基于萤火虫-支持向量机方法的粮粒内部米象龄期判别

郭玥瑶 李弘瑞 蔡永胜 王宇

摘要：研究并判别米象所处发育龄期，为粮食储藏及制定合理的粮虫防治措施提供科学依据。以对粮食危害最为严重的米象为研究对象，提取基于二值图像的侵染粒中虫道的二维形态学特征，侵染粒三维图像灰度值的基本统计特征及基于特征变换的纹理特征，与二维特征相结合，构建原始特征空间，应用优化算法选取最优特征组合，并利用萤火虫算法-支持向量机方法（FA-SVM）判别米象所处发育龄期，识别率达到95%以上，有效识别出米象所处发育龄期。

关键词：米象；侵染粒；特征；FA-SVM

中图分类号：TS207.7 文献标识码：A DOI：10.16465/j.gste.cn431252ts.20210527

粮食仓储问题一直以来都是粮食安全问题的核心，也是世界各国高度关注的研究课题[1]。随着社会的进步和发展，粮食产量有了很大的提高，储藏量也日益增多，但在粮食的储藏过程中，容易产生霉变、虫蚀、鼠害及污染等问题，其中储粮害虫的危害较为严重，我国每年因储粮害虫造成的损失达到20多亿元[2]。当大面积的储粮害虫发生时，会造成很大程度上的经济损失，而且会影响粮食及粮食制品的品质，同时会传播致病微生物，对人体健康构成潜在威胁[3]。在众多的储粮害虫中，米象是对粮食造成危害最大的一种害虫。米象成虫将卵产在粮粒内部，直到卵发育至低龄幼虫，开始啃食粮粒内部，在粮粒内部形成空腔，此时对粮食的危害最大。米象幼虫由于体积较小，在粮粒内部难以检测，所以很难被察觉。如能在米象幼虫期就能进行合理的防治，可大大减少其带来的危害。因此，米象等储粮害虫的早期检测一直都是国内外研究的热点，许多学者对此进行了大量的研究。

Ridgway等[4-5]选取合适波长，研制了近红外谷象侵染检测系统，但检测效率有待进一步提高；Dowell等[6]利用近红外光谱仪实现对粮粒内部的害虫检测，该法对含蛹和成虫期的粮粒检测有良好的效果，对低龄幼虫的粮粒识别率仅为63%；Karunakaran等[7-8]利用软X射线检测麦粒的侵染，对米象、谷蠹幼虫的识别率达到95%，但无法检测出虫卵；Fornala等[9]建立了麦粒侵染程度和侵染时间的方程式，其预测准确率达到90%，但需要在米象产卵5 d后才能被检测到；Toews等[10]研究利用CT成像法来分析粮粒内部害虫的侵染，该法对每100 g样品中的5个蛹期侵染麦粒的识别精度达到94%，但需要在样本中加入食用油以提高对比度，且识别率随侵染粒数量的增加而降低；Zhang等[11]利用电鼻子阵列检测粮食是否受到害虫侵染，该法对样本容器的密闭性要求较高；Manickavasagan等[12]利用热成像仪来判断麦粒的侵染，该法对粮粒侵染的检测精度达到83%，但检测过程较为繁琐；Pearson等[13-14]提出將电导率法用于粮粒内部害虫的检测，该法无法检测储粮害虫幼虫；Nawrocka等[15]研究了粮粒内害虫虫龄、有机玻璃校准指示器的灰度级与小麦质量损失之间的关系；Chelladurai等[16]利用基于特征融合的方法对大豆侵染进行检测，检测精度得到提高，但增加了设备成本和检测时间；张红涛等[17]提出分腹沟朝上、朝下和侧向3个姿态对粮粒内部害虫的侵染进行判别分析，该法大大提高了识别率，但无法检测含卵和低龄幼虫的粮粒；Shi等[18-19]利用生物光子辐射信号判别粮粒内部的侵染，对收到米象侵染小麦的识别率达到95%，但受环境温度的影响较大。

综上所述，国内外学者利用各种新技术开展了粮粒内部害虫的检测研究，取得了一定的效果。本文利用Micro-CT采集侵染粒的二维图像，应用图像处理的方法分割出虫道，提取虫道的二维形态学特征、三维图像灰度值的基本统计特征以及基于特征变换的纹理特征，分析了米象由卵期发育至成虫期的过程中的虫蚀规律，并将二维特征与三维特征相结合，构建原始特征空间，应用模拟退火算法对特征进行优化，选取最优特征组合，利用萤火虫算法-支持向量机方法（FA-SVM）判别米象所处发育龄期，识别率达到95%以上，有效识别出侵染粒中米象所处发育龄期，为制定合理的粮虫防治措施提供科学依据。

1 图像采集及预处理

1.1 侵染粒样本培育及设备

1.1.1 样本培育

实验采用的米象成虫样本来自于河南工业大学，粮粒为百农207小麦品种。

将麦粒用水浸泡1 h，用电热鼓风干燥箱烘干麦粒，使水分保持在15%左右。将3 000头米象与100 g烘干后的麦粒混合，放入恒温恒湿培养箱（30 ℃，70% RH）中培育，3 d后筛除成虫，并将麦粒放入培养箱中继续培育。自米象与麦粒混合后的第3、9、17、22、28天分别为卵期、低龄幼虫期、高龄幼虫期、蛹期和成虫期，根据培养时间的不同选出处于不同发育龄期的侵染粒，并放入冰箱中冷冻，使侵染粒保持在该时期的状态。

1.1.2 实验设备

柜式锥束型Micro-μCT 100：瑞士SCANCO MEDICAL公司；HWHS-250型恒温恒湿培养箱：金坛市仪都仪器有限公司；ML104型电子天平：梅特勒-托利多仪器有限公司；DHG9030（A）型电热鼓风干燥箱：上海一恒科学仪器有限公司；TAL-2型干湿球温度计：衡水创纪仪器仪表有限公司；QTH-C型粮食水分测定仪：北京绿野创能机电设备有限公司。

1.2 微计算机断层扫描技术图像采集

微计算机断层扫描技术（micro computed tomography，Micro-CT）是一种非破坏性的3D成像技术，有着极高的分辨率，可以达到微米级别，具有良好的显微作用，可以对目标的内部结构进行了解分析。Micro-CT常采用锥形X线束对样本进行扫描，以获得各向同性的容积图像，提高空间分辨率和射线利用率。目前Micro-CT常用于活道动物组织生长情况的研究、材料科学、半导道材料和结构、以及地质学研究等领域。

本实验利用Micro-CT扫描侵染粒样本，得到不同龄期的侵染粒图像投影数据，并利用FDK算法对投影数据进行重建，得到重建后的各龄期侵染粒的二维图像如图1所示。

1.3 图像预处理

最大类间方差法（Ostu法）是由日本学者大津于1979年提出，该方法按照图像的灰度特性，自动求取最佳阈值，将图像分为背景和目标两部分。

本实验利用最大类间方差法求取最佳阈值，对图1所示的重建图像进行二值化处理，对二值化后的图像进行边界抑制，去除环形外圈，再利用聯通区域标记法去除小面积区域，最后对包含了虫道的二值图像进行填充操作，得到完整的虫道二值图像。各龄期虫道二值图像如图2所示。

2 虫道特征提取

米象在粮粒内部发育过程中，其自身的体积、表面积、高度等特征有明显的变化，且会对粮粒的纹理、灰度等特征造成影响，故试验共提取了虫道的二维形态学特征、三维特征、灰度值基本统计特征及基于特征变换的纹理特征。

2.1 二维形态学特征

3 特征优化与龄期判别

本文共提取了43个特征，构建原始特征空间。因原始特征空间太大，对算法运行带来不便，且冗余特征较多，影响了识别的效率和精度，故需对原始特征空间进行优化，选取最优特征组合。本文利用模拟退火算法对原始特征空间进行特征优化选择。

3.1 特征优化组合

模拟退火算法（SA）是基于迭代求解策略的一种随机寻优算法。模拟退火算法从某一较高温度出发，随着温度的下降，结合概率在解空间中随机寻找目标函数的全局最优解。本文利用模拟退火算法对原始特征空间进行特征优化组合，以交叉验证识别率作为选择依据，当优化选择特征组合为虫道高度、最大横截面积、最小外接矩形长、宽、拟合椭圆短轴长、等价圆直径、周长、体积、表面积、复杂度、灰度统计特征、三阶矩、一致性、平滑度共计16个特征时，交叉验证识别率达到最高为93%。

3.2 虫道龄期判别

萤火虫算法（Firefly Algorithm）是一种启发式智能算法。它是根据萤火虫闪烁的行为，把萤火虫的闪光作为一个信号系统，以吸引其他的萤火虫，吸引力与亮度呈正比。对于任意两个萤火虫，不够明亮的萤火虫会被吸引，移动至更亮的萤火虫，而本身亮度又会随着其移动距离的增加而减少，如果没有比自身更亮的萤火虫，则自身会随机移动。试验选取5个时期共200个样本数据进行训练和测试，其中每个龄期有30个训练样本和10个检测样本，并利用萤火虫算法对SVM的c、g参数进行优化，选取最佳参数组合，对虫道龄期进行判别，识别率达到96%，识别结果如图3所示。

由图3可知，利用FA-SVM技术有效地识别出处理不同龄期的虫道，只有低龄幼虫期和卵期共2个虫道样本被识别错误，有良好的识别精度。

4 结 论

（1）利用分辨率更高的Micro-CT采集侵染粒图像，可有效观察到粮粒内部的结构变化，并可观察到不同龄期的侵染变化，为研究虫蚀规律提供依据。

（2）提取了虫道的三维特征信息，分析了粮粒内部米象由卵期发育至成虫期虫道的大小、体积等变化规律，并提取了虫道的二维形态学特征以及基于灰度共生矩阵的纹理特征等，构建了原始特征空间，为判别虫道所属龄期提供依据。

（3）利用模拟退火算法优化原始特征空间，选取最优特征组合，有效去除冗余特征信息，并利用萤火虫算法优化支持向量机参数组合。根据优化后的特征对虫道样本进行龄期判别，正确率达到96%，只有两个样本被误识。有效识别出样本中虫道所属龄期，为采取合理的粮虫防治措施提供了科学指导。

（4）本文在粮粒内部米象龄期识别方面取得了一些进展，也存在需改进的地方。在特征提取方面可能存在一些未提取的更便于识别的有效特征，可以通过提取具有较强表示能力的特征来提高识别率。

参 考 文 献

[1]康雅青. 中国粮食储藏问题研究[J]. 现代商业， 2013（11）：49.

[2]钱志海，张超，付松林.储粮害虫实仓在线检测识别技术研究现状与展望[J].粮食科技与经济，2021，46（2）：105-108.

[3]唐黎标. 储粮害虫防治现状与问题研讨[J]. 粮食问题研究， 2018（4）：43-45.

[4]RIDGWAY C， CHAMBERS J， COWE I A. Detection of grain weevils inside single wheat kernels by a very near infrared two-wavelength model[J]. Journal of Near Infrared Spectroscopy， 1999， 7（4）：213-221.

[5]RIDGWAY C， DAVIES E R， CHAMBERS J， et al. Rapid machine vision method for the detection of insects and other par-ticulate bio-contaminants of bulk grain in transit[J]. Biosystems Engineering， 2002， 83（1）：21-30.

[6]DOWELL F E， THRONE J E， WANG D， et al. Identifying stored-grain insects using near-infrared spectroscopy[J]. Journal of Economic Entomology， 1999， 92（1）：165-169.

[7] 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.

[8] 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.

[9] FORNALA J， JELINSKIA T， SADOWSKA J， et al. Detection of granary weevil Sitophilus granarius （L. ） eggs and internal stages in wheat grain using soft X-ray and image analysis[J]. Journal of Stored Products Research， 2007， 43（2）：142-148.

[10] TOEWS M D， PEARSONT C， CAMPBELL J F. Imaging and automated detection of Sitophilus oryzae （Coleoptera： Curculionidae） pupae in hard red winter wheat[J]. Journal of Economic Entomology， 2006， 99（2）：583-592.

[11] 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.

[12] MANICKAVASAGAN A， JAYAS D S， WHITE N D G. Thermal imaging to detect infestation by Cryptolestes ferrugineus inside wheat kernels[J]. Journal of Stored Products Research， 2008， 44（2）：186-192.

[13] PEARSON T C， BRABEC D L. Detection of wheat kernels with hidden insect infestations with an electrically conductive roller mill[J]. Applied Engineering in Agriculture， 2007， 23（5）：639-645.

[14] BRABEC D， PEARSON T， FLINN P， et al. Detection of internal insects in wheat using a conductive roller mill and estimation of insect fragments in the resulting flour[J]. Journal of Stored Products Research， 2010， 46（3）：180-185.

[15] NAWROCKA A， STEPIE？ E， GRUNDAS S， et al. Mass loss determination of wheat kernels infested by granary weevil from X-ray images[J]. Journal of Stored Products Research， 2012， 48（1）：19-24.

[16] CHELLADURAI 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（1）：43-48.

[17]張红涛， 毛罕平， 剧森， 等. 基于胚部区域特征的麦粒姿态自动识别[J]. 农业工程学报， 2014， 30（14）：163-169.

[18] SHI W Y， JIAO K K， LIANG Y T， et al. Efficient detection of internal infestation in wheat based on biophotonics[J]. Journal of Photochemistry & Photobiology B： Biology， 2016， 155（1）：137-143.

[19] SHI W Y， JIAO K K， LIANG Y T， et al. Detection of insects-contaminated wheat based on PSO-BP network[J]. Information Technology Journal， 2013， 12（16）：3596-3599.

Research on Age Identification of Sitophilus oryzae in Grain

Guo Yueyao， Li Hongrui， Cai Yongsheng， Wang Yu

（ Institute of Electric Power， North China University of Water Resources and Electric Power， Zhengzhou， Henan 450011 ）

Abstract： Study and determine the developmental stage of Sitophilus oryzae， then provide a scientific basis for food protection and the development of reasonable grain and insect control measures. In this paper， Sitophilus oryzae with the most serious food damage were taken as the research object， and the two-dimensional morphological characteristics of the insect tract in the infested grain based on the binary image were extracted. The basic statistical features of the gray value of the three-dimensional image of the infested grain and the texture features based on the feature transformation， and the two-dimensional features are combined to construct the original feature space. Applying the optimization algorithm to select the optimal feature combination， and using FA-SVM technology to judge the developmental stage of Sitophilus oryzae. The recognition rate is over 95%. And effectively identify the developmental stage of Sitophilus oryzae， which is effective and reasonable. Provide a reference for prevention methods.

Key words： sitophilus oryzae， infected grain， feature， FA-SVM