粮虫视觉检测技术的现状与展望

王贵财 张德贤 李保利 孙宜贵

(河南工业大学信息科学与工程学院，郑州 450001)

粮虫危害是粮食储藏中较为严重的问题之一，粮虫准确检测是进行粮虫综合防治的一种有效手段［1－2］。目前国内外粮虫检测方法主要有扦样法、人工法、诱集法、声音信号法、近红外法和视觉检测法等［3－9］。其中视觉检测法具有准确度高、劳动量小、粮虫图像可视化、便于同粮库现有的计算机管理系统相连接等优点，近年来一直是粮虫检测领域的研究热点，也是粮虫检测的主要技术手段［10－16］。粮虫视觉检测法分为特征获取、粮虫识别(粮虫分类)和虫群密度估计三大研究环节(如图1所示)。本文就其研究发展状况和待解决问题分别从三大环节作扼要总结与评述，为今后实现粮虫快速精准检测提供了新思路。

图1 粮虫视觉检测技术框架

1 粮虫视觉检测技术研究现状

1.1 特征获取

粮虫图像预处理既是粮虫视觉检测系统的首要步骤也是难点之一。一方面粮虫种类多、体形小且形态结构较复杂需通过图像预处理方法来提高识别准确率。另一方面粮虫分类器要求的训练样本数量与粮虫图像特征数呈指数关系增长，而粮虫图像特征数据量庞大和冗余较大的缺点导致粮虫训练样本数量更为庞大从而加重粮虫识别的计算量。一种切实有效的思路就是简化表征或压缩粮虫图像特征等图像预处理方法来达到粮虫快速识别的目的。如廉飞宇等［17－18］分别利用图像色彩块、HVS彩色图像差值技术和运动目标检测实现粮虫视频图像序列的静态粮虫图像分割提取。为解决部分粮虫种类的高相似度(如已有方法往往将锈赤扁谷盗、长角扁谷盗和土耳其扁谷盗3类粮虫分为一类［19－20］)导致分类准确率低的问题，张红涛等［21］提出基于多分辨率图像分析的粮虫图像预处理方法，依次对原始粮虫图像做多分辨率采样、滤波处理和“与”运算后能较快速提取粮虫图像局部形态学特征从而实现粮虫的准确细分，具有一定的可行性。此外图像增强方法也是提升粮虫图像纹理信息的主要技术手段［22－23］。为此，刘纯利等［24］、牟怿等［25］提出基于奇异值分解与同态滤波的粮虫图像增强算法，通过增强奇异值矩阵与同态滤波达到增强图像的目的，这样能省去繁琐数学变换而自适应调整高斯噪声方差来实现图像增强。为解决粮虫图像特征数量影响粮虫分类识别效率和识别效果的弊端［26］，廉飞宇等［11］利用小波变换压缩粮虫高维图像矢量，可在一定程度上降低计算量提高计算效率。

1.2 粮虫分类

准确识别是粮虫准确检测的核心内容。美国学者Zayas等［10］采用机器视觉技术对散装小麦仓中的谷蠹成虫进行离线研究;进而结合多光谱分析和模式识别技术实现检测粮虫，为粮虫的快速检测和分类开辟了新途径，也取得了良好效果。随着国家对粮食安全的高度重视，以及计算机、模式识别与智能检测等技术的迅速发展，国内学者更是对粮虫图像识别检测方法做了大量而深入的研究，特别是粮虫视觉检测方面。如徐昉等［27］提出基于图像识别的粮虫在线检测新方法，将机器视觉与模式识别技术相结合实现粮虫检测，该方法在一定程度上能弥补现有检测方法的不足。徐昉［28］利用安装有CCD镜头和称重等传感器的特殊取样装置抽取粮食样本并采集图像视频，然后通过图像识别方法在线判断是否有粮虫:若有，通过智能控制和视频分析法辨别死虫活虫;若有活虫，通过数据挖掘提取特征向量并进行信息融合与分类给出种类、密度等信息，为综合防治决策提供可靠的依据。该系统能在线检测出粮虫与杂质，并能离线识别出玉米象、谷蠹、大谷盗和绿豆象等4 种主要粮虫，识别率尚可。廉飞宇等［11，17－18］利用模拟退火算法、遗传算法、模糊理论、支持向量机和小波理论构建分类器并应用于粮虫的分类识别，该方法在识别效果和识别效率等方面均有显著改善。范艳峰等［29］提出采用运动图像识别技术检测谷物粮虫，建立了一种无需人工干涉的谷物粮虫实时监测与分类识别系统，检测方案和识别效果得到粮库有关专家的一致肯定。邱道尹等［30］利用遗传算法对传统BP神经网络改进，克服了传统方法所存在的一些问题来提高BP神经网络分类器的性能。另外经多年研究邱道尹已开发出第3代智能检测系统，与其开发的图像识别软件相配合，能以95%的识别率检测出危害严重的12种9类粮虫。张红梅等［31］也对 BP神经网络进行改进并应用于粮虫识别，既有较强的自适应性还对有噪声、残缺的粮虫图像有一定的识别效果。张红涛等［32］提出基于蚁群算法的分类方法，利用蚁群算法自动提取粮虫图像的形态学特征后(如面积、周长、占空比等)，再进行SVM分类，识别率较为满意。卢军等［33］利用计算机视觉技术和自组织神经网络技术对粮虫实现无损检测。对粮虫图像预处理后提取十个左右的几何特征参数择优选取6个参数进行神经网络训练。仿真结果表明该方法对4类常见粮虫有较好的识别结果。沈国峰等［34］在粮虫形态学特征参数分析的基础上重点研究了基于贝叶斯正则化算法优化的BP神经网络在粮虫分类识别中的应用，仿真结果表明该方法对锯谷盗、谷蠹、长谷盗和扁谷盗等4类常见粮虫有一定的准确率和效率。

1.3 虫群密度估计

只有准确的粮虫检测，才能做到有目的的防治，把粮虫种群控制在经济损害水平以下［4］。我国《粮油储藏技术规范》中明确指出必须对活虫进行计数和分类，且应精确计数［35］。传统人工储粮活虫检测法非常耗时且效率很低，如粮虫死亡后人眼通过其体表颜色易与活虫混淆无法准确区分。研究有效的、快速、准确、无损储粮活虫检测新技术已成为广大科研人员的热点之一。目前检测方法主要有声测法、电子鼻法、视觉检测法等［36－38］。可声测法受传感器及环境噪声的影响较大，而电子鼻法易受活虫侵染且对粮食样本的密闭性要求较高。相比之下视觉检测法采用图像处理、模式识别等技术能自动识别储粮活虫，是粮虫检测的发展趋势［7，15］。但是现有多数粮虫视觉检测系统直接处理未经自动筛分的粮食样本或人工筛分活虫后再对粮虫进行分析和识别，未能自动区分活虫和死虫，这样必定影响粮虫检测的效率和效果［39］。为此张红涛等［40］通过设计基于可见光－近红外的粮虫自动检测系统能较快速实现9类储粮活虫的自动筛分与除尘。

2 分析展望

近年来粮虫视觉检测虽取得一些进展，科研工作者也提出多种检测算法，但应用于粮仓实际储粮还存在以下亟需解决的问题:

2.1 粮虫图像特征的多样性获取

粮虫图像特征是实现粮虫视觉检测的首要前提，因此深化研究粮虫图像特征获取技术就成为必然。具体研究内容可归纳为2个方面:1)粮虫生态矢量图像特征的表征。同类粮虫图像生态矢量特征在不同阶段、种类及运动状态呈现多样性且形态各异难于用描述符表征，而且不同条件下获取同一粮虫的观测数据也会表现出迥异特性。需分析最能体现典型粮虫本质特性的图像特征，建立精确的描述方式及其数学表达式，在此基础上建立粮虫图像特征的表征与认知基础理论;2)多样性粮虫图像特征的鲁棒获取。传感器和环境噪声等不利因素严重影响粮虫检测的精确度。另外考虑到粮虫图像特征的形态学和生态学特点，需分析其内在属性提取图像特征矢量，并与该粮虫图像一起形成图像特征模型最终实现多样性粮虫图像特征获取。

2.2 欠观测条件下粮虫快速分类

除粮储环境复杂和粮虫检测参数较多外，由于粮虫寄存在粮堆内部，人眼难以直接进行粮情实时测控，需要借助视觉检测技术在欠观测条件下实现粮虫自动分类。粮虫视觉检测识别技术虽已成为研究热点。但还需解决以下问题:1)特征模型标准化。粮虫生存环境具有不确知和时变性，全面分析粮虫图像的生态矢量特征既费时费力数据冗余又大，急需对各种特征的特点及其分布进行研究建立有限信息的条件下粮虫图像生态矢量特征标准模型，即通过几种典型粮虫样本图像特征就可实现粮虫图像特征标定;2)粮虫图像特征匹配。研究保持图像特征不变的跨尺度变换方法的基础上通过引入人工智能进行图像检索，实现不同生命状态下粮虫图像的多维特征矢量与粮虫生态矢量图像特征模型的跨尺度匹配;进而研究建立适应储粮环境的复杂性和粮虫种类数多干扰源的快速粮虫分类理论与方法。

2.3 虫群密度估计的多约束制约

虫群密度估计既是粮虫危害程度评估的基础，又是粮虫检测系统成功实施的前提和保障。可是受仓储环境和粮虫状态等诸多约束条件的制约导致使现有方法未能满足粮虫实时检测和精确检测要求，无法在真正意义下实现虫群密度估计，这也使得虫群密度的快速估计成为亟需解决的难点问题。1)复合条件下的粮虫图像背景建模方法:视觉传感器虽能获得图像信息但在某些情况下会受残缺粮粒、草籽、粮食品质、光照条件和镜头成像状态等不确定因素的影响，需切实有效研究分析复合干扰源下的粮虫图像背景建模方法;2)多尺度的虫群纹理特征分析。通过粮虫状态的多样性分析研究虫群分布对其纹理特征的影响，以可观测度为指标提出虫群纹理特征提取准则，进而研究建立多尺度的虫群纹理特征分析理论与方法。诸如能否利用粮虫及其图像的分类信息，以及在粮虫的假死性和幼/死/活虫等纹理特征辨识的基础上分析虫群分布对其纹理特征的影响;3)估计精度和计算量。以虫群纹理特征分析为基本出发点，开展低、中、高密度下的虫群密度估计方法研究。研究特征提取和分类器提高虫群密度的估计精度，同时降低计算量满足在线要求。既能简单虫数统计还能消除粮虫的姿态、黏连、粮食颗粒遮挡等不利因素影响。能识别更多虫种如拟谷盗、扁谷盗等。在虫群密度估计基础上构建储粮防治决策支持系统来分析预测粮虫危害程度并拟定相应决策方案，实现准确高效的粮虫智能检测。

3 结论

尽管科研工作者已取得若干富有成效的结果，为我国准确高效的粮虫视觉检测技术研究奠定良好的前期基础。可是现有粮虫视觉检测技术仍存在不足之处。本文在总结和吸收国内外粮虫视觉检测研究成果基础上，围绕多样性的粮虫图像特征获取、欠观测条件下粮虫快速分类、多约束条件下粮虫虫群密度估计等方面进行研究并做出展望。希望能为粮虫的综合防治提供强有力的技术支撑，将储粮损失降到最低限度，全面保障我国粮食安全。

［1］司永芝，刘凯霞，李彪，等.农户储粮损失调查研究［J］.粮食储藏，2005，34(1):24 －27

［2］丁建武，兰盛斌，张华昌.减少粮食产后损失对确保我国粮食安全的重要性［J］.粮食储藏，2005，34(2):49 －50

［3］Ridgway C，Davies E R，Chambers J，et al.Rapid machine vision method for the detection of insects and other particulate bio － contaminants of bulk grain in transit［J］.Biosystems Engineering，2002，83(1):21 －30

［4］Neethirajan S，Karunakaran C，Jayas D S，et al.Detection techniques for stored － product insects in grain［J］.Food Control，2007，18(2):157 －162

［5］农业部.农业统计提要［EB/OL］.［2007－05－29］.http://www.agri.gov.cn/sjzl/nongyety.htm

［6］胡丽华，郭敏，张景虎，等.储粮害虫检测新技术及应用现状［J］.农业工程学报，2007，23(11):286－290

［7］毛罕平，张红涛.储粮害虫图像识别的研究进展及展望［J］.农业机械学报，2008，39(4):175 －179

［8］兰盛斌，郭道林，严晓平，等.我国粮食储藏的现状与未来发展趋势［J］.粮油仓储科技通讯，2008，24(4):2 －6

［9］白旭光.储粮害虫检测技术评述［J］.粮食储藏，2010，39(1):6－9

［10］Zayas I Y，Flinn P W.Detection of insects in bulk wheat samples with machine vision［J］.Transactions of the ASAE，1998，41(3):883 －888

［11］廉飞宇，张元.基于小波变换压缩和支持向量机组的储粮害虫图像识别［J］.河南工业大学学报，2006，27(1):21－24

［12］黄凌霄.基于图像处理的储粮害虫检测方法研究［D］.武汉:武汉工业学院，2007

［13］周龙，牟怿.二维小波变换在粮虫图像中的应用［J］.华中科技大学学报:自然科学版，2007，35(8):24－26

［14］周龙，黄凌霄，牟怿，等.数学形态学方法在储粮害虫图像预处理中的应用［J］.华中科技大学学报:自然科学版，2008，36(2):87 －91

［15］Singh C B，Jayas D S，Paliwal J，et al.Detection of insect－damaged wheat kernels using near－infrared hyperspectral imaging［J］.Journal of Stored Products Research，2009，45(3):151－158

［16］周龙，牟择，尤新革.模拟退火算法在粮虫图像分割中的应用［J］.华中科技大学学报:自然科学版，2010，38(5):72－74

［17］廉飞宇，邢超，范伊红，等.基于机器视觉的储粮害虫检测与识别［J］.农机化研究，2007，28(3):43－46

［18］付麦霞，廉飞宇，张元.基于视频和SVM的储粮害虫检测与识别［J］.农机化研究，2008，36(11):111－115

［19］张红涛.储粮害虫图像识别中的特征提取研究［D］.郑州:郑州大学，2002

［20］张红涛，胡玉霞，毛罕平.基于SVM的储粮害虫图像识别分类研究［J］.农机化研究，2008(8):36－38

［21］张红涛，胡玉霞，毛罕平，等.基于多分辨率分析的储粮害虫图像预处理研究［J］.农业化研究，2012，43(4):160－163

［22］贺佩鑫.粮食储藏和管理中的技术革新［J］.粮油食品科技，2007，15(3):24 －26

［23］周龙.基于机器视觉的储粮害虫图像模糊检测方法的研究［J］.计算机应用与软件，2005，23:61 －63

［24］刘纯利，牟怿，周龙.基于奇异值分解的粮虫图像增强［J］.华中科技大学学报:自然科学版，2010，38(7):119－121

［25］牟怿，周龙.基于奇异值分解与同态滤波的粮虫图像增强［J］.中国粮油学报，2011，26(2):108－114

［26］安琼，杨邦杰，郭琳.面向对象的多光谱图像特征遗传选优方法［J］.农业工程学报，2008，24(4):181 －185

［27］徐昉，邱道尹，白旭光，等.利用图像处理技术检测粮仓害虫的研究［J］.郑州工程学院学报，2001，22(1):78 －81

［28］徐昉.基于图像识别储粮害虫检测系统的研究［D］.郑州大学，2002

［29］范艳峰，甄彤.谷物害虫检测与分类识别技术的研究及应用［J］.计算机工程，2005，31(12):187－189

［30］邱道尹，张成花，张红涛，等.神经网络在储粮害虫识别中的应用［J］.农业工程学报，2003，19(1):142－144

［31］张红梅，范艳峰，田耕.基于数字图像处理技术的储粮害虫分类识别研究［J］.河南工业大学学报:自然科学版，2005(2):19－22

［32］张红涛，毛罕平，邱道尹.储粮害虫图像识别中的特征提取［J］.农业工程学报，2009，25(2):126－130

［33］卢军，王贤锋，赵立飞.自组织特征映射网络在储粮害虫分类中的应用［J］.农机化研究，2009，(4):184－186

［34］沈国峰，程筱胜，戴宁，等.基于贝叶斯正则化 BP网络的粮虫分类识别研究［J］.安徽农业科学，2012，40(34):16914－16917

［35］LS/T 1211－2008粮油储藏技术规范［S］

［36］耿森林，尚志远.储粮害虫声检测技术研究进展与展望［J］.农业工程学报，2006，22(4):204 －207

［37］Zhang Hongmei，Wang Jun.Detection of age and insect damage incurred by wheat，with an electronic nose［J］.Journal of Stored Products Research，2007，43(4):489 －495

［38］程小丽，武传欣，刘俊明，等.储粮害虫防治的研究进展［J］.粮食加工，2011，36(5):70 －73

［39］Zhang Hongtao，Mao Hanping.Image recognition and classification of the stored－grain pests based on support vector machine［C］.International Conference on Information Technology Environmental System Sciences 2008(ITESS＇2008)，15 －17 May 2008:1217 －1221，Jiaozuo，China，2008

［40］张红涛，胡玉霞，毛罕平，等.基于计算机视觉的储粮活虫检测系统硬件设计［J］.农业机械学报，2012，43(4):193－196.