储粮害虫检测识别技术研究现状与展望

祝玉华，李 苗，党 豪，甄 彤

（河南工业大学 信息科学与工程学院，河南 郑州 450001）

0 引言

粮食在储藏过程中常遭受虫、霉、鼠、雀等有害生物的侵害造成数量和质量上的损失，其中害虫是造成粮食产后损失的一个重要因素，在仓储过程中的危害也尤为重大.全世界每年新收获的谷物总量中，后期因仓储害虫所造成的重量损失约为15%，一些发展中国家的技术水平跟不上，人力、物力投入少，早期防治不及时，造成的产后损失可高达25%以上[1-3].我国是世界上最主要的产粮和消费大国，近年来，我国的粮食年产量已达5 000 亿kg，库存量高达年产量的一半以上，储粮害虫早期检测的任务刻不容缓.目前，国内外传统的储粮害虫检测方法主要有扦样法和诱集法[4-7]，这两种方法虽然能检测出粮仓内是否有害虫，但是需耗费大量劳动力且很难准确地判断出害虫的种类及密度.近些年随着信息化在各个行业的广泛应用，国家粮食局在实施粮食收储供应安全保障工程（简称“ 粮安工程”）规划中对仓储的信息化要求不断加深，一些专家学者将相关信息技术如：X 射线、图像处理、声音信号识别和光学信号识别技术应用于仓储害虫的检测，为信息技术在储粮害虫检测识别方面奠定了理论基础.作者对这些新方法的优劣势、应用状况做了简要的概括，并展望了未来的发展趋势，为今后实现仓储害虫的准确检测提供了新思路.

1 仓储害虫检测技术研究现状

1.1 软X 射线成像检测法

软X 射线成像检测法是从X 射线形成的图像出发，依据谷物受到虫害感染后，谷物籽粒密度下降从而使成像发生变化，能有效检测出谷物中的虫害规律.Karunakaran Chithra[8]用软X 射线法检测不同生命阶段的锈赤扁谷盗、赤拟谷盗、印度谷螟、米象和谷蠹5 类主要的仓储害虫对小麦籽粒的危害，检测出籽粒被锈赤扁谷盗和赤拟谷盗幼虫感染的正确识别率在84%以上，被锈赤扁谷盗蛹和成虫感染的识别率达96%，被印度谷螟幼虫感染的识别率达97%.可见，不同的生命阶段的不同虫种的识别率也不同.同时测出不同生命阶段的米象和谷蠹的谷物识别率在98%以上.他还在试验中证明了软X 射线法可用于谷物的分类及区分不同水分含量的小麦籽粒.后来研究者开始利用更先进的设备、技术与软X 射线法相融合，实现了更高层次的检测水平.Haff 等[9]利用一个高分辨率的X射线实时成像系统检测侵染了象鼻虫和米象的卵、幼虫、蛹、成虫的小麦，识别率为84.4%.Pearson 等[10]设计了一种自动识别算法，利用软X 射线形成的图像，自动从每个图像里提取64 个特征值，判断分析测试最有可能的3 个特征值的组合，然后对图像进行分类.该算法能自动识别除早期幼虫之外所有虫期的仓储害虫，软X 射线法还能检测大豆、大米等农作物中的粮虫与霉菌[11].Chelladuraia 等[12]将线性分类和二次分类方法与软X 射线法相结合检测大豆中的象鼻虫，证明软X 射线法能检测除了卵期之外的所有生命阶段的象鼻虫，检测率在86%以上.

1.2 储粮害虫声信号检测法

储粮害虫声信号检测法是通过检测和分析害虫在粮堆这个小型的生态系统中的一系列生命活动时发出的声音，将声信号放大、滤波后利用数字信号处理的方法分析信号的声频谱特征，得到害虫的种类与数量进而评价其对粮库的危害等级.储粮害虫声信号检测法在20 世纪80 年代后期随着计算机的普及才真正的发展起来.Vick 等[13]在实验室中使用麦克风检测小麦、玉米和大米中的米象等幼虫的活动声（吃食声和爬行声），得到3种样品中害虫吃食声的最高频率分别为1 200 Hz、587 Hz 和1 475 Hz，发现害虫的数量与害虫的发声数目相关.此项研究为声信号检测仓储害虫的发展奠定了基础.Shuman 等[14]研发出第一代“ 声探测定位昆虫检测器”，虽然只能用于检测害虫很少的情况，但是第一次实现了谷物样品的快速评级.Hagstrum 等[15]在6 个农场中分别使用自动声学传感器做试验，得出谷物是一个强有力的声音吸收器，在粮粒中声音的传输主要通过气体；证明了谷物间声音传输的距离与粮食堆积的深度无关，而与粮粒的内核间距有关，并成功估计了害虫的危害等级.Shuman 等[16]研发出第二代“ 声探测昆虫特征检测器”，在理想条件环境噪声几乎为零的情况下，利用蚁群算法思想和精密的实验仪器检测小麦样品中任意位置的两只害虫的声音信号，检测到的概率为90%以上，这一研究成果已用于美国出口谷物的评级.Mankin[17]采用电刺激的方法提高了印度谷螟幼虫的活动水平，从而提高了声学探测能力.试验证明电刺激是改进仓储害虫声检测的可靠性方法.耿森林等[18]对米象成虫、赤拟谷盗成虫以及两者复合后在小麦样品中的爬行声进行了功率谱估计，利用声信号的频域特征识别害虫的类别，准确率很高，证明害虫声频域特征比时域特征在鉴别害虫种类上更精确.近几年，随着多种技术的融合发展，声信号检测法的数据准确率又上了一个台阶[19].韩安太等[20]在设计储粮害虫声信号检测系统时首次融合了无线传感器网络和压缩感知技术.试验中通过使用多个采集节点来同时检测同一区域提高准确率外，还使用高比率的压缩算法，测得数据的平均丢包率小于10%，平均传输延迟小于2.5 s，实现了储粮害虫声信号的实时、远程、可靠传输.秦昕等[21]建立了储粮害虫声信号特征数据库，为以后的研究提供了有效数据.

1.3 生物光子检测法

生物光子检测法是利用生物的超微弱发光现象，当生物体发生如霉变、虫害等时，其生物光子辐射都会发生显著变化，从而判断谷物中是否含有隐蔽性害虫[22-24].2013 年河南工业大学粮食信息处理与控制教育部重点实验室[25]使用生物光子检测技术，对含虫小麦籽粒和正常小麦籽粒进行对比，识别率高达95%，这为小麦隐蔽性虫害的检测提供了一种新思路.生物光子检测法能检测早期谷物中的隐蔽性害虫，还能用于谷物霉变检测、粮食安全和质量检测、种子活性检测等诸多方面.生物光子技术在农业方面的应用非常广泛，但是在谷物的害虫识别方面还处于实验阶段.

1.4 图像识别检测法

图像识别检测法是以数字农业为基础，并结合图像处理技术，利用谷物与害虫的结构和颜色信息来实现在线检测.在国内外，对储粮害虫的检测与识别技术上进行大量的研究，主要集中在害虫图像分割、害虫图像特征提取和害虫识别3 个方面.Keagy 等[26]利用机器视觉的方法识别小麦籽粒中象鼻虫的伤害，为害虫的图像识别奠定了基础.准确识别是仓储害虫检测的核心内容.徐昉等[27]提出了基于图像识别的储粮害虫在线检测方法.将CCD 摄像机安置于特定的取样装置内，锁定焦距，在粮仓内抽取粮食样本，CCD 摄像机实时地摄取图像系列，然后通过图像增强和二值化处理，在线判断有无害虫；若有害虫，利用图像的特征提取、分类等一系列的信息处理手段，判断害虫的种类和密度以及位置信息.此项研究为害虫的综合防治提供可靠的技术支持.此方法现已识别赤拟谷盗、米象、谷蠢等主要仓储害虫，识别率高达85%以上.Zayas 等[28]用数字图像技术判断小麦散装粮中的害虫，并结合多光谱分析技术和模式识别的方法检测谷蠢成虫，识别率高达90%.张成花等[29-30]利用BP 神经网络、RBP 网络和模糊技术对玉米象、赤拟谷盗、杂拟谷盗和长角扁谷盗等12 种9 类常见的害虫进行离线识别检测，3 种技术检测率分别为95.6%，96.7%，95.6%，并选择用RBP 网络分类器进行在线识别，识别率达86.5%.

储粮害虫图像识别的难点是特征提取，如果提取出来的特征均能很好地进行害虫分类，则能大大提高识别率.甄彤等[31-33]采用数字图像处理技术，在谷物的一级灰度直方图和图像中自动提取出4 组静态特征值，为仓储害虫的快速鉴定和分类研究开辟了新途径.张红涛等[34]运用蚁群优化算法在17 个由粮虫的二值化图像提取出的形态学特征中自动提取出7 个最优子空间，然后采用支持向量机分类器对大谷盗、谷蠹、米象、黑菌虫等9类主要的仓储害虫分类，识别率高达95%.此研究证实了基于蚁群优化算法的粮虫特征提取的可行性.张卫芳[35]分别采用Robert 算法、Prewitt 算法、Canny 算法3 种经典的边缘检测算法以及灰度级理论算法，对储粮害虫的二值化图像（含噪声和不含噪声两种）进行边缘检测，证明基于灰度理论的边缘检测算法具有边缘定位准确、抗噪性强、检测边缘连续有效等优点.张红涛等[36]提出一种有效的仓储害虫局部特征提取方法，将模拟退火算法应用在支持向量机的分类上，实现了对常见的15种仓储害虫分类，正确率为94.8%.图像识别检测法已经用于检测商业样本粮，识别率达89%.

2 仓储害虫检测方法比较

这4 种储粮害虫检测新技术，虽然都是无损、绿色无污染的检测方法，但是各有利弊，在不同的粮仓内都有试验来验证其精确性.其中软X 射线成像检测法能有效地检测出内部害虫和外部害虫；声信号检测法能快速、准确判断害虫的种类及数量，评价害虫的危害级别；微生物光子检测法能检测早期谷物中的隐蔽性害虫，还能用于谷物霉变检测、粮食安全和质量检测，是一种绿色无污染的检测技术；图像识别法能与很多检测技术相结合实现一种害虫、水分、温度同时在线检测平台技术，是一种很有潜力的方法.这4 种方法的优缺点对比情况见表1.

表1 4 种检测新技术的优缺点Table 1 The advantages and disadvantages of four kinds of inspection technology

3 分析展望

近年来仓储害虫检测虽取得了一些进展，科研工作者也将多种检测算法应用于粮虫检测，但要将这些理论应用于实际仓房，还存在亟待解决的问题.

3.1 数字图像噪声与环境噪声

软X 射线成像法中，数字图像的噪声会影响检测的精确率，因此可以尝试用小波去噪的方法提高识别率；声信号检测法中，难点是将环境噪声或者粮食沉降声与害虫发出的声音区分开，研究者可以从检测粮虫的可听声转移到检测超声，避免环境噪声的影响；同时储粮害虫种类繁多时如何有效地提取害虫的声音特征，即建立害虫声信号发射模型是声信号检测方法的发展趋势[33].

3.2 图像识别中多特征的提取

储粮害虫图像识别的前提是特征提取，因此获取图像准确特征的方法成为研究重点[37-40].同类粮虫在不同生命阶段、运动状态中的图像矢量特征呈多样化，很难用符号特征表述，需要分析出最能表现图像本质特征的多个特征值，建立一系列精确的数学表达式，形成图像特征的理论基础.不同粮虫需根据其不同的形态特征、内部属性、生存环境提取多个具代表性的矢量特征，并与粮虫的图像一起形成图像的特征模型，才能实现图像识别中多特征的提取.

3.3 多种检测技术相结合

在实际应用中单一的使用这些技术很难满足粮库的技术需要，多种检测技术相结合是粮虫检测的必然趋势.将软X 射线法能检测出内部和外部害虫的优点与图像识别法相结合，无疑能形成更科技化、智能化的在线检测平台.声音检测法可以利用害虫的吃食声来定位害虫，与图像识别法相结合，则能精确地检测出害虫的位置、种类和密度.若利用生物光子法能检测出隐蔽性害虫的优点与图像识别法相结合，理论上来说粮仓内任何时期所有的害虫均能被检测出，更好的实现害虫的早期检测.

4 结论

尽管科研工作者已经实现了多种有效的检测方法，为我国精确高效地检测仓储害虫的研究奠定了良好的前期基础，但是现有仓储害虫检测技术仍然存在不足之处.因此，储粮害虫检测技术必须不断创新、不断提高.作者在总结国内外仓储害虫检测新技术的研究成果基础之上，就数字图像噪声和环境噪声、图像识别中多特征提取、多种检测技术的融合使用3 方面做出分析与展望.今后的研究重点应更多地从害虫的种群、群落和仓储生态系统入手，利用遥感技术、模式识别技术和空间动态分析方法，研究复杂性种群动态产生的条件及其在信息技术中的作用机制，为仓储害虫的分类与识别提供可靠、科学的决策支撑.

［1］付昌斌，张兴.利用植物性物质防治储粮害虫研究进展［J］.粮食储藏，1996，25（5）:6-10.

［2］陈启宗，黄建国.仓库昆虫图册［M］.北京:科学出版社，1985.

［3］国家粮食局，“ 十五”粮食行业科技发展规划［Z］.2001.

［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］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.

［6］路静，傅洪亮.储粮害虫检测和分类识别技术的研究［J］.粮食储藏，2014，43（1）:6-9.

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

［8］Karunakaran Chithra.Soft X-ray inspection of wheat kernels to detect infestations by storedgrain insects［D］.Ann Arbor:The University of Manitoba（Canada），2002.

［9］Haff R P，Slaughter D C.Real-time X-ray inspection of wheat for infestation by the granary weevil，Sitophilus granarius（L.）［J］.American Society of Agricultural and Biological Engineers，2004（2）:531-537.

［10］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，2007，17:617-633.

［11］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.

［12］Chelladuraia V，Karuppiah K，Jayas D S，et al.Detection of Callosobruchus maculatus（F.）infestation in soybean using soft X -ray and NIR hyperspectral imaging techniques ［J］.Journal of Stored Products Research，2014，57:43-48.

［13］Vick K W，Webb J C，Weaber B A.Sound detection of stored-product insects that feed inside kernels of grain［J］.Journal of Economic Entomology，1988，81（5）:1489-1493.

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

［15］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.

［16］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.

［17］Mankin R W.Increase in a acoustic detectability of Plodia Interpunctella（Lepidoptera:Pyralidae）larvae in stored products after electrical stimulation［J］.The Florida Entomologist，2002，85（3）:524-526.

［18］耿森林，尚志远.基于害虫声频域特征的储粮害虫种类鉴别研究［J］.农业系统科学与综合研究，2005，21（4）:241-243.

［19］Mankin R W，Samson P R，Chandler K J.Acoustic detection of melolonthine larvae in australian sugarcane［J］.Journal of Economic Entomology，2009，102（4）:1523-1535.

［20］韩安太，何勇，李剑锋，等.基于无线传感器网络的粮虫声信号采集系统设计［J］.农业工程学报，2010，26（6）:181-187.

［21］秦昕.储粮害虫活动声信号特征研究［D］.西安：陕西师范大学，2012.

［22］陈胜，黄楚云，李默然.生物超微弱发光及其应 用［J］.黄石理工学院学报，2006，22（4）:82-84.

［23］Costanzo E，Gulino M，Lanzano L，et al.Single seed viability checked by delayed luminescence［J］.European Biophysies Journal，2008，37（2）:235-238.

［24］郭建军.大豆种子光诱导延迟发光特性研究［D］.天津：南开大学，2008.

［25］史卫亚，焦珂珂，王艳娜，等.基于生物光子学的小麦虫害识别模型［J］.河南工业大学学报：自然科学版，2013，34（6）:100-104.

［26］Keagy P M，Schatzki T F.Machine recognition of weevil damage in wheat radiographs［J］.Cereal Chemistry，1993，70（6）:696-700.

［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］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.

［29］张成花.基于图像识别的储量害虫分类的研究［D］.郑州：郑州大学，2002.

［30］邱道尹，张红涛，陈铁军，等.基于机器视觉的储粮害虫智能检测系统软件设计［J］.农业机械学报，2003，34（2）:83-85.

［31］甄彤，范艳峰，邹炳强，等.谷物害虫图像识别中特征值提取技术的研究［J］.微电子学与计算机，2004，21（12）:111-115.

［32］甄彤，范艳峰.基于支持向量机的储粮害虫分类识别技术研究［J］.计算机工程，2006，32（9）：167-169.

［33］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.

［34］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.

［35］张卫芳.基于图像处理的储量害虫检测方法研究［D］.西安：陕西师范大学，2010.

［36］张红涛，李芳，胡玉霞，等.仓储害虫局部形态学特征提取方法研究［J］.河南农业科学，2014，43（2）:84-87.

［37］郭敏，张丽娜.基于声信号的储粮害虫检测方法的研究与发展［J］.中国粮油学报，2011，26（12）:123-127.

［38］王贵财，张德贤，李宝利，等.粮虫视觉检测技术的现状与展望［J］.中国粮油学报，2014，29（4）:124-128.

［39］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.

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