程尚坤， 張德賢， 張 苗

(河南工業(yè)大學(xué)信息科學(xué)與工程學(xué)院/糧食信息處理和控制教育部重點(diǎn)實(shí)驗(yàn)室，河南鄭州 450001)

?

糧蟲(chóng)圖像識(shí)別檢測(cè)技術(shù)研究現(xiàn)狀與展望

程尚坤， 張德賢， 張 苗

(河南工業(yè)大學(xué)信息科學(xué)與工程學(xué)院/糧食信息處理和控制教育部重點(diǎn)實(shí)驗(yàn)室，河南鄭州 450001)

為促進(jìn)圖像識(shí)別檢測(cè)技術(shù)在我國(guó)糧情測(cè)控領(lǐng)域的應(yīng)用研究，從預(yù)處理、特征提取、識(shí)別分類和種群密度估計(jì)4個(gè)方面，概述和分析了計(jì)算機(jī)圖像識(shí)別檢測(cè)技術(shù)在糧蟲(chóng)自動(dòng)識(shí)別中的發(fā)展現(xiàn)狀，提出今后應(yīng)從圖像自動(dòng)采集裝置的研制、糧蟲(chóng)圖像的有效特征獲取、高適應(yīng)分類器的設(shè)計(jì)、糧蟲(chóng)種群密度的估計(jì)、多種檢測(cè)技術(shù)的融合等方面開(kāi)展深入研究，為科學(xué)規(guī)范糧蟲(chóng)防治工作提供更好的決策支撐。

糧情測(cè)控；圖像識(shí)別；害蟲(chóng)檢測(cè)；種群密度；糧蟲(chóng)防治

糧食作為重要的生活物資，在經(jīng)濟(jì)快速發(fā)展的今天對(duì)社會(huì)穩(wěn)定起著舉足輕重的作用。儲(chǔ)糧害蟲(chóng)(簡(jiǎn)稱糧蟲(chóng))的危害帶來(lái)糧食減產(chǎn)和品質(zhì)下降，是儲(chǔ)糧行業(yè)亟待解決的問(wèn)題之一[1-2]。為有效防治這種危害，定期對(duì)糧蟲(chóng)進(jìn)行檢測(cè)至關(guān)重要，糧蟲(chóng)檢測(cè)技術(shù)也引起各國(guó)研究者的重視。當(dāng)前國(guó)內(nèi)外檢測(cè)糧蟲(chóng)的方法除了傳統(tǒng)的扦樣法，還有新型的聲測(cè)法、食物引誘法、氣味分析法、近紅外法和圖像識(shí)別法等[3]。其中圖像識(shí)別法因具有高識(shí)別率、操作簡(jiǎn)易、成本低廉等方面的優(yōu)勢(shì)，是近年來(lái)糧蟲(chóng)防治領(lǐng)域的研究熱點(diǎn)和主要技術(shù)手段[4-8]。筆者簡(jiǎn)要概括和評(píng)述了糧蟲(chóng)圖像識(shí)別檢測(cè)技術(shù)預(yù)處理、特征提取、識(shí)別分類和種群密度估計(jì)4個(gè)過(guò)程的研究發(fā)展現(xiàn)狀，為今后開(kāi)發(fā)精準(zhǔn)高效的糧蟲(chóng)檢測(cè)系統(tǒng)提供新的思路。

1　糧蟲(chóng)圖像識(shí)別檢測(cè)技術(shù)的研究現(xiàn)狀

1.1預(yù)處理預(yù)處理是糧蟲(chóng)圖像識(shí)別檢測(cè)技術(shù)的首要環(huán)節(jié)。通過(guò)圖像預(yù)處理，一方面可以解決因采集裝置、環(huán)境、人為因素等引起的圖像質(zhì)量差的問(wèn)題；另一方面可以解決因種類多、體形小和形態(tài)結(jié)構(gòu)復(fù)雜而帶來(lái)的準(zhǔn)確率低的問(wèn)題。如張成花[9]利用自適應(yīng)鄰域平均法進(jìn)行圖像去噪，去噪同時(shí)還保持了邊緣信息，濾波后的圖像效果很好。在保持原圖像邊緣及輪廓的同時(shí)，將目標(biāo)內(nèi)小間斷連接起來(lái)，張紅濤[10]運(yùn)用灰度數(shù)學(xué)形態(tài)學(xué)方法做圖像平滑處理，平滑過(guò)后的視圖效果較好。為解決圖像采集過(guò)程中受到震動(dòng)、光照不均、傳感器靈敏度而導(dǎo)致圖像某種程度的失真問(wèn)題，圖像增強(qiáng)必不可少[11]。劉純利等[12]、牟懌等[13]提出了一種基于奇異值分解與同態(tài)濾波的圖像增強(qiáng)算法，在避免繁瑣數(shù)學(xué)變換的基礎(chǔ)上，自適應(yīng)調(diào)整高斯噪聲方差，以提高奇異值矩陣方式促進(jìn)目標(biāo)圖像的增強(qiáng)。周龍等[14-15]將小波變換和數(shù)學(xué)形態(tài)學(xué)方法應(yīng)用于糧蟲(chóng)預(yù)處理，利用局部極大值檢測(cè)提取圖像的邊緣信息，得出清晰的特征圖像。在機(jī)器視覺(jué)的糧蟲(chóng)圖像邊緣檢測(cè)中，針對(duì)模糊增強(qiáng)技術(shù)計(jì)算時(shí)涉及矩陣求逆運(yùn)算復(fù)雜、噪聲增加等特點(diǎn)，周龍[16]提出了快速模糊邊緣檢測(cè)方法，效果較好。在視頻圖像序列模式下，廉飛宇等[17]、付麥霞等[18]面對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)和分割問(wèn)題，提出了用色彩塊和HVS色彩差值相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法來(lái)提取糧蟲(chóng)的靜態(tài)圖像。為解決部分糧蟲(chóng)種類的高相似度而導(dǎo)致低識(shí)別率問(wèn)題，胡玉霞等[19]提出了一種多分辨率的圖像分析預(yù)處理方法，并通過(guò)試驗(yàn)證明該方法具有一定的可行性。

1.2特征提取特征提取是糧蟲(chóng)圖像識(shí)別檢測(cè)技術(shù)的關(guān)鍵，因此獲取圖像有效特征的方法成為了研究重點(diǎn)[20-21]。糧蟲(chóng)圖像的特征不是越多越好，大量的特征固然有益于識(shí)別精度的提高，但若提取特征太多，不僅增加了算法的計(jì)算量和復(fù)雜度，而且特征之間的高相關(guān)性會(huì)造成更多的混淆與不確定性，反而會(huì)降低精度[22]。行之有效的方法是通過(guò)簡(jiǎn)化表征或壓縮圖像特征的方式提取有效特征以提高糧蟲(chóng)的識(shí)別精度。如邱道尹等[23]利用計(jì)算機(jī)數(shù)字圖像處理技術(shù)，張紅濤等[24]運(yùn)用蟻群優(yōu)化算法，均從大谷盜、谷蠹、綠豆象等害蟲(chóng)多維形態(tài)學(xué)特征中選出最優(yōu)的特征子空間。面對(duì)高維圖像的處理，廉飛宇等[25]提出一種小波變換壓縮方法，將圖像高頻部分與圖像的輪廓、邊緣相對(duì)應(yīng)，能很好的壓縮和表征糧蟲(chóng)圖像的特征。張紅濤等[26]提出一種基于核Fisher判別分析的糧蟲(chóng)特征壓縮方法，用以解決糧蟲(chóng)種類數(shù)目多、類別之間高相似度的問(wèn)題，通過(guò)非線性變換將Fisher判別分析后的原始特征數(shù)據(jù)進(jìn)行映射，然后在高維空間進(jìn)行特征分類提取，試驗(yàn)表明該法提高了類別之間的辨識(shí)度。糧蟲(chóng)圖像的特征多種多樣，張紅梅等[27]、甄彤等[28]、范艷峰等[29]對(duì)比人工形態(tài)分類法，分別從數(shù)理統(tǒng)計(jì)、紋理和幾何形態(tài)3個(gè)層面自動(dòng)提取靜態(tài)糧蟲(chóng)圖像的特征，此法為糧蟲(chóng)自動(dòng)檢測(cè)識(shí)別提供了穩(wěn)定的特征參數(shù)值，有效提高了識(shí)別率。紋理是昆蟲(chóng)進(jìn)行分類的重要依據(jù)，Zhao等[30]、黃世國(guó)等[31]提出利用Gabor濾波器提取昆蟲(chóng)圖像紋理特征的方案，為糧蟲(chóng)分類打下良好的基礎(chǔ)。為更大程度地提高識(shí)別準(zhǔn)確度和糧蟲(chóng)種類數(shù)量，張紅濤等[32]通過(guò)自動(dòng)判別糧蟲(chóng)頭部和尾部，利用基于興趣點(diǎn)的區(qū)間對(duì)偶點(diǎn)分析方法來(lái)提取特征，試驗(yàn)表明這種普適有效的局部形態(tài)特征提取方案可以解決倉(cāng)儲(chǔ)害蟲(chóng)識(shí)別分類中的多種類高精度難題。

1.3識(shí)別分類識(shí)別分類是圖像識(shí)別檢測(cè)技術(shù)的核心環(huán)節(jié)，面對(duì)小樣本、多參數(shù)和高相似度特征的糧蟲(chóng)分類問(wèn)題，良好的分類器設(shè)計(jì)是糧蟲(chóng)自動(dòng)檢測(cè)系統(tǒng)的成敗關(guān)鍵。為此，張紅濤等[33]提出基于支持向量機(jī)(SVM)的儲(chǔ)糧害蟲(chóng)圖像識(shí)別分類，依靠網(wǎng)格搜索法，在SVM交叉驗(yàn)證訓(xùn)練模型識(shí)別率為判別基準(zhǔn)下對(duì)參數(shù)進(jìn)行優(yōu)化，通過(guò)對(duì)倉(cāng)儲(chǔ)中的9類害蟲(chóng)進(jìn)行識(shí)別分類，達(dá)到93%以上的識(shí)別率。SVM以其出色的學(xué)習(xí)能力、良好的泛化性能已成為機(jī)器學(xué)習(xí)領(lǐng)域研究熱點(diǎn)，應(yīng)用于糧蟲(chóng)圖像識(shí)別分類器設(shè)計(jì)，具有良好的分類性和魯棒性[18，24-25]。甄彤等[34]采用三幀差分法進(jìn)行谷物害蟲(chóng)圖像提取，提出一種基于多類SVM分類器方法對(duì)糧蟲(chóng)進(jìn)行快速鑒定和分類，利用SVM結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，選擇鋸谷盜等3種谷物進(jìn)行實(shí)驗(yàn)，取得了較好的效果。張紅濤等[32]提出一種有效的倉(cāng)儲(chǔ)害蟲(chóng)局部特征提取方法，將模擬退火算法(SAA)應(yīng)用到SVM分類上，對(duì)谷蠹、米象等15類常見(jiàn)害蟲(chóng)進(jìn)行檢測(cè)，達(dá)到94.8%的識(shí)別率。在數(shù)據(jù)不精確、不完備的情況下，廉飛宇等[17]提出了一種粗糙集方法的儲(chǔ)糧害蟲(chóng)識(shí)別算法，即使訓(xùn)練樣本沒(méi)有進(jìn)行特征提取，仍可得到較高的識(shí)別率，并隨著新數(shù)據(jù)輸入，系統(tǒng)正判率不斷得到提高。邱道尹等[23]提出將遺傳(GA)算法和BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合方法完成粗精度、給定精度的學(xué)習(xí)然后用來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，通過(guò)第3代儲(chǔ)糧害蟲(chóng)取樣裝置對(duì)玉米象等4種害蟲(chóng)進(jìn)行取樣分類，做到全部正確識(shí)別。盧軍等[35]利用計(jì)算機(jī)視覺(jué)檢測(cè)技術(shù)以及自組織特征映射神經(jīng)網(wǎng)絡(luò)技術(shù),對(duì)糧倉(cāng)4類常見(jiàn)害蟲(chóng)進(jìn)行無(wú)損檢測(cè)，識(shí)別率為91.7%。沈國(guó)峰等[36]同樣使用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)糧蟲(chóng)分類，在分類的過(guò)程中利用貝葉斯正則化優(yōu)化算法對(duì)學(xué)習(xí)過(guò)程加以改進(jìn)，實(shí)驗(yàn)表明該算法收斂速度快、識(shí)別精度高、泛化能力優(yōu)，在實(shí)際應(yīng)用中有一定的可行性。

1.4種群密度估計(jì)種群密度的估計(jì)是糧蟲(chóng)防治的決策依據(jù)，同時(shí)又以糧蟲(chóng)的識(shí)別分類為前提，準(zhǔn)確的識(shí)別才能有效的密度估計(jì)，最終進(jìn)行科學(xué)的防治，把蟲(chóng)害數(shù)量控制在經(jīng)濟(jì)損害水平之下[37]。我國(guó)《糧油儲(chǔ)藏技術(shù)規(guī)范》規(guī)定，糧蟲(chóng)種群密度是根據(jù)糧蟲(chóng)活蟲(chóng)的數(shù)量進(jìn)行劃分的，因此只需對(duì)活蟲(chóng)進(jìn)行計(jì)算和分類[38-39]。傳統(tǒng)的糧蟲(chóng)種群密度的估計(jì)使用扦樣法，儲(chǔ)糧活蟲(chóng)的人工檢驗(yàn)法耗時(shí)，效率又低，而且會(huì)出現(xiàn)人眼誤判而將活蟲(chóng)、死蟲(chóng)混淆的現(xiàn)象。當(dāng)前大多數(shù)識(shí)別方法，只能單一地對(duì)糧蟲(chóng)進(jìn)行分類計(jì)數(shù)，無(wú)法辨別其死活，即使多數(shù)活蟲(chóng)展現(xiàn)到處活動(dòng)的狀態(tài)，可依然有較小部分害蟲(chóng)受到驚嚇而表現(xiàn)出“假死”現(xiàn)象，因此僅僅依靠捕獲糧蟲(chóng)的爬行狀態(tài)是不能克服假死問(wèn)題的[40]。當(dāng)前的糧蟲(chóng)識(shí)別方法通常直接處理未篩分過(guò)的糧食樣本，或者以人工方式篩分活死蟲(chóng)后再進(jìn)行識(shí)別，2種方式均不能有效區(qū)分活、死蟲(chóng)，將很大程度影響糧蟲(chóng)檢測(cè)的效果[33]。然而張紅濤等[41]開(kāi)發(fā)出一種基于可見(jiàn)光-近紅外的儲(chǔ)糧活蟲(chóng)自動(dòng)檢測(cè)系統(tǒng)，能快速地對(duì)危害嚴(yán)重的9類倉(cāng)儲(chǔ)活蟲(chóng)進(jìn)行自動(dòng)篩分和除塵，篩分率達(dá)96.06%，該系統(tǒng)為儲(chǔ)糧活蟲(chóng)的自動(dòng)檢測(cè)奠定了基礎(chǔ)。

2　研究展望

2.1圖像自動(dòng)采集裝置的研制圖像采集裝置是影響系統(tǒng)檢測(cè)效率的首要因素，由于糧蟲(chóng)生長(zhǎng)特性差異外部糧蟲(chóng)和內(nèi)部糧蟲(chóng)的檢測(cè)應(yīng)有不同的設(shè)計(jì)。外部糧蟲(chóng)的識(shí)別，從提高識(shí)別率和縮減圖像預(yù)處理工作量方面考慮，只需將糧蟲(chóng)與雜質(zhì)傳輸至攝像頭下方，因此應(yīng)設(shè)計(jì)糧蟲(chóng)、雜質(zhì)與糧食自動(dòng)分離的圖像采集傳輸裝置。從方便糧蟲(chóng)檢測(cè)考慮，內(nèi)部糧蟲(chóng)的識(shí)別應(yīng)設(shè)計(jì)成自動(dòng)傳輸單層糧食的圖像采集傳輸裝置。

2.2糧蟲(chóng)圖像的有效特征獲取圖像的有效特征提取是圖像識(shí)別檢測(cè)技術(shù)的重點(diǎn)，因此深化特征獲取技術(shù)成為了必然。具體可從以下兩方面進(jìn)行研究：①糧蟲(chóng)的多特征獲取。目前倉(cāng)儲(chǔ)中的糧蟲(chóng)有200多種，大多為棕褐色，個(gè)體形態(tài)之間差別很小，有些糧蟲(chóng)之間的差別微乎其微，大大增加了自動(dòng)識(shí)別的難度。因此必須進(jìn)行糧蟲(chóng)的多特征提取，形態(tài)學(xué)、顏色、紋理以及無(wú)量綱等一切可供識(shí)別分類的特征均可提取。②糧蟲(chóng)有效特征的提取。從分類器設(shè)計(jì)的角度分析，訓(xùn)練過(guò)程樣本數(shù)與糧蟲(chóng)圖像特征數(shù)呈指數(shù)關(guān)系增長(zhǎng)，龐大的特征量不僅會(huì)增加糧蟲(chóng)識(shí)別的計(jì)算量，還會(huì)降低糧蟲(chóng)的識(shí)別精度。因此通過(guò)簡(jiǎn)化表征或壓縮糧蟲(chóng)圖像特征進(jìn)行有效特征提取是很有必要的。

2.3高適應(yīng)分類器的設(shè)計(jì)分類器設(shè)計(jì)是圖像識(shí)別檢測(cè)技術(shù)的核心環(huán)節(jié)，也是研究的重中之重。具體可從3個(gè)方面進(jìn)行研究：①良好的適應(yīng)性。分類器的設(shè)計(jì)不僅僅要滿足常見(jiàn)的小樣本、非線性、高維數(shù)的情況，還需適應(yīng)大樣本、非線性、高維數(shù)等情況。②適度復(fù)雜性的算法。復(fù)雜的算法易出現(xiàn)“過(guò)學(xué)習(xí)”現(xiàn)象，結(jié)果會(huì)降低糧蟲(chóng)的識(shí)別率，所以算法復(fù)雜性要適度。③自學(xué)習(xí)功能的分類器。帶有自學(xué)習(xí)功能的分類器，不僅在訓(xùn)練的過(guò)程中有修正功能，在測(cè)試的過(guò)程中還能主動(dòng)學(xué)習(xí)，并隨著新數(shù)據(jù)的輸入，系統(tǒng)的正判率不斷提高，以適應(yīng)不斷變化的糧蟲(chóng)特征。

2.4糧蟲(chóng)種群密度的估計(jì)種群密度的估計(jì)是糧蟲(chóng)危害評(píng)估的科學(xué)依據(jù)，也是害蟲(chóng)防治得以有效實(shí)施的前提和保證。具體可從3個(gè)方面進(jìn)行研究：①?gòu)?fù)雜條件下糧蟲(chóng)的識(shí)別。采集的圖像信息在某些情況下會(huì)受到草籽、殘缺糧粒、光照不均等內(nèi)外多種因素的影響，需建立復(fù)雜干擾源下糧蟲(chóng)圖像識(shí)別檢測(cè)體系，研究相應(yīng)的識(shí)別方法。②多狀態(tài)糧蟲(chóng)的識(shí)別。糧蟲(chóng)從幼蟲(chóng)到成蟲(chóng)再到死蟲(chóng)，以及成長(zhǎng)過(guò)程中出現(xiàn)的假死狀態(tài)，每種狀態(tài)會(huì)呈現(xiàn)出許多相同、相似或者不同的特征，因此針對(duì)不同狀態(tài)下的糧蟲(chóng)的識(shí)別要分別建立相應(yīng)的處理方案，進(jìn)行多技術(shù)信息融合。③估計(jì)精度和計(jì)算量。通過(guò)有效特征的獲取和高適應(yīng)分類器提高種群密度的精度估計(jì)，降低計(jì)算量，達(dá)到既能對(duì)簡(jiǎn)單蟲(chóng)數(shù)進(jìn)行統(tǒng)計(jì)，又能消除糧蟲(chóng)間粘連、姿態(tài)各異、顆粒遮擋等不利因素的影響，能識(shí)別更多相似度比較高的害蟲(chóng)，進(jìn)而實(shí)現(xiàn)準(zhǔn)確高效的糧蟲(chóng)種群密度估計(jì)[39]。

2.5多種檢測(cè)技術(shù)的融合由實(shí)際應(yīng)用中的使用情況來(lái)看，單一的技術(shù)很難滿足倉(cāng)儲(chǔ)糧蟲(chóng)的識(shí)別檢測(cè)，多種檢測(cè)技術(shù)的融合才是糧蟲(chóng)檢測(cè)的趨勢(shì)?？梢詫⒖梢?jiàn)光、X射線、近紅外、光譜探測(cè)等多種傳感信息技術(shù)融合，用以解決單個(gè)技術(shù)難以完成的功能。如利用近紅外法和軟X射線法對(duì)糧粒內(nèi)部害蟲(chóng)檢測(cè)的特有優(yōu)勢(shì)，可以實(shí)現(xiàn)蟲(chóng)卵或小幼蟲(chóng)的檢測(cè)。將聲音檢測(cè)法和圖像識(shí)別法相融合，利用害蟲(chóng)吃食聲定位，能準(zhǔn)確檢測(cè)出糧蟲(chóng)的位置、種類和密度。

3　結(jié)論

前期的研究學(xué)者取得大量顯著的成果，為當(dāng)前圖像識(shí)別技術(shù)的研究打下良好的基礎(chǔ)，但是現(xiàn)有的圖像識(shí)別技術(shù)依然有些許的不足之處有待改進(jìn)。該研究在總結(jié)和吸收國(guó)內(nèi)外糧蟲(chóng)圖像識(shí)別檢測(cè)技術(shù)研究成果基礎(chǔ)之上，圍繞圖像自動(dòng)采集裝置的研制、糧蟲(chóng)圖像的有效特征獲取、高適應(yīng)分類器的設(shè)計(jì)、糧蟲(chóng)種群密度的估計(jì)和多種檢測(cè)技術(shù)的融合等方面做出分析與展望，希望能為糧蟲(chóng)的綜合防治提供可靠的決策支撐，開(kāi)發(fā)出更可靠、更精確、更高效、更廉價(jià)的糧蟲(chóng)自動(dòng)檢測(cè)系統(tǒng)。

[1] 胡麗華，郭敏，張景虎，等.儲(chǔ)糧害蟲(chóng)檢測(cè)新技術(shù)及應(yīng)用現(xiàn)狀[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23(11):286-290.

[2] 程小麗，武傳欣，劉俊明，等.儲(chǔ)糧害蟲(chóng)防治的研究進(jìn)展[J].糧食加工，2011，36(5):70-73.

[3] 徐昉，白旭光，邱道尹，等.國(guó)內(nèi)外儲(chǔ)糧害蟲(chóng)檢測(cè)方法[J].糧油倉(cāng)儲(chǔ)科技通訊，2001，2001(5):41-43.

[4] KEAGEY P M，SCHATZKI T F.Machine recognition of weevil damage in wheat radiographs[J].Cereal chemistry,1993,70(6):696-700.

[5] ZAYAS I Y,FLINN PAUL W.Detection of insects in bulk wheat samples with machine vision[J].Transactions of the ASAE,1998,41(3):883-888.

[6] 徐昉，邱道尹，白旭光，等.利用圖像處理技術(shù)檢測(cè)糧倉(cāng)害蟲(chóng)的研究[J].鄭州工程學(xué)院學(xué)報(bào)，2001，22(1):78-81.

[7] 黃凌霄.基于圖像處理的儲(chǔ)糧害蟲(chóng)檢測(cè)方法研究[D].武漢：武漢工業(yè)學(xué)院，2007:1-64.

[8] 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.

[9] 張成花.基于圖像識(shí)別的儲(chǔ)糧害蟲(chóng)分類的研究[D].鄭州：鄭州大學(xué)，2002:1-59.

[10] 張紅濤.儲(chǔ)糧害蟲(chóng)圖像識(shí)別中的特征抽取研究[D].鄭州：鄭州大學(xué)，2002:1-60.

[11] 張衛(wèi)芳.基于圖像處理的儲(chǔ)糧害蟲(chóng)檢測(cè)方法研究[D].西安：陜西師范大學(xué)，2010:1-57.

[12] 劉純利，牟懌，周龍.基于奇異值分解的糧蟲(chóng)圖像增強(qiáng)[J].華中科技大學(xué)學(xué)報(bào)，2010，38(7):119-121.

[13] 牟懌，周龍.基于奇異值分解與同態(tài)濾波的糧蟲(chóng)圖像增強(qiáng)[J].中國(guó)糧油學(xué)報(bào)，2011，26(2):108-110.

[14] 周龍，牟懌.二維小波變換在糧蟲(chóng)圖像處理中的應(yīng)用[J].華中科技大學(xué)學(xué)報(bào)，2007，35(8):24-26.

[15] 周龍，黃凌霄，牟懌，等.數(shù)學(xué)形態(tài)學(xué)方法在儲(chǔ)糧害蟲(chóng)圖像預(yù)處理中的應(yīng)用[J].華中科技大學(xué)學(xué)報(bào)，2008，36(2):85-87.

[16] 周龍.基于機(jī)器視覺(jué)的儲(chǔ)糧害蟲(chóng)圖像模糊檢測(cè)方法研究[J].計(jì)算機(jī)應(yīng)用與軟件，2005，22(8):24-25.

[17] 廉飛宇，邢超，范伊紅，等.基于機(jī)器視覺(jué)的儲(chǔ)糧害蟲(chóng)檢測(cè)與識(shí)別[J].河南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2007，28(3):43-46.

[18] 付麥霞，廉飛宇，張?jiān)?基于視頻和SVM的儲(chǔ)糧害蟲(chóng)檢測(cè)與識(shí)別[J].計(jì)算機(jī)與數(shù)字工程，2008，36(11):111-115.

[19] 胡玉霞，張紅濤，毛罕平，等.基于多分辨率分析的儲(chǔ)糧害蟲(chóng)圖像預(yù)處理研究[J].農(nóng)機(jī)化研究，2012，2012(8):160-163.

[20] 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.

[21] 郭敏，張麗娜.基于聲信號(hào)的儲(chǔ)糧害蟲(chóng)檢測(cè)方法的研究與發(fā)展[J].中國(guó)糧油學(xué)報(bào)，2011，26(12):123-127.

[22] 安瓊，楊邦杰，郭琳.面向?qū)ο蟮亩喙庾V圖像特征遺傳選優(yōu)方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2008，24(4):181-184.

[23] 邱道尹，張成花，張紅濤，等.神經(jīng)網(wǎng)絡(luò)在儲(chǔ)糧害蟲(chóng)識(shí)別中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)，2003，19(1):142-144.

[24] 張紅濤，毛罕平，邱道尹.儲(chǔ)糧害蟲(chóng)圖像識(shí)別中的特征提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25(2):126-130.

[25] 廉飛宇，張?jiān)?基于小波變換壓縮和支持向量機(jī)組的儲(chǔ)糧害蟲(chóng)圖像識(shí)別[J].河南工業(yè)大學(xué)學(xué)報(bào)，2006，27(1):21-28.

[26] 張紅濤，毛罕平，韓綠化.基于核Fisher判別分析的糧蟲(chóng)特征壓縮方法[J].江蘇大學(xué)學(xué)報(bào)，2012，33(1):16-20.

[27] 張紅梅，范艷峰，田耕.基于數(shù)字圖像處理技術(shù)的儲(chǔ)糧害蟲(chóng)分類識(shí)別研究[J].河南工業(yè)大學(xué)學(xué)報(bào)，2005，26(1):19-22.

[28] 甄彤，范艷峰，周炳強(qiáng)，等.谷物害蟲(chóng)圖像識(shí)別中特征值提取技術(shù)的研究[J].微電子學(xué)與計(jì)算機(jī)，2005，21(12):111-115.

[29] 范艷峰，甄彤.谷物害蟲(chóng)檢測(cè)與分類識(shí)別技術(shù)的研究與應(yīng)用[J].計(jì)算機(jī)工程，2005，31(12):187-189.

[30] ZHAO J,CHENG X P.Field pest identification by an improved Gabor texture segmentation scheme[J].New Zeal and journal of agricultural research,2007,50(5):719-723.

[31] 黃世國(guó)，周明全，耿國(guó)華.一種角度無(wú)關(guān)的Gabor-SVM昆蟲(chóng)識(shí)別[J].小型微型計(jì)算機(jī)系統(tǒng)，2010，31(1):143-146.

[32] 張紅濤，李芳，胡玉霞，等.倉(cāng)儲(chǔ)害蟲(chóng)局部形態(tài)學(xué)特征提取方法研究[J].河南工業(yè)科學(xué)，2014，43(2):84-87.

[33] 張紅濤，胡玉霞，毛罕平.基于SVM的儲(chǔ)糧害蟲(chóng)圖像識(shí)別分類[J].農(nóng)機(jī)化研究，2008，2008(8):36-38.

[34] 甄彤，范艷峰.基于支持向量機(jī)的儲(chǔ)糧害蟲(chóng)分類識(shí)別技術(shù)研究[J].計(jì)算機(jī)工程，2006，32(9):167-169.

[35] 盧軍，王賢鋒，趙立飛.自組織特征映射網(wǎng)絡(luò)在儲(chǔ)糧害蟲(chóng)分類中的應(yīng)用[J].農(nóng)機(jī)化研究，2009，2009(4):184-185.

[36] 沈國(guó)峰，程莜勝，戴寧，等.基于貝葉斯正則化BP網(wǎng)絡(luò)的糧蟲(chóng)分類識(shí)別研究[J].安徽農(nóng)業(yè)科學(xué)，2012，40(34):16914-16917.

[37] 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.

[38] 國(guó)家糧食局.糧油儲(chǔ)藏技術(shù)規(guī)范：LS/T 1211—2008[S].北京：中國(guó)標(biāo)準(zhǔn)出版社，2008.

[39] 王貴財(cái)，張德賢，李保利，等.糧蟲(chóng)視覺(jué)檢測(cè)技術(shù)的現(xiàn)狀與展望[J].中國(guó)糧油學(xué)報(bào)，2014，29(4):124-127.

[40] 毛罕平，張紅濤.儲(chǔ)糧害蟲(chóng)圖像識(shí)別的研究進(jìn)展及展望[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39(4):175-179.

[41] 張紅濤，胡玉霞，毛罕平，等.基于計(jì)算機(jī)視覺(jué)的儲(chǔ)糧活蟲(chóng)檢測(cè)系統(tǒng)硬件設(shè)計(jì)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(4):193-196.

Current Research Situations and Prospects of Stored-grain Pests Based on Image Recognition Inspection Technology

CHENG Shang-kun,ZHANG De-xian,ZHANG Miao

(School of Information Science and Engineering,Henan University of Technology/Grain Information Processing and Control,Key Laboratory of Ministry of Education,Zhengzhou,Henan 450001)

In order to promote the application and research of image recognition inspection technology in grain monitoring of China,current development situations were firstly summarized for computer image recognition and detection technology applied in automatic identification of stored-grain pests from pre-treatment,feature extraction,classification,and population density estimation.Besides,recommendations were put forward for in-depth study,including developing automatic image acquisition device,obtaining effective characteristics of images of stored-grain pests,designing highly adaptive classifiers,estimating population density of stored-grain pests,and integrating multiple detection techniques,andetc.,so as to provide better support for decision of scientific and standard stored-grain pest control.

Grain monitoring,Image recognition,Pest detection,Population density,Stored-grain pest control

國(guó)家高技術(shù)研究發(fā)展計(jì)劃“863”計(jì)劃課題(2012AA10608)。

程尚坤(1988- )，男，河南淮陽(yáng)人，碩士研究生，研究方向：圖像處理、模式識(shí)別、人工智能等。

2016-05-27

S 126

A

0517-6611(2016)19-272-03