grain infested internally with insects［J］．Science，1953，118:163－164

［3］Litzkow C A，Webb J C，Masuda S．Acoustical detection of hidden insects:USA，4671114［P］．1987－06－09

［4］Webb J C，Litzkow C A，Slaughter D C．A computerized acoustical larval detection system［J］．Applied Engineering in Agriculture，1988，4(3):268－274

［5］Hickling R，LEE Peng，WEI Wei，et al．Acoustic sensor system for insect detection:USA，5616845［P］．1997－04－01

［6］Litzkow C A，Webb J C，Vick K W．Piezoelectric apparatus and process for detection of insect infestation in an agricultural commodity:USA，4937555［P］．1990－06－26

［7］Hagstrum D W，Flinn P W，Shuman D．Automated monitoring using acoustical sensors for insects in farm－ stored wheat［J］．Journal of Economic Entomology ，1996，89(1):211－217

［8］Vick K W，Litzkow C A，Shuman D．Acoustic location fixing insect detector:USA，5473942［P］．1995－12－12

［9］Shuman D，Coffelt J A，Vick K W，et al．Quantitative acoustical detecition of larvae feeding inside kernels of grain［J］．Journal of Economic Entomology，1993，86(3):933－938

［10］Shuman D，Weaver D K，Mankin R W．Quantifying larval infestation with an acoustical sensor array and cluster analysis of cross－ correlation outputs［J］．Applied Acoustics，1997，50(4):279－296

［11］郭敏，尚志远．储粮害虫声信号的检测和应用［J］．物理，2001，30(1):39－42．

［12］Mankin R W，Shuman D，Coffelt J A．Noise shielding of acoustic devices for insect detection［J］．Journal of Economic Entomology，1996，89(5):1301－1308

［13］Mankin R W，Sun J S，Shuman D，et al．Shielding against noise interfering with quantitation of insect infestations by acoustic detection systems in grain elevators［J］．Applied A-coustics，1997，50(4):309－323

［14］周志艳，罗锡文，张扬，等．农作物虫害的机器检测与监测技术研究进展［J］．昆虫学报，2010，53(1):98－109

［15］Coggins K M，Principe J．Detection and classification of insect sounds in a grain silo using a neural network［J］．IEEE Int Conf Neural Networks Conf Proc，IEEE Piscataway NJ，1998，3:1760－1765

［16］Rodriguez Gobernado P，Fleurat－ Lessard F，Villamayor J，et al．Method and device for detection，identification and densimetric quantification of grain－eating insects in stocks of cereals:US，6923064B2［P］．2005－08－02

［17］Fleurat－ Lessard F，Tomasini B，Kostine L，et al．Acoustic detection and automatic identification of insect stages activity in grain bulks by noise spectra processing through classification algorithms［C］．9th International Working Conference on Stored Product Protection，Campinas:2006

［18］Hagstrum D W，Vick K W，Webb JC．Acoustical monitoring of Rhyzopertha dominica populations in stored wheat［J］．Journal of Economic Entomology，1990，83:625－ 628

［19］Flinn P W，Hagstrum D W．Stored－grain advisor:a knowledge－based system for management of insect pests of stored－ grain［J］．AI Applications in Natural Resource Management，1990，4(3):44－52

［20］Longstaff B C．Computer－assisted－learning(CAL)to improve the quality of pest management in grain storage systems［C］．Proceedings 7th International Working Conference on Stored Product Protection，Beijing:1998

［21］Mann D D，Jayas D S，White N D G，et al．A grain storage information system for Canadian farmers and grain storage managers［J］．Canadian Agriculture Engineering，1997，39(1):49－56

［22］Pearson T C，Cetin A E，Tewfik A H，et al．Feasibility of impact－acoustic emissions for detection of damaged wheat kernels［J］．Digital Signal Processing，2007，17(3):617－633

［23］Ince NF，Onaran I，Pearson T C，et al．Identification of damaged wheat kernels and cracked－shell hazelnuts with impact acoustics time － frequency patterns［J］．Transactions of the ASABE，2008，51(4):1461－1469

［24］Pearson T C，Cetin A E，Tewfik A H．Detection of insect damaged wheat kernels by impact acoustics［C］．IEEE ICASSP，Philadelphia:2005

［25］耿森林，尚志远．仓储粮食中害虫活动声的提取与频谱分析［J］．西南师范大学学报:自然科学版，2005，30(6):1057－1060

［26］耿森林．储粮害虫活动声特征检测、分析及其数据库建立［D］．西安:陕西师范大学，2005

［27］唐发明，陈绵云，王仲东．基于支持向量机的仓储害虫声音识别［J］．华中科技大学学报:自然科学版，2005，33(2):34－36

［28］廖明潮．储粮害虫声音分析系统设计［J］．中国粮油学报，2007，22(4):130－132．

Research and Development of Stored Grain Insect Detection Method Based on Acoustic Signal

Guo Min1Zhang Lina1，2
(School of Computer Science，Shaanxi Normal University1，Xi'an 710062)
(Department of Computer Science，Baoji University of Arts And Science2，Baoji 721000)

The problem on how to reduce post harvest loss of grain effectively has become a hot issue in the world．Compared with some traditional inspection method in detecting pests in stored grain，the method based on acoustic signals has attracted increasing attention because of the advantage of greening，non－destruction，rapidness and high－sensitivity．From using only one sensor to detect the acoustic signals or vibration of pests in stored grain in the early stage，to sensor array，impact－acoustic emission and comparing the insect noise signals to the specific spectra of the reference database recently，the acoustic detection was getting mature．This paper reviewed the development and achievement of acoustic detection of pests in stored grain for more than 30 years，compared the advantages and limita-tions between some acoustic detection methods in different period and also listed the unsolved problems and the difficulty in next research．

pests in stored grain，acoustical detection method，sensor

S122;O429

A

1003－0174(2011)12－0123－06

国家自然科学基金(10974130)

2011－02－20

郭敏，女，1964年出生，教授，数字信号处理