基于软X射线成像的储粮害虫米象生长阶段检测

邵小龙，杨晓静，徐水红，李 慧，Jitendra Paliwal

·研究速报·

基于软X射线成像的储粮害虫米象生长阶段检测

邵小龙1，杨晓静1，徐水红1，李 慧1，Jitendra Paliwal2

（1. 南京财经大学食品科学与工程学院，南京 210023；2. 马尼托巴大学生物系统工程系，温尼伯 R3T 2N2，加拿大）

为了准确检测单粒小麦内部是否感染米象（），利用软X射线成像检测技术对感染不同生长阶段米象的小麦颗粒进行成像，试图通过图像分析来确定小麦内部米象的幼虫、蛹和成虫等不同生长阶段，并利用随机重复抽样建模来评价结果可靠性。通过对被感染米象虫卵不同天数小麦的图像分析发现，图像灰度分布直方图随感染天数变化明显，低灰度值区域（灰度值为10～102）的灰度区域像素点随感染天数增加而减少，中灰度（灰度值为103～162）和高灰度区域（灰度值为163～232)则随感染天数增加而增多。使用包括图像灰度分布和纹理特征等47个特征值，利用线性判别分析（Linear Discriminant Analysis，LDA）与二次判别分析（Quadratic Discriminant Analysis，QDA）建立判别模型，并通过多次随机重复抽样（1 000次）对模型预测效果进行评估分析。结果表明：在95% 置信区间下，在感染与未感染小麦的分类判别中，LDA的判别准确率都在76%以上，除幼虫外生长阶段判别正确率达到95%以上；而QDA的平均判别准确率较低且判别误差也相对较高。因此，该研究使用随机重复抽样方法LDA模型判别小麦是否受到米象感染和区分不同生长阶段是准确可靠的。

粮食；储藏；害虫检测；X光成像；随机重复；抽样建模

0 引 言

造成中国小麦储藏损失的主要因素是隐蔽性储粮害虫，典型代表有玉米象、米象、谷蠹等，其幼虫能够渗透到谷物籽粒内生长，以胚乳为食，成虫后从籽粒内部破坏外壳，然后摆脱其寄主籽粒继续繁殖活动[1]。由于隐蔽性害虫整个生命周期几乎完全在小麦籽粒内部，因此，在剖开粮粒或染色处理前，很难确定隐蔽性害虫的存在。隐蔽性害虫的尽早检出是提高储粮安全和品质的重要保障，因而加强储粮害虫检测研究对粮食仓储和进出口检疫检验等部门显得极为重要。

X射线具有穿透性，X光子穿透物料时与其原子发生作用，进而造成X射线能量衰减，其衰减度与需检测物的组分、厚度和发射能量有关。X射线成像利用X射线可以穿透物质并被其衰减的特性来实现对样品内部物质结构的直接成像，因其在检测农产品内部异物上具有独特优势[2]，已广泛应用于谷物、肉制品、坚果等内部品质无损检测研究[3-5]。当粮粒内部受到隐蔽性害虫感染时，粮粒密度会发生改变，X射线的透射率也随之改变，故可以与正常粮粒区分开来[6]。早在1950年，Milner等[7]用X光技术检测小麦感染米象的研究，发现小麦被感染5 d后就能从X光胶片原图上区分出来，紧接着用于玉米、稻谷和大豆的隐蔽性储粮害虫检测，结果表明从X光原图能清楚观察到内部感染害虫整个发育生长过程[6]。后来X射线成像作为快速无损检测隐蔽性害虫感染的方法被国内国际标准采用[8-9]，但仍然依赖检验人员的经验判断。为减少人工识虫的主观性，很多研究者提出用机器视觉技术来识别粮粒内部感染害虫。Keagy等[10]使用拉普拉斯模板图像增强及阈值分割等技术处理麦粒内部害虫谷象X光图像，对第四龄幼虫识别正确率超过50%。Karunakaran等[11-14]设计了麦粒侵染自动检测系统，利用图像颜色、纹理和形状等特征，结合线性参数和BP神经网络等分类器对储粮害虫米象、赤拟谷盗等幼虫四阶段、蛹和成虫进行分类研究。近几年，随着CT技术的发展，锥形光束X射线源和三维重建成像技术被用于粮粒内害虫的检测研究，该技术能够检测生长期早期隐蔽性害虫甚至虫卵[15-17]。三维CT与二维X光成像技术相比，在害虫检测上表现出一定的优势，但因成像时间长、图像三维重建技术存在一定的难度，以及三维图像后处理困难等，目前还在初步研究阶段。

尽管部分试验研究结果表明用X射线成像检测害虫感染自动识别率能达到90%以上甚至100%[11-14,18]，但实际操作中却表现出较低的识别率，试验难以重复。由于数据采集、抽样、建模等各环节均存在随机性，这些都会给模型预测带来不确定性[19]。比如，随机数种子的初始值设置不固定，那么将试验数据随机分割成训练集和测试集具有一定的随机性，导致预测模型会因训练集的变化而不同，造成同样试验数据和同样算法模型会得到不同的预测结果。因此可推断模型评价参数应在一定取值范围内，而不是一个特定值。为客观认识这个问题，需要用多次随机重复来进行抽样和建模，得到一定数量的模型预测效果评价参数，并用统计参数表示。本研究利用X射线成像获取被米象感染小麦的图像，首先通过图像直观地观察米象的生长情况，提取图像的灰度直方图特征，通过像素点的分布差异分析成像变化；然后利用线性判别分析（Linear Discriminant Analysis，LDA）和二次判别分析（Quadratic Discriminant Analysis，QDA）方法对感染米象的小麦图像建立判别模型，并采用随机重复抽样建模对判别结果进行评估分析，以期得到稳健可靠的判别结果，为后续升级软硬件提供可靠的评估手段，从而达到粮食内隐蔽性害虫的准确快速检测的目的。

1 材料与方法

1.1 试验样品

试验小麦为加拿大红色硬质冬麦。试验样虫米象为加拿大曼尼托巴大学谷物研究中心繁殖多代的种群，其培养温度是（28 ± 1）℃，培养相对湿度是65% ± 2%。

1.2 主要试验仪器与设备

X射线成像系统主要包括：X射线源（LX-85708，美国Lixi公司）；图像采集装置（XC-75/75CE型CCD黑白照相机，日本索尼公司）；计算机装置（5300系列，美国休斯顿康柏电脑公司）。

1.3 试验方法

1.3.1 小麦样品前处理

利用谷物选筛筛去小麦中的各种杂质，将除杂后的小麦置于-30℃的冰箱中24 h，以杀灭小麦中可能存在的虫卵[20]。取出小麦，平衡至室温待用。

1.3.2 被米象感染的小麦样品准备

挑选羽化半个月后的成虫作为母代样虫，将500头米象分别接入100 g小麦样品中，在28 ℃、相对湿度为65%的恒温恒湿箱中培养。48 h后移出所有成虫，并根据米象的生物学参数每隔5 d定期进行检测（遇周末、节假等非工作日会作提前或延后调整）。

1.3.3 软X射线成像测定

先将单粒小麦置于样品台上（用保鲜膜制成），关闭样品门，然后打开X射线开关。其成像参数为：电源电压12.02 V、管电压15.50 kV、管电流0.80A、焦点尺寸为62.5m。采集到的图像数字化为8位灰阶图像保存，其分辨率为60 pixels/mm，每次成像为单粒小麦成像。

1.3.4 图像特征值提取

目标图像用MATLAB2018a程序通过简单阈值法从背景中分离出来。为了消除背景的影响，选取灰度值范围在10～232之间，第一组的灰度值范围是10～72，余下的16组每10个灰度级分为一组，共17组值[14]；用MATLAB软件提取包括在图像0°、45°、90°和135°4个不同方向获取的能量、熵、对比度以及相关性的灰度共生矩阵特征值16个，并对4个方向的特征值取平均值以及做标准偏差，共8个参数；继续提取灰度图像包括长程、短程、运行百分比、灰度不均匀性、低灰度运行和运行长度不均匀在内的6个灰度游程矩阵特征值[21-23]；采用共计47个图像特征参数为后续建模分析。

1.3.5 数据准备和模型验证

米象为完全变态昆虫，具备虫卵、幼虫、蛹和成虫4个生长阶段。试验用X光设备因成像清晰度低，不能观察到虫卵，但能够观察到卵孵化后的幼虫、蛹和成虫，以及破壳后的蛀空粮粒。因含未孵化虫卵粒对粮食品质影响极小，将含卵小麦粒视为未感染样品（即对照样）。因此将拍摄的软X射线照片分为未感染小麦（uninfested）、幼虫（larva）、蛹（pupa）、成虫（adult）和蛀空麦粒（Insected-Damaged Kernel，IDK）五大类，进行分类判别分析。选取未感染小麦粒（含未孵化虫卵粒）、内部有幼虫小麦粒、内部有蛹小麦粒、内部有成虫小麦粒以及蛀空无虫小麦粒的图片各50幅。

模型的性能与其对测试独立数据的预测能力有关，交叉验证方法能较好的评价模型的泛化能力[24-25]，为了比较不同方法的分类和预测性能，本文采用SAS系统自带的留一法进行交叉验证。为评估训练集/测试集的随机划分对预测模型效果的影响，运用多次随机重复的抽样方法（本文以1 000次为例）将试验数据随机划分，其中训练和测试数据量比例为9：1，计算预测准确率的均值及误差和在95%的置信区间的准确率。

1.3.6 数据分析方法

先采用线性判别分析（LDA）和二次判别分析（QDA）两种分类方法对未感染与不同感染阶段小麦进行判别分类，然后进行显著性差异分析。数据分析采用SAS9.4（SAS研究所，美国）的PROC DISCRIM和ANOVA程序完成。

2 结果与分析

2.1 被米象感染不同天数后小麦的软X射线成像

米象从虫卵发育到成虫都一直在小麦颗粒内部，成虫后破壳而出。在小麦内部不同生长天数米象的X射线成像得到图像如图1所示。由图1可知，从第12天开始可以观测到小麦内部有虫，根据米象的形态学特征可以判断出为米象幼虫。随后米象不断发育生长，米象虫态图也越来越清晰。因此16 d后米象的幼虫、蛹期、成虫及蛀空都可以很好判定出来，其中12～21d米象处于幼虫阶段，第25d处于蛹期，第35d处于成虫阶段。由于机器硬件原因，成像不够清晰，对X射线图像进行了图像增强处理得到图2，可以明显看出经过增强处理后小麦内部米象的形态结构更加清晰。

灰度图像直方图表示图像每个亮度级别的像素数量，显示不同灰度值像素点在图像中的分布情况。图3是小麦被米象感染不同天数后的图像灰度直方图，各感染天数的小麦像素分布区别明显，图像灰度直方图随感染天数变化有一定的趋势。低灰度区域即灰度值为10～102的灰度区域像素点随感染天数增加而减少，主要是因为米象虫卵孵化后，就地取食小麦内部物质，导致小麦内部密度降低，造成X射线能量衰减降低，从而使得低灰度值像素点减少、中灰度（灰度值为103～162）和高灰度（灰度值为163～232）区域则随感染天数增加而增多。随着米象幼虫生长（21 d），发育到蛹期（25 d）、成虫（35 d），被感染小米及蛀空粒的高灰度区域像素点增加明显。该趋势与前人研究趋势一致[13]，说明米象的生长发育活动造成了粮粒X射线图像灰度值一定规律的变化。

图1 被感染小麦不同天数后的小麦颗粒X射线成像

图2 被感染小麦不同天数后的小麦颗粒X射线成像增强处理后结果

2.2 米象在小麦体内生长阶段及天数的分类结果与分析

基于图像灰度分组像素点数以及灰度纹理特征值共47个参数进行感染小麦颗粒的判别分析，分别采用LDA和QDA对不同米象幼虫、蛹、成虫及蛀空小麦与未感染小麦进行成对分类，其判别正确率如表1所示。从表1可以看出，对幼虫阶段的感染小麦率LDA判别正确率比较低，均值为77.4%；对后续虫态蛹期、成虫即蛀空粒则判别正确率逐渐提高；对幼虫的判别结果具有较大的误差。由于此次试验采用的X射线源焦点尺寸为62.5m，对比邵小龙等[18]采用微焦点射线源，焦点尺寸为8m，本试验的图像清晰度较低，因此采用同样的LDA、QDA判别分析方法在成对分类判别准确率上远低于邵小龙等[18]所述，同样判别结果也有较大的误差。除未感染小麦与幼虫单独分类以外，在95% 置信区间下LDA的判别准确率都达到95%以上，有的甚至达到99.9%，而QDA的判别准确率相对较低。

图3 未感染/感染米象的小麦图像灰度图像像素直方图

针对由于硬件原因造成的较低幼虫感染阶段判别正确率和较大误差，本文采用多次随机重复来抽样建模，得到较为客观的统计结果。多次随机重复抽样比单次抽样或取均值更能反应实际检测能力，为后期从硬件或算法改进上提升检测能力提供较为可靠的评价方法。

表1 未感染与感染小麦粒成对分类LDA和QDA判别结果

为进一步考察基于X射线灰度图像特征参数的虫态判别能力，分别计算5类虫态（未感染、幼虫、蛹期、成虫和蛀空粮粒）及3种感染程度（将幼虫、蛹期以及成虫统称为正在感染阶段）的判别结果。判别分类结果如表2所示，5类分类方法中，在95% 置信区间下LDA对未感染小麦、幼虫与蛀空粮粒的平均分类准确率达到80%以上，对蛹期以及成虫的分类准确率也都高于67%。由于小麦粒内处于蛹和成虫期米象的虫体尺寸比较接近，且粮粒内部虫洞都较大，因此两者图像容易产生误判，识别率降低。而对于幼虫期米象来说，由于虫体尺寸及虫洞尺寸比蛹期和成虫的虫体小得多，因此误判率较低，识别率较高。在3类分类方法中LDA的分类平均判别准确率都在88%以上。相对而言，在同样的分类情况下，QDA的判别准确率就低很多，且通过分析1 000次重复抽样对模型准确率进行评估分析，发现LDA分类方法的判别误差比QDA小。当然也存在因硬件配置较低导致图像清晰度低，与邵小龙等[18]研究相比，本试验结果存在虫态的判别正确率较低和误差较大的情况。

表2 未感染与感染小麦不同害虫生长阶段分类LDA和QDA判断结果

通过对上述结果分析发现，灰度直方图分布和判断准确率均随着米象生长阶段变化而有一定的规律。相比较未感染的小麦，受米象感染小麦直方图的低灰度区域像素减少，高灰度值区域像素点增加，这与通过软X射线法检测受谷蠹感染的小麦和受谷象感染的大豆获得的结果具有一致性[14,26]。当害虫在小麦种子内部发育生长时，主要以蛀蚀小麦内部的胚芽和胚乳为主要营养来源，且在幼虫阶段随着虫龄的增加，米象进食量也随着增加。米象通常在羽化成虫一周左右从粮粒内部钻出，此时的粮粒已经被蛀空，当在软X射线下检测时其射线透过率更高，因此X射线图像区域更亮。Karunakaran等[11-14]研究X射线成像检测米象、赤拟谷盗、谷蠹等隐蔽性害虫感染自动识别率能达到90%以上甚至100%。从表2和表3可知，在95%的置信区间外，很多分类的判别正确率也能达到90%以上甚至100%。但从统计学的角度来看，这些结果并不可靠。在采用相同的X光设备和图像识别算法的前提下，尽管本试验得到对米象生长阶段判别的正确率偏低，但是由于采用多次随机重复抽样建模方法，增强了本试验结果可靠性。同时也说明本试验所采用的X光设备、图像特征提取和算法上还有很大改进空间，例如后续收集大量的图像样本，采用更高清晰度的X光成像设备和改进算法等。

3 结 论

本文主要通过软X射线成像对小麦内部害虫米象进行检测，对图像进行灰度直方图分析以及基于灰度图像像素点和纹理特征值进行LDA与QDA的判别分析，并采用重复抽样法对模型预测结果进行评估分析，主要结果如下：

1）根据经软X射线检测后获得的图像可以看出，在米象生长的第12天可以直接观察到米象幼虫，并随着米象生长活动和形态变化，活动空间和体积增大而容易被从成像上识别；通过图像灰度直方图分布分析可知，米象生长活动使得图像低灰度值像素点减少、中灰度和高灰度区域则随感染天数增加而增多。

2）通过LDA和QDA对受感染小麦进行分类识别，发现在95%置信区间下，LDA的判别准确率要比QDA高，且1 000次重复抽样产生的判别误差值要比QDA低。随着米象的体积增大和形态变化，识别准确率也随之增加。当未感染小麦分别与幼虫、蛹、成虫及蛀空小麦成对分类时，LDA的平均判别准确率都在76%以上，除幼虫外生长阶段判别正确率达到95%以上；由于QDA存在较大的判别误差，不适用于本试验数据的分析。

3）利用多次重复抽样技术和交叉验证法，能够解决以往研究中模型预测结果过拟合和模型泛化能力弱的问题，在后续试验操作中也很容易重现。同时也表明基于随机重复抽样LDA的X射线成像分析技术能够在一定程度上可靠地判别小麦是否受到米象感染，并区分不同的生长阶段。

[1] 李隆术. 储藏物昆虫学[M]. 重庆：重庆出版社，2009.

[2] Kotwaliwale N, Singh K, Kalne A, et al. X-ray imaging methods for internal quality evaluation of agricultural produce[J]. Journal of Food Science and Technology, 2014, 51(1): 1-15.

[3] Banga K S, Kotwaliwale N, Mohapatra D, et al. Techniques for insect detection in stored food grains: An overview[J]. Food Control, 2018, 94: 167-176.

[4] Dodd S, Barry M, Grant C, et al. Abnormal bone mineralization in a puppy fed an imbalanced raw meat homemade diet diagnosed and monitored using dual-energy X-ray absorptiometry[J]. Journal of Animal Physiology and Animal Nutrition, 2019, 234:1041–1048.

[5] Nagaraju A, Babu T R, Babu B S. Detection of hidden insect infestation in small and bold seeded varieties of groundnut by standardizing X-ray radiography[J]. Environment and Ecology, 2017, 35(4E): 3650-3655.

[6] Milner M, Lee M R, Katz R. Radiography applied to grain and seeds[J]. Food Technology, 1952, 6(2): 44-45.

[7] Milner M, Lee M R, Katz R. Application of X-ray technique to the detection of internal insect infestation of grain[J]. Journal of Economic Entomology, 1950, 43(6): 933-935.

[8] 国家粮食储备局成都粮食储藏科学研究所. GB/T24534. 谷物与豆类隐蔽性昆虫感染的测定[S]. 北京：中国标准出版社，2009.

[9] Technical Committee for Cereals, pulses and derived products. ISO6639. Cereals and pulses. Determination of hidden insect infestation[S]. Addis Ababa: Ethiopian Standards Agency, 1986.

[10] Keagy P M, Schatzki T F. Machine recognition of weevil damage in wheat radiographs[J]. Applications in Optical Science and Engineering, 1993, 70(6): 696-700.

[11] Karunakaran C, Jayas D S, White N D G. X-ray image analysis to detect infestations caused by insects in grain[J]. Cereal Chemistry, 2003, 80(5): 553-557.

[12] Karunakaran C, Jayas D S, White N D G. Identification of wheat kernels damaged by the red flour beetle using X-ray images[J]. Biosystems Engineering, 2004, 87(3): 267-274.

[13] Karunakaran C, Jayas D S, White N D G. Soft X-ray inspection of wheat kernels infested by[J]. Transactions of the ASABE, 2003, 46(3): 739-745.

[14] Karunakaran C, Jayas D S, White N D G. Detection of internal wheat seed infestation byusing X-ray imaging[J]. Journal of Stored Products Research, 2004, 40(5): 507-516.

[15] 张红涛，裴震宇，张晓东，等. 基于Micro-CT的麦粒内害虫侵染研究[J]. 农业工程学报，2019，35(3)：274-280. Zhang Hongtao, Pei Zhenyu, Zhang Xiaodong, et al. Research on changes of insect infestation in wheat grain for Micro-computed tomography[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 274-280. (in Chinese with English abstract)

[16] 张红涛，常艳，谭联，等. 基于 z 轴权重的麦粒图像三维重建[J]. 光学学报，2019，39(3)：127-135. Zhang Hongtao, Chang Yan, Tan Lian, et al. Three-dimensional reconstruction of wheat grain images based on z-axis weight[J]. Acta Optica Sinica, 2019, 39(3): 127-135. (in Chinese with English abstract)

[17] 张红涛，朱洋，谭联，等. 利用机器视觉识别麦粒内米象发育规律与龄期[J]. 农业工程学报，2020，36(2)：201-208. Zhang Hongtao, Zhu Yang, Tan Lian, et al. Identifying larval development ofin wheat grain using computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 201-208. (in Chinese with English abstract)

[18] 邵小龙，徐水红，徐文. 基于软 X 射线与低场核磁检测小麦隐蔽性害虫玉米象[J]. 中国粮油学报，2019，34(7)：101-106. Shao Xiaolong, Xu Shuihong, Xu wen. Detection of wheat kernels hidden pest sitophilus zeamais based on soft X-ray and low-field nuclear magnetic resonance[J]. Journal of the Chinese Cereals and Oils Association, 2019, 34(7): 101-106. (in Chinese with English abstract)

[19] Jason Brownlee. Embrace Randomness in Machine Learning[EB/OL]. [2019-08-12]. https://machinelearningmastery. com/randomness-in-machine-learning.

[20] Jayas D S, White N D G, and Muir W E. Stored-Grain Ecosystems[M], New York: Marcel Dekker Inc., 1995.

[21] Galloway M M. Texture analysis using grey level run lengths[J]. Computer Graphics and Image Processing, 1975, 4(2): 172-179.

[22] Haralick R M, Haralic RM. Statistical and structural approaches to texture[J]. Proceedings of the IEEE, 1979, 67(5): 786-804.

[23] Majumdar S, Jayas D S. Classification of cereal grains using machine vision: III. Texture models[J]. Transactions of the ASAE, 2000, 43: 1681-1687.

[24] Hastie T J. The elements of statistical learning[M]. Beijing: World Book Publishing Company, 2015.

[25] Shao X, Zhang Q, Li H, et al. comparison of different classification methods for analyzing electronic nose data to characterize sesame oils and blends[J]. Sensors, 2015, 15(10): 26726-26742.

[26] Chelladurai V, Karuppiah K, Jayas D S, et al. Detection of(F. ) infestation in soybean using soft X-ray and NIR hyperspectral imaging techniques[J]. Journal of Stored Products Research, 2014, 57(4): 43-48.

Detection of the growth stage of rice weevil as a stored-grain pest based on soft X-ray imaging

Shao Xiaolong1, Yang Xiaojing1, Xu Shuihong1, Li Hui1, Jitendra Paliwal2

(1.,,210023,; 2.,,R3T 2N2,)

In order to accurately detect whether the inside of wheat kernel was infected with rice weevil (), soft X-ray imaging detection technology was used to process the images of wheat grains infected with rice weevil at different growth stages. The different growth stages of rice weevil were determined by image, and the reliability of the results was evaluated by random repetition and discriminant analysis. Although some experimental research results show that the automatic recognition rate of pest infections detected by X-ray imaging could reach more than 90%, and even a high recognition rate of 100%, the actual operation shows that it is impossible to get a lower recognition rate by repeated detection. Due to the randomness of data collection, sampling, modeling, and other factors, these will bring uncertainty to the model prediction. For example, the initial value of the random number seed is not fixed, so the random division of the experimental data into a training dataset and a test dataset has absolute randomness, resulting in the prediction model will be different due to the change of the training dataset. Different prediction results are obtained on the same experimental data and the same algorithm. Therefore, it can be inferred that the evaluation parameters of the model should be within a certain range of values, rather than a single value. Because randomness is inherent, there is no way to avoid it. Random repeation and summary statistics of prediction performance measures are an excellent strategy.In this study, soft X-ray image technology was used to detect the hidden insectin wheat kernels. The different insect growth stages ofwere determined by taking pictures ofin wheat kernels by soft X-ray. The gray histogram features of different infection days were extracted, it is found that the image gray level distribution of the image changed with the infection days, and the pixels in the gray area of the low gray area (gray value: 10-102) decreased with increase of the infection days, while the middle gray (gray value: 103-162) and high-gray areas (gray value: 163-232) increased with the increase of infection days. Based on 47 feature values, including 17 image grayscale histogram features and 30 texture features, a discriminant model was established by using Linear Discriminant Analysis (LDA) and Quadratic Discriminant Analysis (QDA), and the prediction effect of the model was evaluated by multiple random repeated sampling (1 000 times). The results showed that within the 95% confidence interval, the accuracy of LDA in the classification of infected and uninfected wheat was above 76%, and the accuracy of the growth stage except larvae was above 95%. However, the average accuracy of QDA was much lower, and the discrimination error of 1 000 random samples was relatively higher. Therefore, it is accurate and reliable to use multiple random sampling and LDA classification methods to distinguish whether wheat is infested byand to distinguish different insect states of.

grain; storage; pest detection; X-ray imaging; random repeats; sampling and modeling

邵小龙，杨晓静，徐水红，等. 基于软X射线成像的储粮害虫米象生长阶段检测[J]. 农业工程学报，2020，36(18)：309-314.doi：10.11975/j.issn.1002-6819.2020.18.036 http://www.tcsae.org

Shao Xiaolong, Yang Xiaojing, Xu Shuihong, et al. Detection of the growth stage of rice weevil as a stored-grain pest based on soft X-ray imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(18): 309-314. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.18.036 http://www.tcsae.org

2020-05-17

2020-08-10

粮食公益性行业科技专项（201513002-5）

邵小龙，博士，副教授，2019年赴曼尼托巴大学研修，主要从事粮油储运加工、快速无损检测研究。Email：xlshao@nufe.edu.cn

10.11975/j.issn.1002-6819.2020.18.036

TS207.7

A

1002-6819(2020)-18-0309-06