張紅濤，朱 洋，譚 聯(lián)，張曉東，毛罕平

利用機器視覺識別麥粒內米象發(fā)育規(guī)律與齡期

張紅濤1，朱 洋1，譚 聯(lián)1，張曉東2，毛罕平2

（1. 華北水利水電大學電力學院，鄭州 450011；2. 江蘇大學現代農業(yè)裝備與技術教育部重點實驗室，鎮(zhèn)江 212013）

研究麥粒內部糧蟲生長規(guī)律，判斷糧蟲所處發(fā)育齡期，為制定合理的防治措施提供科學依據，具有重要的社會經濟價值。該文提出一種基于機器視覺的麥粒內米象變態(tài)發(fā)育規(guī)律及齡期識別研究方法。試驗利用Micro-CT獲取侵染麥粒投影數據，應用-FDK（-Feldkamp-Davis-Kress）算法重建出侵染粒的二維圖像，利用圖像分割及形態(tài)學方法得到蟲體圖像。提取了蟲體的8個二維特征、4個三維特征、7個不變矩特征和7個基于灰度共生矩陣的顯著性紋理特征，構成26維原始特征空間。根據不同齡期蟲體特征的變化，研究米象在麥粒內的變態(tài)發(fā)育規(guī)律。利用模擬退火算法（simulated annealing algorithm，SAA）優(yōu)化蟲體原始特征，構建了優(yōu)化后的10維特征空間。運用人工蜂群算法（artificial bee colony，ABC）優(yōu)化支持向量機（support vector machine，SVM）的懲罰因子和徑向基核函數參數，實現對麥粒內米象所處發(fā)育齡期的自動判別。試驗結果表明，米象變態(tài)發(fā)育規(guī)律與實際情況一致，且對米象齡期的識別率達到97%，可有效判別出侵染粒中米象所處發(fā)育齡期。

機器視覺；算法；糧蟲；變態(tài)發(fā)育；FDK算法；特征提??；齡期識別

0 引 言

糧食生產關乎國計民生，糧食的安全存儲同樣具有重大意義[1-2]。小麥的種植面積廣，產量高，在中國糧食生產和儲備中占有重要地位。中國每年因糧蟲侵蝕造成的直接經濟損失達20多億元[3-5]。為確保糧食的安全存儲，每年都要使用大量殺蟲劑對儲糧進行熏蒸殺蟲，不僅增加了費用，影響食物安全和污染環(huán)境，而且會導致害蟲的抗藥性水平快速提高。害蟲防治決策缺乏科學性是導致這種狀況的主要原因之一，而害蟲防治決策重要的科學依據之一就是儲糧害蟲的準確檢測，只有準確檢測，才能進行有目的的防治，因此，麥粒中糧蟲的檢測和防治工作非常重要而迫切。糧蟲在麥粒內部難以檢測，這就使得糧蟲防治有很大的難度。近年來，麥粒內儲糧害蟲的檢測越來越受到關注，國內外學者也做了大量研究工作[6-7]。

Karunakaran等利用軟X射線設計出麥粒侵染自動檢測系統(tǒng)，對谷蠹齡期的識別率達到86%，但不包含卵期幼蟲[8-9]。Pearson等應用CT成像法檢測麥粒內部害蟲的侵染，該方法精度較高，但需要在樣本中加入植物油以提高圖像對比度[10]。Fornala等利用軟X射線對不同時期的侵染麥粒照射成像，求出了麥粒侵染程度和侵染時間的關系，但不能檢測米象卵期的侵染[11]。Zhang等采用電子鼻傳感器陣列判斷糧粒內害蟲的侵染，該法要求檢測樣本容器有很好的密閉性[12]。Singh等應用高光譜圖像對侵染粒進行檢測，該法對判別麥粒內是否有蟲的正確率達到85%以上[13-14]。張紅濤等提出了分腹溝朝上、朝下和側向3個姿態(tài)對麥粒內害蟲的侵染進行自動判別，該法提高了麥粒內部害蟲的識別率，但無法檢測含卵和低齡幼蟲的麥粒[15]。Eliopoulos等通過檢測害蟲活動產生的聲信號來估算谷物中儲糧害蟲的種群密度[16]。Shi等通過檢測正常麥粒和侵染粒產生的不同光子信號，利用GA-BP（BP neural network based on genetic algorithm）技術對2種信號進行識別，正確率達到95%[17]。Mishra等通過分析近紅外光譜圖和化學成分的改變研究麥粒品質的變化和害蟲侵染[18]。Solà等利用q-PCR技術檢測大米中的谷蠹并估算其數量，該法對樣本中是否有谷蠹的檢測正確率達到90%[19]。張紅濤等利用Micro-CT檢測麥粒內部害蟲的侵染，在侵染粒圖像重建及可視化方面取得了良好的效果[20-21]。

在判別麥粒是否受到侵染，以及侵染麥粒內部害蟲的檢測和識別方面，國內外學者運用各類技術做了比較深入的研究，但對麥粒內害蟲變態(tài)發(fā)育規(guī)律方面的研究較少，且對卵期和低齡幼蟲期害蟲的檢測和識別未達到理想的效果。試驗利用Micro-CT以期實現對麥粒內部米象幼蟲的早期檢測，根據重建出的侵染粒二維圖像，分析麥粒內部米象由卵期至成蟲期的變態(tài)發(fā)育規(guī)律，并自動判別麥粒內米象所處的發(fā)育齡期。

1 試驗材料

1.1 設備來源

試驗采用的活蟲樣本來源于河南工業(yè)大學，麥粒采用百農207小麥，所用圖像采集設備為江蘇大學引進的瑞士SCANCO公司的Micro-CT 100。試驗采用的儀器設備如表1所示。

表1 儀器儀表名稱

1.2 樣本培育

將麥粒在水中浸泡1 h，利用電熱鼓風干燥機將麥粒烘干，使含水率保持在15%左右。將一定量的米象成蟲和麥粒混合，放入恒溫恒濕培養(yǎng)箱（30 ℃，70%相對濕度）培育，3 d后篩出成蟲，并將麥粒放入恒溫恒濕箱中繼續(xù)培育。自米象與麥?；旌虾蟮牡?、9、17、22、28天分別為米象的卵期、低齡幼蟲期、高齡幼蟲期、蛹期和成蟲期[22]。按此方法培養(yǎng)更多處于各齡期的侵染粒樣本，并在每個齡期中挑選100 g樣本放入冰箱中保存，部分樣本用于米象不同齡期淀粉、水分含量等生化指標的檢測，每個齡期50個樣本用于米象齡期的分類識別。

1.3 侵染粒投影數據采集

計算機斷層顯微成像技術（micro computed tomography，Micro-CT）是一種分辨率極高的3D成像技術，它可以分析樣本內部顯微結構的變化，在生物醫(yī)學、材料科學等方面得到廣泛應用[23-25]。Micro-CT檢測系統(tǒng)由5部分組成，分別為X射線探測器、微焦斑X射線源、電控旋轉臺、圖像工作站和控制系統(tǒng)，其系統(tǒng)結構如圖1所示。

1.圖像工作站 2.控制系統(tǒng) 3.電控旋轉臺 4.X射線探測器 5.X射線源 6.固定裝置

2 試驗方法

2.1 侵染粒圖像重建及處理

FDK（Feldkamp-Davis-Kress）算法是一種基于錐形束的投影重建算法，具有簡單、高效、快速等優(yōu)點，廣泛應用于醫(yī)學圖像重建等方面[26-27]。傳統(tǒng)的FDK算法會造成Radon數據缺失，導致一定的偏差，影響圖像重建的效果。試驗通過引入三維權重函數來補償軸方向上的缺失數據[21]，從而提高重建圖像的保真度，并利用圖像分割技術提取出不同齡期的蟲體圖像，進行二值化處理，以利于后續(xù)的米象特征提取。

2.2 蟲體特征提取

米象在麥粒內變態(tài)發(fā)育過程中，其體積、表面積、蟲體高度和最大橫截面積等會產生一定變化，自身的紋理以及侵染粒切片的紋理也會發(fā)生改變，故試驗提取了蟲體的8個二維形態(tài)學特征（蟲體高度、最大橫截面積、橫截面最小外接矩形、等價圓直徑、最大橫截面周長、離心率、占空比、等效圓半徑）、4個三維特征（體積、表面積、復雜度、球形性）、7個不變矩特征（HU矩）以及7個顯著性紋理特征（三階矩、一致性、平滑度、能量、對比度、熵、相關性），共計26個特征[28]。其部分特征定義如下：

2.2.1 二維形態(tài)學特征

1）蟲體高度

2）蟲體最大橫截面積

3）橫截面最小外接矩形面積

4）等價圓直徑

5）最大橫截面周長

2.2.2 三維特征

1）體積

2）表面積

3）復雜度

4）球形性

2.2.3 顯著性紋理特征

1）三階矩

2）一致性

3）平滑度

根據求出的紋理特征可得到顯著性紋理特征，顯著性三階矩、顯著性一致性、顯著性平滑度的求取公式為

2.3 蟲體變態(tài)發(fā)育規(guī)律研究

利用提取的二維和三維特征，對米象的變態(tài)發(fā)育規(guī)律進行分析。每個齡期選取一定量的樣本，根據不同的發(fā)育齡期，求取該齡期內樣本不同特征的平均值，并通過數據擬合的方法構建蟲體特征隨著發(fā)育齡期的變化方程。

2.4 蟲體齡期識別

利用提取的二維特征、三維特征和顯著性紋理特征等共計26個特征構成原始特征空間。因數據量太大，存在一定的冗余信息，且處理時間長，故需要選擇有效的特征組合。

2.4.1 特征選擇

試驗利用模擬退火算法對蟲體26維原始特征空間進行優(yōu)化，利用交叉驗證識別率構成適應度函數，作為特征選擇的依據，其公式為

2.4.2 ABC-SVM理論基礎

人工蜂群算法（artificial bee colony algorithm，ABC）是為了解決多變量函數優(yōu)化問題而提出的一種算法，它根據蜜蜂尋找食物的行為過程，解決了擴展新食物源與在已知食物源周圍進行精密搜索之間的矛盾，以一定概率跳出局部極值，很大程度上避免了陷入局部最優(yōu)，通過各人工蜂的尋優(yōu)行為，最終使全局最優(yōu)解凸顯出來。支持向量機（support vector machine，SVM）是一種按監(jiān)督學習的方式對數據進行分類的線性分類器，它的基本模型是在特征空間上找到一個分離超平面，使得不同樣本的間隔最大[31-34]。在利用SVM進行分類的過程中，模型參數（懲罰因子和核函數參數）的選擇對分類結果有至關重要的作用，懲罰因子表示對誤差的寬容度，取值太大容易出現過擬合，取值太小容易出現欠擬合，核函數決定了數據映射到新的特征空間后的分布，取值越大，則支持向量越少。

3 結果與分析

3.1 蟲體圖像分割

利用-FDK算法及Blackman濾波方法對侵染粒投影數據進行圖像重建。該算法在反投影考慮了軸的影響從而引入了三維權重函數，彌補了數據的缺失問題，提高了重建數據的真實度。利用-FDK算法重建的結果如圖 2所示。對圖2中侵染粒圖像進行濾波處理，利用最大類間方差法對圖像進行二值處理，得到原圖像的二值圖[36]。采用連通區(qū)域法對圖像進行區(qū)域標記，得到圖像中不同的連通區(qū)域，以去除粉塵等小面積區(qū)域，消除噪聲影響。運用兩次邊緣抑制的方法對圖像邊緣進行抑制，分別去除環(huán)形采樣管和麥粒，利用填充等形態(tài)學操作，分割出各齡期蟲體的二值化圖像，其結果如圖3所示。

圖2 各齡期重建圖像

圖3 各齡期蟲體二值圖像

由圖3可以看出，卵期發(fā)育至低齡幼蟲期，蟲體變化不明顯。幼蟲期發(fā)育至蛹期過程中，蟲體橫截面積變化很大，蟲體體積持續(xù)增長，并在蛹期達到最大，蛹期發(fā)育至成蟲期過程中，體積略有減小。

3.2 米象變態(tài)發(fā)育規(guī)律分析

針對每個齡期利用圖像采集系統(tǒng)采集50個樣本，5個齡期共計250個樣本。這里以蟲體高度、橫截面積、最小外接矩形面積、體積、表面積、橫截面周長等6個形態(tài)學特征為例對米象變態(tài)發(fā)育規(guī)律進行分析，各齡期特征平均值及標準差如表2所示。其中平均值為米象不同齡期下50個樣本的特征值的算術平均值，根據每個齡期下樣本特征值的算術平均值，求出不同特征的標準差。由表2可見，由卵期至成蟲期過程中，蟲體各特征值標準差和波動范圍總體上先增大，后保持不變或略有減小，在蛹期為最大。這是由于蟲體在卵期及低齡幼蟲期體積變化比較小，且此時不存在種群競爭等因素，個體發(fā)育較為均衡，故標準差較小。隨著個體體積的增大和進食量的增加，高齡幼蟲期開始出現種群競爭，部分個體發(fā)育受到影響，故標準差逐漸增加，且在蛹期時，標準差達到最大。

表2 各齡期蟲體特征平均值及標準差

蟲體高度隨發(fā)育時間的變化不斷增加，其變化率先緩慢上升再緩慢下降。其他5個特征的變化規(guī)律大體相似，即由卵期發(fā)育至低齡幼蟲期，特征變化率增加，特征值持續(xù)變大。這是由于卵期蟲體體積小，進食量小，隨著發(fā)育時間增長，體積逐漸變大，特征值變化速率緩慢增加。低齡幼蟲期到蛹期，特征變化率幾乎不變或稍降低，其特征值持續(xù)增加并在蛹期達到最大。這是由于蟲體由低齡幼蟲期變態(tài)發(fā)育到蛹期過程中，進食量變大，體型發(fā)育較快，蟲體增長速率也達到最大。蛹期發(fā)育至成蟲期，特征變化速率為負值，保持不變或略有減小，特征值出現負增長。這是因為蟲體體積在蛹期達到最大，進食速率也達到最大，成蟲蟲體體積比蛹期蟲體體積略小，進食速率也較蛹期低。

通過分析表2中蟲體各齡期特征平均值數據可以看出，各特征變化與發(fā)育時間近似呈指數關系。由卵期發(fā)育至低齡幼蟲期過程中，特征值變化不明顯，高齡幼蟲期發(fā)育至成蟲期過程中，特征值先急劇增加，后緩慢下降。對表2中各特征值進行分析，求得其變化公式為

表3 不同特征下的參數、、值及決定系數

3.3 米象特征選擇及齡期識別結果

由于侵染粒體數據中切片數量太多，且不同齡期中未被侵染的麥粒切片的紋理特征變化并不明顯，因此定義了顯著性紋理特征，表征侵染粒體數據的有效紋理特征，即受侵染切片紋理特征的均值作為侵染粒的整體紋理特征。計算方法為，求出體數據中每張切片的某個紋理特征值，從小到大依次排列，以卵期單個蟲體所占切片數量與侵染粒體數據中總切片數量的比值作為提取顯著性紋理特征值的比例。這里將比值設定為5%。

表4 基于模擬退火算法的特征選擇

由表5的識別結果可知，蛹期樣本有1個被誤識為成蟲期，這是由于蟲體生存環(huán)境受到影響，發(fā)育過程中存在種群競爭等干擾，造成發(fā)育不良。低齡幼蟲期有2個樣本被錯分為卵期，造成此現象的原因可能是米象由卵期發(fā)育至低齡幼蟲期的過程中，侵蝕速率較低，體積變化較小，特征值變化不夠明顯，才造成分類錯誤，也可能是個體在發(fā)育過程中受到外部環(huán)境的干擾，如生存競爭等不可控因素，個體發(fā)育受到影響。

表5 米象蟲體齡期識別

試驗對特征選擇前后的識別結果進行了對比，并分析ABC算法優(yōu)化SVM參數對米象齡期判別的影響，不同方法的識別結果如表6所示。利用米象的26個原始特征作為輸入時，運用ABC算法優(yōu)化SVM參數后，識別率提高了5個百分點。當利用SAA選擇的10個特征作為SVM的輸入時，優(yōu)化、參數后的SVM模型的識別率提高了7個百分點。利用了SAA-ABC-SVM技術后，米象齡期的識別率比未進行特征選擇及參數優(yōu)化的SVM模型的識別率提高了11個百分點，運行效率提高了24.5%。結果表明利用SAA-ABC-SVM技術可有效降低特征空間的維數，提高運行效率和分類器模型的識別率。

表6 不同優(yōu)化方法的識別結果

4 結 論

1）利用Micro-CT獲取侵染粒投影數據，應用-FDK算法重建出侵染粒二維圖像，利用圖像處理的方法分割出蟲體圖像，并提取了二維、三維和顯著性紋理等特征。根據不同齡期的米象蟲體高度、體積等特征的變化，分析了侵染粒中米象的變態(tài)發(fā)育規(guī)律，建立了米象由卵期發(fā)育至成蟲期過程中其體積和表面積等特征與侵染時間的相關關系。米象由卵期發(fā)育至低齡幼蟲期，生長較為緩慢，體積、表面積逐漸增加，由低齡幼蟲期發(fā)育至蛹期過程中，體積快速增加，并在蛹期達到最大，由蛹期發(fā)育至成蟲期，體積和表面積逐漸減小。

2）提出基于機器視覺的麥粒內害蟲齡期識別方法。根據提取的26個原始特征，利用模擬退火算法（simulated annealing algorithm，SAA）選擇了蟲體高度、最大橫截面積、最小外接矩形面積、橫截面周長、體積、表面積、復雜度、球形性、一致性和平滑度共計10個有效特征。運用人工蜂群算法（artificial bee colony algorithm，ABC）對支持向量機（support vector machine，SVM）參數進行優(yōu)化。結果表明，人工蜂群算法具有較好的優(yōu)化效果，該算法運行時間為0.613 s，且識別率達到97%，實現了麥粒內害蟲齡期的自動判別。

基于機器視覺的麥粒內害蟲變態(tài)發(fā)育規(guī)律研究方法及齡期識別方法，可實現對麥粒內害蟲的分析，并自動判別麥粒內害蟲所處的發(fā)育齡期。

[1]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. Cheng Xiaoli, Wu Chuanxin, Liu Junming, et al. Study of different ways to prevent insect pests of stored grain[J]. Grain Processing, 2011, 36(5): 70－73. (in Chinese with English abstract)

[2]王晶磊，肖雅斌，徐威，等. 糧庫儲糧害蟲防治存在問題及前景展望[J]. 糧食與食品工業(yè)，2014，21(3): 82－85. Wang Jinglei, Xiao Yabin, Xu Wei, et al. Problems and prospects of pest control of grain storage in grain depot[J]. Cereal & Food Industry, 2014, 21(3): 82－85. (in Chinese with English abstract)

[3]唐柏飛. 我國糧食儲藏的現況及發(fā)展趨勢[J]. 中國糧食經濟，2007，26(1): 35－39. Tang Baifei. Chinese grain storage situation and developing trend[J]. China Grain Economy, 2007, 26(1): 35－39. (in Chinese with English abstract)

[4]祁正亞, 黃思華, 闕岳輝, 等. 食品級惰性粉綜合防治儲糧害蟲的研究[J]. 糧食儲藏, 2019, 48(1): 33－36. Qi Zhengya, Huang Sihua, Que Yuehui, et al. Study on integrated control of stored grain pests with food-grade insrt powder[J]. Grain Storage, 2019, 48(1): 33－36. (in Chinese with English abstract)

[5]莫國良. 儲糧害蟲的防治技術研究[J]. 糧食科技與經濟，2018, 44(6): 106－107. Mo Guoliang. Research on prevention and control technology of stored grain pests[J]. Grain Science and Technology and Economy, 2018, 44(6): 106－107. (in Chinese with English abstract)

[6]Edoh O K, Mutungi C M, Otieno T O, et al. Quantitative and quality losses caused by rodents in on-farm stored maize: A case study in the low land tropical zone of Kenya[J]. Food Security, 2018, 10(6): 1525－1537.

[7]Batta Y A, Kavallieratos N G. The use of entomopathogenic fungi for the control of stored-grain insects[J]. International Journal of Pest Management, 2017, 64(1): 77－87.

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

[9]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．

[10]Pearson T C, Toews M D, Campbell J F. Imaging and automated detection of(Coleoptera: Curculionidae) pupae in hard red winter wheat[J]. Journal of Economic Entomology, 2006, 99(2): 583－592.

[11]Fornala J, Jelinskia T, Sadowska J, et a1. Detection of granary weevil sitophilus granarius 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．

[12]Zhang Hong Mei, 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.

[13]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.

[14]Singh C B, Jayas D S, Paliwal J, et al. Identification of insect-damaged wheat kernels using short-wave near-infrared hyperspectral and digital colour imaging[J]. Computers and Electronics in Agriculture, 2010, 73(2): 118－125.

[15]張紅濤, 毛罕平, 劇森, 等. 基于胚部區(qū)域特征的麥粒姿態(tài)自動識別[J]. 農業(yè)工程學報, 2014, 30(14): 163－169. Zhang Hongtao, Mao Hanping, Ju Sen, et al. Automatic posture recognition of wheat kernels based on germ features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(14): 163－169. (in Chinese with English abstract)

[16]Eliopoulos P A, Potamitis I, Kontodimas D C. Estimation of population density of stored grain pests via bioacoustic detection[J]. Crop Protection, 2016, 85: 71－78.

[17]Shi Weiya, Jiao Keke, Liang Yitao, et al. Efficient detection of internal infestation in wheat based on biophotonics[J]. Journal of Photochemistry and Photobiology B: Biology, 2016, 155: 137－143.

[18]Mishra G, Srivastava S, Panda B K, et al. Rapid assessment of quality change and insect infestation in stored wheat grain using FT-NIR spectroscopy and chemometrics[J]. Food Analytical Methods, 2018, 11(4): 1189－1198.

[19]Solà M, L Jonathan G, et al. Detection and quantification of the insect pest,(Coleoptera: Bostrichidae) in rice by qPCR[J]. Journal of Stored Products Research, 2017, 71: 106－111.

[20]張紅濤, 裴震宇, 張曉東, 等. 基于Micro-CT的麥粒內害蟲侵染研究[J]. 農業(yè)工程學報, 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)

[21]張紅濤, 常艷, 譚聯(lián), 等. 基于z軸權重的麥粒圖像三維重建[J]. 光學學報, 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)

[22]李德偉. 基于Micro-CT的麥粒顯微圖像采集及三維重建研究[D]. 鄭州: 華北水利水電大學, 2018. Li Dewei. Research on Microscopic Image Aacquisition and 3D Visualization of Wheat Grain based on Micro-CT[D]. North China University of Water Resources and Electric Power, Zhengzhou, 2018. (in Chinese with English abstract)

[23]Patel V, Issever A S, Burghardt A, et al. MicroCT evaluation of normal and osteoarthritic bone structure in human knee specimens[J]. Journal of Orthopaedic Research, 2003, 21(1): 6－13.

[24]李永賢, 張順聰, 梁德, 等. 骨質疏松性椎體壓縮骨折的Micro-CT影像學參數分析[J]. 中國骨質疏松雜志, 2017, 23(3): 298－302. Li Yongxian, Zhang Shuncong, Liang De, et al. Evaluation of radiographic parameters in osteoporotic vertebral compression fractures with micro-CT[J]. Chinese Journal of Osteoporosis, 2017, 23(3): 298－302. (in Chinese with English abstract)

[25]Badea C T, Drangova M, Holdsworth D W, et al. In vivo small-animal imaging using micro-CT and digital subtraction angiography[J]. Physics in Medicine and Biology, 2008, 53(19): 319－350.

[26]張賓, 張正強, 王洪凱, 等. 基于GPU加速的錐束CT重建算法研究[J]. 計算機工程與應用, 2019, 55(4): 208－213. Zhang Bin, Zhang Zhengqiang, Wang Hongkai, et al, Research on cone-beam CT reconstruction algorithm based on GPU acceleration[J]. Computer Engineering and Applications, 2019, 55(4): 208－213. (in Chinese with English abstract)

[27]Li Liang, Xing Yuxiang, Chen Zhiqiang, et al. A curve-filtered FDK (C-FDK) reconstruction algorithm for circular cone-beam CT[J]. Journal of X-Ray Science and Technology, 2011, 19(3): 355－371.

[28]張紅濤, 毛罕平, 邱道尹. 儲糧害蟲圖像識別中的特征提取[J]. 農業(yè)工程學報, 2009, 25(2): 126－130. Zhang Hongtao, Mao Hanping, Qiu Daoyin. Feature extraction for the stored-grain insect detection system based on image recognition technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(2): 126－130. (in Chinese with English abstract)

[29]湯偉，胡祥滿. 基于模擬退火算法的PID參數優(yōu)化研究[J]. 組合機床與自動化加工技術, 2018, 21(4): 92－96. Tang Wei, Hu Xiangman. Research on parameters optimization of PID controller based on simulated annealing algorithm[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2018, 21(4): 92－96. (in Chinese with English abstract)

[30]Cheng Zhun, Lu Zhixiong. Research on the PID control of the ESP system of tractor based on improved AFSA and improved SA[J]. Computers and Electronics in Agriculture, 2018, 148: 142－147.

[31]Ebrahimi M A, Khoshtaghaza M H, Mianei S, et al. Vision-based pest detection based on SVM classification method[J]. Computers and Electronics in Agriculture, 2017, 137: 52－58.

[32]Wu Jianxin, Yang Hao. Linear regression-based efficient SVM learning for large-scale classification[J]. IEEE Transactions on Neural Networks & Learning Systems, 2017, 26(10): 2357－2369.

[33]Zidi S, Moulahi T, Alaya B. Fault detection in wireless sensor networks through SVM classifier[J]. IEEE Sensors Journal, 2017: 1－1.

[34]Sukawattanavijit C, Chen J, Zhang H. GA-SVM algorithm for improving Land-Cover classification using SAR and optical remote sensing data[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(3): 284－288.

[35]王春林, 胡蓓蓓, 馮一鳴, 等. 基于徑向基神經網絡與粒子群算法的雙葉片泵多目標優(yōu)化[J]. 農業(yè)工程學報, 2019, 35(2): 25－32. Wang Chunlin, Hu Beibei, Feng Yiming, et al. Multi-objective optimization of double vane pump based on radial basis neural network and particle swarm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 25－32. (in Chinese with English abstract)

[36]覃曉, 元昌安, 鄧育林, 等. 一種改進的Ostu圖像分割法[J].山西大學學報: 自然科學版, 2013, 36(4): 530－534. Qin Xiao, Yuan Changan, Deng Yulin, et al. An improved method of ostu image segmentation[J]. Journal of Shanxi University (Natural Science Edition), 2013, 36(4): 530－534. (in Chinese with English abstract)

Identifying larval development ofin wheat grain using computer vision

Zhang Hongtao1, Zhu Yang1, Tan Lian1, Zhang Xiaodong2, Mao Hanping2

(1.,,450011,; 2.,,,212013,)

is a weevil growing on diet of wheat grain. Its timely identification and control is essential to safeguarding wheat production. This paper proposes a computer vision-based method to diagnose its larval development inside wheat grain. Afterinfects grains, its subsequent development is divided into egg stage, juvenile stage, elder stage, pupal stage and adult stage. We acquired a sequence of micro-CT projection images of the infested grains and then reconstructed the 2D images using the FDK algorithm. The larvae in the images were mapped out using segmentation and morphological method. Overall, we extracted 26 features to characterize a larva and its development, including morphological features, 3D features, invariant moment and texture features. The metamorphosis ofwas differentiated based on larval height, larval volume, its cross-sectional area, the minimum rectangle method, surficial area and perimeter of the cross section. The partial features simulated using the annealing algorithm composed of optimal features which were calculated by the fitness function, with the initial temperatureset at 150, drop rate at 0.9 and the end temperature at 1.0. Ten features were determined after 10 optimizations and the associated maximum fitness was 90.214 3%. The penalty factorand the kernel function parameterin the support vector machine (SVM) were optimized by the artificial bee colony (ABC) algorithm, in which the initial bee colony size was 20, the times of updates was set to be 50 and the maximum number of iterations was 50. Two parameters were optimized in the range of 0.01-100, and the algorithm was repeated twice to check robustness of the program. We used 250 images to train and test the model. The model correctly identified 97% of the larvae at different developmental stages when the parameters the penalty factor=96.44, and the kernel function parameter=0.01. The results showed that the height oflarva had been in increase in the experiment; its volume, cross-sectional area, size of the minimum rectangle, surficial area and perimeter of cross-section had all asymptotically increased up to the pupal stage, followed by a decline after that. In addition, ABC-SVM correctly identified 97 images. The results presented in this paper indicated that computer vision can be used to identify larval development ofin wheat grain.

computer vision; algorithm; stored-grain pest; metamorphosis low; FDK algorithm; feature extraction; larval stage identification

張紅濤，朱 洋，譚 聯(lián)，張曉東，毛罕平. 利用機器視覺識別麥粒內米象發(fā)育規(guī)律與齡期[J]. 農業(yè)工程學報，2020，36(2)：201－208. doi：10.11975/j.issn.1002-6819.2020.02.024 http://www.tcsae.org

Zhang Hongtao, Zhu Yang, Tan Lian, Zhang Xiaodong, Mao Hanping. 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) doi：10.11975/j.issn.1002-6819.2020.02.024 http://www.tcsae.org

2019-08-27

2019-10-07

國家自然科學基金資助項目（31671580）；河南省科技攻關項目(162102110112)；華北水利水電大學第十屆研究生創(chuàng)新課題（YK2018-11）

張紅濤，博士，教授，主要從事圖像識別、計算機視覺等方面的研究。Email：39583633@qq.com

10.11975/j.issn.1002-6819.2020.02.024

TP391.4；S512.1+1

A

1002-6819(2020)-02-0201-08