王貴財 張德賢 李保利 孫宜貴

(河南工業(yè)大學信息科學與工程學院，鄭州 450001)

糧蟲危害是糧食儲藏中較為嚴重的問題之一，糧蟲準確檢測是進行糧蟲綜合防治的一種有效手段［1－2］。目前國內(nèi)外糧蟲檢測方法主要有扦樣法、人工法、誘集法、聲音信號法、近紅外法和視覺檢測法等［3－9］。其中視覺檢測法具有準確度高、勞動量小、糧蟲圖像可視化、便于同糧庫現(xiàn)有的計算機管理系統(tǒng)相連接等優(yōu)點，近年來一直是糧蟲檢測領域的研究熱點，也是糧蟲檢測的主要技術手段［10－16］。糧蟲視覺檢測法分為特征獲取、糧蟲識別(糧蟲分類)和蟲群密度估計三大研究環(huán)節(jié)(如圖1所示)。本文就其研究發(fā)展狀況和待解決問題分別從三大環(huán)節(jié)作扼要總結與評述，為今后實現(xiàn)糧蟲快速精準檢測提供了新思路。

圖1 糧蟲視覺檢測技術框架

1 糧蟲視覺檢測技術研究現(xiàn)狀

1.1 特征獲取

糧蟲圖像預處理既是糧蟲視覺檢測系統(tǒng)的首要步驟也是難點之一。一方面糧蟲種類多、體形小且形態(tài)結構較復雜需通過圖像預處理方法來提高識別準確率。另一方面糧蟲分類器要求的訓練樣本數(shù)量與糧蟲圖像特征數(shù)呈指數(shù)關系增長，而糧蟲圖像特征數(shù)據(jù)量龐大和冗余較大的缺點導致糧蟲訓練樣本數(shù)量更為龐大從而加重糧蟲識別的計算量。一種切實有效的思路就是簡化表征或壓縮糧蟲圖像特征等圖像預處理方法來達到糧蟲快速識別的目的。如廉飛宇等［17－18］分別利用圖像色彩塊、HVS彩色圖像差值技術和運動目標檢測實現(xiàn)糧蟲視頻圖像序列的靜態(tài)糧蟲圖像分割提取。為解決部分糧蟲種類的高相似度(如已有方法往往將銹赤扁谷盜、長角扁谷盜和土耳其扁谷盜3類糧蟲分為一類［19－20］)導致分類準確率低的問題，張紅濤等［21］提出基于多分辨率圖像分析的糧蟲圖像預處理方法，依次對原始糧蟲圖像做多分辨率采樣、濾波處理和“與”運算后能較快速提取糧蟲圖像局部形態(tài)學特征從而實現(xiàn)糧蟲的準確細分，具有一定的可行性。此外圖像增強方法也是提升糧蟲圖像紋理信息的主要技術手段［22－23］。為此，劉純利等［24］、牟懌等［25］提出基于奇異值分解與同態(tài)濾波的糧蟲圖像增強算法，通過增強奇異值矩陣與同態(tài)濾波達到增強圖像的目的，這樣能省去繁瑣數(shù)學變換而自適應調(diào)整高斯噪聲方差來實現(xiàn)圖像增強。為解決糧蟲圖像特征數(shù)量影響糧蟲分類識別效率和識別效果的弊端［26］，廉飛宇等［11］利用小波變換壓縮糧蟲高維圖像矢量，可在一定程度上降低計算量提高計算效率。

1.2 糧蟲分類

準確識別是糧蟲準確檢測的核心內(nèi)容。美國學者Zayas等［10］采用機器視覺技術對散裝小麥倉中的谷蠹成蟲進行離線研究;進而結合多光譜分析和模式識別技術實現(xiàn)檢測糧蟲，為糧蟲的快速檢測和分類開辟了新途徑，也取得了良好效果。隨著國家對糧食安全的高度重視，以及計算機、模式識別與智能檢測等技術的迅速發(fā)展，國內(nèi)學者更是對糧蟲圖像識別檢測方法做了大量而深入的研究，特別是糧蟲視覺檢測方面。如徐昉等［27］提出基于圖像識別的糧蟲在線檢測新方法，將機器視覺與模式識別技術相結合實現(xiàn)糧蟲檢測，該方法在一定程度上能彌補現(xiàn)有檢測方法的不足。徐昉［28］利用安裝有CCD鏡頭和稱重等傳感器的特殊取樣裝置抽取糧食樣本并采集圖像視頻，然后通過圖像識別方法在線判斷是否有糧蟲:若有，通過智能控制和視頻分析法辨別死蟲活蟲;若有活蟲，通過數(shù)據(jù)挖掘提取特征向量并進行信息融合與分類給出種類、密度等信息，為綜合防治決策提供可靠的依據(jù)。該系統(tǒng)能在線檢測出糧蟲與雜質(zhì)，并能離線識別出玉米象、谷蠹、大谷盜和綠豆象等4 種主要糧蟲，識別率尚可。廉飛宇等［11，17－18］利用模擬退火算法、遺傳算法、模糊理論、支持向量機和小波理論構建分類器并應用于糧蟲的分類識別，該方法在識別效果和識別效率等方面均有顯著改善。范艷峰等［29］提出采用運動圖像識別技術檢測谷物糧蟲，建立了一種無需人工干涉的谷物糧蟲實時監(jiān)測與分類識別系統(tǒng)，檢測方案和識別效果得到糧庫有關專家的一致肯定。邱道尹等［30］利用遺傳算法對傳統(tǒng)BP神經(jīng)網(wǎng)絡改進，克服了傳統(tǒng)方法所存在的一些問題來提高BP神經(jīng)網(wǎng)絡分類器的性能。另外經(jīng)多年研究邱道尹已開發(fā)出第3代智能檢測系統(tǒng)，與其開發(fā)的圖像識別軟件相配合，能以95%的識別率檢測出危害嚴重的12種9類糧蟲。張紅梅等［31］也對 BP神經(jīng)網(wǎng)絡進行改進并應用于糧蟲識別，既有較強的自適應性還對有噪聲、殘缺的糧蟲圖像有一定的識別效果。張紅濤等［32］提出基于蟻群算法的分類方法，利用蟻群算法自動提取糧蟲圖像的形態(tài)學特征后(如面積、周長、占空比等)，再進行SVM分類，識別率較為滿意。盧軍等［33］利用計算機視覺技術和自組織神經(jīng)網(wǎng)絡技術對糧蟲實現(xiàn)無損檢測。對糧蟲圖像預處理后提取十個左右的幾何特征參數(shù)擇優(yōu)選取6個參數(shù)進行神經(jīng)網(wǎng)絡訓練。仿真結果表明該方法對4類常見糧蟲有較好的識別結果。沈國峰等［34］在糧蟲形態(tài)學特征參數(shù)分析的基礎上重點研究了基于貝葉斯正則化算法優(yōu)化的BP神經(jīng)網(wǎng)絡在糧蟲分類識別中的應用，仿真結果表明該方法對鋸谷盜、谷蠹、長谷盜和扁谷盜等4類常見糧蟲有一定的準確率和效率。

1.3 蟲群密度估計

只有準確的糧蟲檢測，才能做到有目的的防治，把糧蟲種群控制在經(jīng)濟損害水平以下［4］。我國《糧油儲藏技術規(guī)范》中明確指出必須對活蟲進行計數(shù)和分類，且應精確計數(shù)［35］。傳統(tǒng)人工儲糧活蟲檢測法非常耗時且效率很低，如糧蟲死亡后人眼通過其體表顏色易與活蟲混淆無法準確區(qū)分。研究有效的、快速、準確、無損儲糧活蟲檢測新技術已成為廣大科研人員的熱點之一。目前檢測方法主要有聲測法、電子鼻法、視覺檢測法等［36－38］?？陕暅y法受傳感器及環(huán)境噪聲的影響較大，而電子鼻法易受活蟲侵染且對糧食樣本的密閉性要求較高。相比之下視覺檢測法采用圖像處理、模式識別等技術能自動識別儲糧活蟲，是糧蟲檢測的發(fā)展趨勢［7，15］。但是現(xiàn)有多數(shù)糧蟲視覺檢測系統(tǒng)直接處理未經(jīng)自動篩分的糧食樣本或人工篩分活蟲后再對糧蟲進行分析和識別，未能自動區(qū)分活蟲和死蟲，這樣必定影響糧蟲檢測的效率和效果［39］。為此張紅濤等［40］通過設計基于可見光－近紅外的糧蟲自動檢測系統(tǒng)能較快速實現(xiàn)9類儲糧活蟲的自動篩分與除塵。

2 分析展望

近年來糧蟲視覺檢測雖取得一些進展，科研工作者也提出多種檢測算法，但應用于糧倉實際儲糧還存在以下亟需解決的問題:

2.1 糧蟲圖像特征的多樣性獲取

糧蟲圖像特征是實現(xiàn)糧蟲視覺檢測的首要前提，因此深化研究糧蟲圖像特征獲取技術就成為必然。具體研究內(nèi)容可歸納為2個方面:1)糧蟲生態(tài)矢量圖像特征的表征。同類糧蟲圖像生態(tài)矢量特征在不同階段、種類及運動狀態(tài)呈現(xiàn)多樣性且形態(tài)各異難于用描述符表征，而且不同條件下獲取同一糧蟲的觀測數(shù)據(jù)也會表現(xiàn)出迥異特性。需分析最能體現(xiàn)典型糧蟲本質(zhì)特性的圖像特征，建立精確的描述方式及其數(shù)學表達式，在此基礎上建立糧蟲圖像特征的表征與認知基礎理論;2)多樣性糧蟲圖像特征的魯棒獲取。傳感器和環(huán)境噪聲等不利因素嚴重影響糧蟲檢測的精確度。另外考慮到糧蟲圖像特征的形態(tài)學和生態(tài)學特點，需分析其內(nèi)在屬性提取圖像特征矢量，并與該糧蟲圖像一起形成圖像特征模型最終實現(xiàn)多樣性糧蟲圖像特征獲取。

2.2 欠觀測條件下糧蟲快速分類

除糧儲環(huán)境復雜和糧蟲檢測參數(shù)較多外，由于糧蟲寄存在糧堆內(nèi)部，人眼難以直接進行糧情實時測控，需要借助視覺檢測技術在欠觀測條件下實現(xiàn)糧蟲自動分類。糧蟲視覺檢測識別技術雖已成為研究熱點。但還需解決以下問題:1)特征模型標準化。糧蟲生存環(huán)境具有不確知和時變性，全面分析糧蟲圖像的生態(tài)矢量特征既費時費力數(shù)據(jù)冗余又大，急需對各種特征的特點及其分布進行研究建立有限信息的條件下糧蟲圖像生態(tài)矢量特征標準模型，即通過幾種典型糧蟲樣本圖像特征就可實現(xiàn)糧蟲圖像特征標定;2)糧蟲圖像特征匹配。研究保持圖像特征不變的跨尺度變換方法的基礎上通過引入人工智能進行圖像檢索，實現(xiàn)不同生命狀態(tài)下糧蟲圖像的多維特征矢量與糧蟲生態(tài)矢量圖像特征模型的跨尺度匹配;進而研究建立適應儲糧環(huán)境的復雜性和糧蟲種類數(shù)多干擾源的快速糧蟲分類理論與方法。

2.3 蟲群密度估計的多約束制約

蟲群密度估計既是糧蟲危害程度評估的基礎，又是糧蟲檢測系統(tǒng)成功實施的前提和保障?？墒鞘軅}儲環(huán)境和糧蟲狀態(tài)等諸多約束條件的制約導致使現(xiàn)有方法未能滿足糧蟲實時檢測和精確檢測要求，無法在真正意義下實現(xiàn)蟲群密度估計，這也使得蟲群密度的快速估計成為亟需解決的難點問題。1)復合條件下的糧蟲圖像背景建模方法:視覺傳感器雖能獲得圖像信息但在某些情況下會受殘缺糧粒、草籽、糧食品質(zhì)、光照條件和鏡頭成像狀態(tài)等不確定因素的影響，需切實有效研究分析復合干擾源下的糧蟲圖像背景建模方法;2)多尺度的蟲群紋理特征分析。通過糧蟲狀態(tài)的多樣性分析研究蟲群分布對其紋理特征的影響，以可觀測度為指標提出蟲群紋理特征提取準則，進而研究建立多尺度的蟲群紋理特征分析理論與方法。諸如能否利用糧蟲及其圖像的分類信息，以及在糧蟲的假死性和幼/死/活蟲等紋理特征辨識的基礎上分析蟲群分布對其紋理特征的影響;3)估計精度和計算量。以蟲群紋理特征分析為基本出發(fā)點，開展低、中、高密度下的蟲群密度估計方法研究。研究特征提取和分類器提高蟲群密度的估計精度，同時降低計算量滿足在線要求。既能簡單蟲數(shù)統(tǒng)計還能消除糧蟲的姿態(tài)、黏連、糧食顆粒遮擋等不利因素影響。能識別更多蟲種如擬谷盜、扁谷盜等。在蟲群密度估計基礎上構建儲糧防治決策支持系統(tǒng)來分析預測糧蟲危害程度并擬定相應決策方案，實現(xiàn)準確高效的糧蟲智能檢測。

3 結論

盡管科研工作者已取得若干富有成效的結果，為我國準確高效的糧蟲視覺檢測技術研究奠定良好的前期基礎?？墒乾F(xiàn)有糧蟲視覺檢測技術仍存在不足之處。本文在總結和吸收國內(nèi)外糧蟲視覺檢測研究成果基礎上，圍繞多樣性的糧蟲圖像特征獲取、欠觀測條件下糧蟲快速分類、多約束條件下糧蟲蟲群密度估計等方面進行研究并做出展望。希望能為糧蟲的綜合防治提供強有力的技術支撐，將儲糧損失降到最低限度，全面保障我國糧食安全。

［1］司永芝，劉凱霞，李彪，等.農(nóng)戶儲糧損失調(diào)查研究［J］.糧食儲藏，2005，34(1):24 －27

［2］丁建武，蘭盛斌，張華昌.減少糧食產(chǎn)后損失對確保我國糧食安全的重要性［J］.糧食儲藏，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］農(nóng)業(yè)部.農(nóng)業(yè)統(tǒng)計提要［EB/OL］.［2007－05－29］.http://www.agri.gov.cn/sjzl/nongyety.htm

［6］胡麗華，郭敏，張景虎，等.儲糧害蟲檢測新技術及應用現(xiàn)狀［J］.農(nóng)業(yè)工程學報，2007，23(11):286－290

［7］毛罕平，張紅濤.儲糧害蟲圖像識別的研究進展及展望［J］.農(nóng)業(yè)機械學報，2008，39(4):175 －179

［8］蘭盛斌，郭道林，嚴曉平，等.我國糧食儲藏的現(xiàn)狀與未來發(fā)展趨勢［J］.糧油倉儲科技通訊，2008，24(4):2 －6

［9］白旭光.儲糧害蟲檢測技術評述［J］.糧食儲藏，2010，39(1):6－9

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

［11］廉飛宇，張元.基于小波變換壓縮和支持向量機組的儲糧害蟲圖像識別［J］.河南工業(yè)大學學報，2006，27(1):21－24

［12］黃凌霄.基于圖像處理的儲糧害蟲檢測方法研究［D］.武漢:武漢工業(yè)學院，2007

［13］周龍，牟懌.二維小波變換在糧蟲圖像中的應用［J］.華中科技大學學報:自然科學版，2007，35(8):24－26

［14］周龍，黃凌霄，牟懌，等.數(shù)學形態(tài)學方法在儲糧害蟲圖像預處理中的應用［J］.華中科技大學學報:自然科學版，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］周龍，牟擇，尤新革.模擬退火算法在糧蟲圖像分割中的應用［J］.華中科技大學學報:自然科學版，2010，38(5):72－74

［17］廉飛宇，邢超，范伊紅，等.基于機器視覺的儲糧害蟲檢測與識別［J］.農(nóng)機化研究，2007，28(3):43－46

［18］付麥霞，廉飛宇，張元.基于視頻和SVM的儲糧害蟲檢測與識別［J］.農(nóng)機化研究，2008，36(11):111－115

［19］張紅濤.儲糧害蟲圖像識別中的特征提取研究［D］.鄭州:鄭州大學，2002

［20］張紅濤，胡玉霞，毛罕平.基于SVM的儲糧害蟲圖像識別分類研究［J］.農(nóng)機化研究，2008(8):36－38

［21］張紅濤，胡玉霞，毛罕平，等.基于多分辨率分析的儲糧害蟲圖像預處理研究［J］.農(nóng)業(yè)化研究，2012，43(4):160－163

［22］賀佩鑫.糧食儲藏和管理中的技術革新［J］.糧油食品科技，2007，15(3):24 －26

［23］周龍.基于機器視覺的儲糧害蟲圖像模糊檢測方法的研究［J］.計算機應用與軟件，2005，23:61 －63

［24］劉純利，牟懌，周龍.基于奇異值分解的糧蟲圖像增強［J］.華中科技大學學報:自然科學版，2010，38(7):119－121

［25］牟懌，周龍.基于奇異值分解與同態(tài)濾波的糧蟲圖像增強［J］.中國糧油學報，2011，26(2):108－114

［26］安瓊，楊邦杰，郭琳.面向對象的多光譜圖像特征遺傳選優(yōu)方法［J］.農(nóng)業(yè)工程學報，2008，24(4):181 －185

［27］徐昉，邱道尹，白旭光，等.利用圖像處理技術檢測糧倉害蟲的研究［J］.鄭州工程學院學報，2001，22(1):78 －81

［28］徐昉.基于圖像識別儲糧害蟲檢測系統(tǒng)的研究［D］.鄭州大學，2002

［29］范艷峰，甄彤.谷物害蟲檢測與分類識別技術的研究及應用［J］.計算機工程，2005，31(12):187－189

［30］邱道尹，張成花，張紅濤，等.神經(jīng)網(wǎng)絡在儲糧害蟲識別中的應用［J］.農(nóng)業(yè)工程學報，2003，19(1):142－144

［31］張紅梅，范艷峰，田耕.基于數(shù)字圖像處理技術的儲糧害蟲分類識別研究［J］.河南工業(yè)大學學報:自然科學版，2005(2):19－22

［32］張紅濤，毛罕平，邱道尹.儲糧害蟲圖像識別中的特征提取［J］.農(nóng)業(yè)工程學報，2009，25(2):126－130

［33］盧軍，王賢鋒，趙立飛.自組織特征映射網(wǎng)絡在儲糧害蟲分類中的應用［J］.農(nóng)機化研究，2009，(4):184－186

［34］沈國峰，程筱勝，戴寧，等.基于貝葉斯正則化 BP網(wǎng)絡的糧蟲分類識別研究［J］.安徽農(nóng)業(yè)科學，2012，40(34):16914－16917

［35］LS/T 1211－2008糧油儲藏技術規(guī)范［S］

［36］耿森林，尚志遠.儲糧害蟲聲檢測技術研究進展與展望［J］.農(nóng)業(yè)工程學報，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］程小麗，武傳欣，劉俊明，等.儲糧害蟲防治的研究進展［J］.糧食加工，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］張紅濤，胡玉霞，毛罕平，等.基于計算機視覺的儲糧活蟲檢測系統(tǒng)硬件設計［J］.農(nóng)業(yè)機械學報，2012，43(4):193－196.