錢志海 張超 付松林

摘要：害蟲檢測是糧食保管重要工作內容之一，為儲糧害蟲防治決策提供科學依據。與傳統(tǒng)的檢測方法相比，基于圖像識別和害蟲聲信號的實倉在線監(jiān)測技術具有準確、實時、省錢省力等優(yōu)點，其在糧食儲藏過程中日益受到重視。文章介紹了傳統(tǒng)儲糧害蟲監(jiān)測方法，綜述了信息化技術在儲糧害蟲檢測識別領域的研究現狀，總結了國內外圖像識別和害蟲聲信號的實倉在線監(jiān)測技術的研究成果，并提出當前實倉在線監(jiān)測技術的研究難點及今后的研究熱點和需要解決的問題。

關鍵詞：儲糧害蟲；圖像識別；聲信號；在線檢測

中圖分類號：TP399 文獻標識碼：A DOI：10.16465/j.gste.cn431252ts.20210227

自進入農業(yè)社會后，人類為了得到更多的食物和生物資料，與害蟲之間的斗爭從未停止過。糧食在儲藏環(huán)節(jié)，當溫度、濕度條件適宜時，不可避免地會遭到儲糧害蟲的侵蝕和危害。據報道[1]，頭號儲糧害蟲玉米象在適宜的條件下，對儲藏期糧食所造成的重量損失3個月內可達11.25%，6個月可達35.12%。并且儲糧害蟲活動生產的熱量、排泄物等，也嚴重威脅著糧食質量和營養(yǎng)安全。因此，為了減少糧食產后損失，應當開發(fā)安全、經濟、有效的害蟲檢測和防治技術，將害蟲危害損失降到最低。及時、準確的害蟲檢測技術是確保有效防治的前提，是實施害蟲防治的依據。本文對傳統(tǒng)害蟲檢測時存在的不足進行分析，并綜述近年來基于信息化、自動化快速發(fā)展的在線監(jiān)測技術發(fā)展概況，以期指明儲糧害蟲實倉監(jiān)測技術研發(fā)方向，引導倉儲企業(yè)使用更為科學、更加方便的儲糧害蟲實倉在線監(jiān)測技術。

1 傳統(tǒng)儲糧害蟲監(jiān)測方法

在糧倉害蟲檢測沒有應用智能化和信息化技術之前，糧倉管理人員主要靠人力鑒定和目測儲糧害蟲種類和數量，主要方法有篩蟲法和誘集法。其中篩蟲法是保管員通過一定的統(tǒng)計學分別在糧倉不同部位扦取一定重量的糧食，然后通過不同目篩子篩取不同種類害蟲，再通過自身的害蟲知識識別害蟲種類并進行計數；誘集法是通過在糧倉不同部位放置不同的誘餌誘集不同的害蟲，再通過人員識別和計數得到糧倉害蟲危害情況。傳統(tǒng)儲糧害蟲檢測方法主要依賴人力調查、識別和計數，取樣點有限，需耗費大量勞動力，很難準確地判斷出害蟲的種類及密度，不能實時地反映糧倉中儲糧害蟲的危害情況。因此，為保障我國儲糧安全，在智能糧庫的建設過程中，急需現代化、智能化、精準化的在線儲糧害蟲識別、檢測、分析技術。

2 基于圖像識別的實倉在線監(jiān)測技術

圖像識別技術是人工智能的重要領域之一，是指對圖像進行對像識別，以識別各種不同模式的目標和對像的技術?；趫D像識別的實倉在線監(jiān)測技術的主要原理就是利用現代圖像采集技術，得到糧倉中害蟲的圖片信息，然后通過現代圖像識別技術從獲取的圖片信息中提取出害蟲的特征，再通過算法的優(yōu)化識別并對不同害蟲進行計數。目前，國內外對基于圖像識別的實倉在線監(jiān)測技術開展了大量研究，研究內容主是害蟲圖像分割、害蟲圖像特征提取、害蟲識別和在線監(jiān)測系統(tǒng)開發(fā)4個方面，主要難點是特征提取識別和在線監(jiān)測。

2.1 靜態(tài)圖像識別檢測方法

在復雜的糧倉環(huán)境和密集的糧堆中如何快速準確地將儲糧害蟲識別出來，需要對圖片中儲糧害蟲的特征進行提取識別，這中間就需要對特征提取算法進行開發(fā)。Keagy等 [2]利用機器視覺的方法識別小麥籽粒中象鼻蟲的傷害，其識別率隨蟲齡的不同而有所變化，這一研究成果為害蟲圖像識別奠定了基礎。Zayas等[3]利用數字圖像技術結合多光譜分析技術和模式識別的方法檢測判斷含有雜草種子和受損籽粒的散裝小麥中的谷蠹成蟲，識別率高達90%，但昆蟲所處的位置和粘附在昆蟲下的顆粒會影響識別成功率。而在國內，張成花[4] 4-53利用圖像識別、模式識別、神經網絡等技術，設計了圖像識別儲糧害蟲檢測系統(tǒng)，該系統(tǒng)對常見的12種倉儲害蟲成蟲在線識別率達到86.5%。付麥霞等[5]研究了基于視頻的儲糧害蟲檢測與基于支持向量機（SVM）的儲糧害蟲圖像識別技術，提出了一種新的基于圖像塊和HVS彩色圖像差值相結合的運動目標檢測算法，用于提取靜態(tài)儲糧害蟲圖像；還提出了一種基于支持向量機（SVM）組的淘汰算法，用于識別靜態(tài)儲糧害蟲圖像，指出了基于SVM的識別方法在識別效果、識別時間等方面都有顯著的優(yōu)越性。張紅濤等[6]認為儲糧害蟲圖像識別的重要環(huán)節(jié)是特征提取，并運用蟻群優(yōu)化算法自動提取出儲糧害蟲的面積、周長、占空比等7個有效特征，經SVM分類器對90個儲糧害蟲樣本進行分類，識別率高達95.6%。張衛(wèi)芳[7]分別采用Robert 算法、Prewitt 算法、Canny 算法3 種經典的邊緣檢測算法以及灰度級理論算法，對儲糧害蟲的二值化圖像（含噪聲和不含噪聲兩種）進行邊緣檢測，大大提高了圖像識別的準確率，且具有邊緣定位準確、抗噪性強、檢測邊緣連續(xù)有效等優(yōu)點。甄彤等[8]在谷物的一級灰度直方圖和圖像中自動提取出4 組靜態(tài)特征值，為倉儲害蟲的快速鑒定和分類研究開辟了新途徑。而王德發(fā)[9]運用基于MSERs的區(qū)域檢測方法獲取目標區(qū)域，然后對目標區(qū)域中的害蟲進行識別，該算法對于大面積、高密度的害蟲圖片識別率高，漏篩率低。

2.2 動態(tài)視頻識別檢測方法

在實倉中對于動態(tài)的視頻檢測更加有利于對害蟲的實時監(jiān)控，在智慧糧倉的建設中，對于動態(tài)的害蟲檢測技術的需求量也更大。張成花[4] 48-53選擇用RBP 網絡分類器進行在線識別，識別率達86.5%。廉飛宇等[10]通過對采集的視頻圖像序列進行運動目標檢測分割，提取靜態(tài)儲糧害蟲圖像；通過對儲糧害蟲圖像進行預處理，直接將圖像像素值作為條件屬性構造決策表，通過基于遺傳算法的屬性約簡，有效壓縮規(guī)則集，依據計算得到的規(guī)則隸屬度輸出圖像的匹配結果。實驗表明采用粗糙集方法識別儲糧害蟲圖像能夠取得比較好的效果。涂宏維[11]研究了埋入式無線視頻傳感糧蟲監(jiān)測網絡的關鍵技術，針對散裝糧庫蟲情的監(jiān)測過程復雜、工作量大、準確度不高、非自動化等問題，在無線傳感網絡技術的基礎上設計了一種將節(jié)點埋入散裝糧食之中的無線視頻傳感糧蟲監(jiān)測網絡。周亦哲等[12]研究了基于視頻檢測的儲糧害蟲死亡評估的算法，該算法可有效檢測儲糧害蟲的死亡情況，檢測平均正確率可以達到89.3%，算法的核心是基于深度卷積神經網絡的雙流法網絡，綜合圖像目標檢測算法和兩幀差分法進行識別，實現了視頻數據中害蟲的定位與識別，這在儲糧害蟲動態(tài)視頻圖像識別中走出了重要的一步。

2.3 在線監(jiān)測系統(tǒng)的開發(fā)

基于靜態(tài)圖像識別和動態(tài)視頻檢測方法的在線監(jiān)測系統(tǒng)的開發(fā)，有利于在實倉外實施害蟲監(jiān)測，并進行預警和及時采取措施，這是智慧糧倉建設中的核心軟件。劉漢生[13]研究了陷阱式儲糧害蟲信息采集終端及其系統(tǒng)，該系統(tǒng)可以提供儲糧害蟲的數據采集、數據管理、蟲情檢測等功能，具有安裝快捷、操作簡單、維護方便等優(yōu)點。羅強等[14]開發(fā)了基于深度學習的糧庫蟲害實時監(jiān)測預警系統(tǒng)（RMPS），對糧庫中常見幾種害蟲（米象、繡赤扁谷盜、赤擬谷盜）進行較大規(guī)模的樣本采集，并使用卷積神經網絡進行學習和訓練，構建神經網絡模型；通過新型采集器實時采集糧庫內部圖像信息，利用已訓練的模型進行害蟲種類和概率的檢測；并將監(jiān)測結果以Web形式發(fā)布給手機客戶端，RMPS從傳統(tǒng)的定點定時監(jiān)測轉變成實時監(jiān)測，并且將蟲害檢測準確率提升到90%；RMPS采用專門設計的采集器與移動客戶端部署簡單、方便，具有較高的實用性與擴展性。

隨著互聯網和云計算技術的發(fā)展，這些技術在儲糧害蟲監(jiān)測系統(tǒng)開發(fā)中的應用實例也越來越多。鮑舒恬等[15]研究了基于物聯網和霧計算及云計算的低功耗無線儲糧害蟲監(jiān)測系統(tǒng)及其應用，針對儲糧害蟲難以在線監(jiān)測的問題，基于物聯網、霧計算、云計算等現代信息技術的新型糧食蟲害監(jiān)測系統(tǒng)，能同時監(jiān)測害蟲的種類和數量并排除了雜質的影響，具有較高的精度。由于功耗較低，可以采用無線傳感器網絡進行部署，方便系統(tǒng)的安裝和維護，降低系統(tǒng)實際運行中的故障率。高華[16]研究了基于云平臺的儲糧害蟲檢測識別技術，為了能夠快速識別這些龐大的數據，可以借助分布式處理云平臺進行處理。分布式處理平臺擁有多個處理器和存儲系統(tǒng)，可以對多個程序或者并發(fā)程序在松耦合或者集中控制的方式下進行計算，可以降低計算成本、存儲海量數據、按需獲取。米喬[17]基于iOS系統(tǒng)的儲糧害蟲信息采集及藍牙傳輸系統(tǒng)的研究與設計，根據儲糧害蟲研究和糧庫工作業(yè)務情況結合目前流行的iOS系統(tǒng)移動應用開發(fā)技術與低功耗藍牙BLE無線傳輸技術，設計出一種可以同時配合糧庫工作人員工作及滿足儲糧害蟲在線監(jiān)測系統(tǒng)預測預報。

3 基于害蟲聲信號的實倉在線監(jiān)測技術

3.1 基于害蟲聲學信號檢測方法的原理

基于害蟲聲學信號檢測方法的原理是把聲音變成電訊號，通過電子過濾器把昆蟲發(fā)聲的頻率與環(huán)境聲音的頻率分開，根據音程的百分比和音程數量的多少來分辨昆蟲的種類和數量，甚至可以檢測到在糧食樣品內部取食的害蟲?；诼曅盘柕膬Z害蟲檢測法憑借其環(huán)保、無損、快速、靈敏度高等優(yōu)點，日漸受到重視。從早期使用單一傳感器檢測糧蟲的振動或聲信號，到使用傳感器陣列、碰撞聲發(fā)射及聲譜庫等，儲糧害蟲聲檢測法逐漸成熟。

3.2 儲糧害蟲聲檢測方法新進展

Vick等[18]在實驗室中使用麥克風測試了一種儲糧害蟲幼蟲聲學檢測系統(tǒng)，得到谷蠹、玉米象和麥蛾三種儲糧害蟲幼蟲吃食聲最高頻率分別為1 200、587、1 475 Hz，并且發(fā)現害蟲的數量與害蟲的發(fā)聲數目相關，此項研究為聲信號檢測倉儲害蟲的發(fā)展奠定了基礎。Coggins等[19]認為成蟲和幼蟲在移動或咀嚼時產生的聲振動具有明顯的時間特征，提出使用時延人工神經網絡進行儲糧害蟲聲檢測，并根據振幅、頻譜和聲音持續(xù)時間來區(qū)分糧倉谷物中幼蟲聲、成蟲聲和外部噪聲。Potamitis等[20]通過計算機系統(tǒng)對采集到的昆蟲典型行為產生的聲音進行放大、濾波、參數化和分類，開發(fā)出一種害蟲自動生物聲學識別系統(tǒng)。Mankin等[21]通過聲音傳感器檢測糧堆中米象、赤擬谷盜和藥材甲爬行、刮擦或蠕動的聲音，其中幼蟲爬行時不易被發(fā)現，但在刮擦或蠕動時可以被發(fā)現，成蟲的活動聲信號均可以被捕捉到。Eliopoulos等[22]在實驗室內對小麥內部害蟲聲音信號進行希耳伯特變換，并在音頻中剔除無關的噪聲記錄，從而得出可能的昆蟲行為脈沖信號，不同害蟲密度（0.1、0.5、1.0、2.0頭/kg）條件下的甲蟲成蟲均能被檢測到，當蟲害密度為1～2頭/kg時，該系統(tǒng)的檢測準確率可以達到72%～100%。國內方面，郭敏等[23]指出儲糧害蟲爬行聲的時頻特征與蟲類、糧食種類存在聯系。耿森林等 [24]利用爬行聲信號的頻域特征進行了害蟲種類的鑒別研究，指出害蟲聲頻特征比時域信號對鑒別害蟲種類更具有可靠性，只要能夠建立糧食中害蟲爬行聲頻域特征數據庫，就可根據復合蟲類爬行聲頻域特征達到蟲類鑒別的目的。董志杰[25]使用BP神經網絡分類器，對提取到的聲音特征數據進行了分類，并對該網絡進行了優(yōu)化設計，使用優(yōu)化后的神經網絡對儲糧害蟲進行分類，其準確率達到95%以上。秦昕 [26]建立了包括玉米象、赤擬谷盜、谷蠹等幾十種儲糧害蟲聲信號特征數據庫，為以后的研究提供了有效的基礎數據。

聲學方法的缺點是無法檢測糧食中的死亡昆蟲和昆蟲幼蟲。而張麗娜[27]以小麥完好粒、蟲害粒和霉變粒的碰撞聲信號為研究對象，提出應用時域建模和希爾伯特-黃變換（HHT）方法分別分析三類小麥碰撞聲的時域和頻域特征，提取小麥碰撞聲的多個有效特征。然后利用BP神經網絡對三類小麥碰撞聲分類，取得了較好的識別效果，為解決聲學方法無法檢測糧食中的死亡昆蟲和昆蟲幼蟲開辟了儲糧害蟲聲信號識別的新途徑。

影響聲音信號檢測儲糧害蟲的檢測準確率的技術難題是如何區(qū)分環(huán)境中的噪音與害蟲自身發(fā)出的聲音以及當有多種害蟲同時發(fā)聲時如何對其聲音進行分類。因此，建立不同害蟲的聲音特征模型是聲測法的研究方向。近幾年，隨著多種技術的融合發(fā)展，聲信號檢測法的準確率又上了一個臺階，為實現實倉在線監(jiān)測提供了良好的技術基礎。韓安太等[28]在設計儲糧害蟲聲信號檢測系統(tǒng)時首次融合了無線傳感器網絡和壓縮感知技術，該系統(tǒng)通過使用多個采集節(jié)點來同時檢測同一區(qū)域以提高準確率，測得數據的平均丟包率小于10%，平均傳輸延遲小于2.5 s， 實現了儲糧害蟲聲信號的實時、遠程、可靠傳輸。

4 展 望

不同的在線監(jiān)測手段在不同的實倉環(huán)境中具有不同的效果，面對復雜的實倉環(huán)境，應充分考慮糧倉實際情況和蟲害危害規(guī)律，選擇合適的在線監(jiān)測手段，并可以嘗試多種在線監(jiān)測方法結合使用，提高監(jiān)測的準確度，提高儲糧蟲害預警水平。未來的儲糧害蟲檢測方法研究方向將圍繞數字圖像噪聲與環(huán)境噪聲分割、圖像識別中的多特征提取、環(huán)境因子輔助監(jiān)測、多種技術融合使用等方面進行研究。而隨著智慧糧倉建設進程的不斷推進，作為智能糧倉監(jiān)測系統(tǒng)的重要組成部分，倉外儲糧害蟲在線監(jiān)測系統(tǒng)的升級改造，在保障儲糧安全方面將起到更加重要的作用。

參 考 文 獻

[1] 白旭光.儲藏物害蟲與防治[M].北京：科學出版社，2008：214-215.

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

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

[4] 張成花.基于圖像識別的儲糧害蟲分類的研究[D].鄭州：鄭州大學，2002.

[5] 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].計算機與數字工程，2008（11）：111-115.

[6] 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.

[7] 張衛(wèi)芳.基于圖像處理的儲量害蟲檢測方法研究[D].西安：陜西師范大學，2010：3-5.

[8] 甄彤，董志杰，郭嘉，等.基于聲音的儲糧害蟲檢測系統(tǒng)設計[J].河南工業(yè)大學學報（自然科學版），2012，33（5）：79-82.

[9] 王德發(fā).基于圖像識別的儲糧害蟲檢測[D].北京：北京郵電大學，2017：23-24.

[10] 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].河南工業(yè)大學學報（自然科學版），2007，28（3）：43-46.

[11] 涂宏維.埋入式無線視頻傳感糧蟲監(jiān)測網絡的關鍵技術研究[D].武漢：武漢輕工大學，2013：2-5.

[12] 周亦哲，周慧玲，王威松.基于視頻檢測的儲糧害蟲死亡評估算法的研究[J].中國糧油學報，2019，34（10）：114-119+127.

[13] 劉漢生.陷阱式儲糧害蟲信息采集終端及其系統(tǒng)的研究與實現[D].北京：北京郵電大學，2018：2-4.

[14] 羅強，黃睿嵐，朱軼.基于深度學習的糧庫蟲害實時監(jiān)測預警系統(tǒng)[J].江蘇大學學報（自然科學版），2019，40（2）：203-208.

[15] 鮑舒恬，常春波.基于物聯網和霧計算及云計算的低功耗無線儲糧害蟲監(jiān)測系統(tǒng)及其應用[J].糧油倉儲科技通訊，2018，34（4）：43-46.

[16] 高華.基于云平臺的儲糧害蟲檢測識別技術研究[D].鄭州：河南工業(yè)大學，2017：1-3.

[17] 米喬.基于iOS系統(tǒng)的儲糧害蟲信息采集及藍牙傳輸系統(tǒng)的研究與設計[D].北京：北京郵電大學，2017：1-5.

[18] VICK K W， WEBB J C， WEAVER B A， et al. Sound detection of stored-product insects that feed inside kernels of grain[J]. Journal of Economic Entomology， 1988， 81（5）： 1489-1493.

[19] COGGINS K M， PRICIPE J. Detection and classification of insect sounds in a grain silo using a neural network[C]// IEEE World Congress on Computational Intelligence （Cat. No. 98CH36227）. [S.l.]： IEEE， 1998： 1760-1765.

[20] POTAMITIS I， GANCHEV T， KONTODIMAS D. On automatic bioacoustic detection of pests： the cases of Rhynchophorus ferrugineus and Sitophilus oryzae[J]. Journal of Economic Entomology， 2009， 102（4）： 1681-1690.

[21] MANKIN R W， HODGES R D， NAGLE H T， et al. Acoustic indicators for targeted detection of stored product and urban insect pests by inexpensive infrared， acoustic， and vibrational detection of movement[J]. Journal of Economic Entomology， 2010， 103（5）： 1636-1646.

[22] ELIOPOULOS P A， POTAMITIS I， KONTODIMAS D C， et al. Detection of adult beetles inside the stored wheat mass based on their acoustic emissions[J]. Journal of Economic Entomology， 2015，108（6）： 2808-2814.

[23] 郭敏，尚志遠.儲糧害蟲聲信號的檢測和應用[J].物理，2001，30（1）：39-42.

[24] 耿森林，尚志遠.基于害蟲聲頻域特征的儲糧害蟲種類鑒別研究[J].農業(yè)系統(tǒng)科學與綜合研究，2005，2（4）：241-243.

[25] 董志杰.基于聲音信號的儲糧害蟲檢測技術研究[D].鄭州：河南工業(yè)大學，2013：1-7.

[26] 秦昕.儲糧害蟲活動聲信號特征研究[D].西安：陜西師范大學，2012：5-10.

[27] 張麗娜.小麥碰撞聲信號特征識別研究[D].西安：陜西師范大學，2012：41-51.

[28] 韓安太，何勇，李劍鋒，等.基于無線傳感器網絡的糧蟲聲信號采集系統(tǒng)設計[J].農業(yè)工程學報，2010，26（6）：181-187.

Research Status and Prospect of On-line Detection and Identification Technology for Stored Grain Pests

Qian Zhihai， Zhang Chao， Fu Songlin

（ Guangxi Sinograin Storage Apparatus Science and Technology Co.， Ltd.， Nanning， Guangxi 530022 ）

Abstract： The detection of stored grain pests is one of the important work content. It provides scientific basis for decision-making of stored grain pest control. Compared with the traditional detection methods， the on-line monitoring technology based on image recognition and pest acoustic signal have the advantages of accuracy， realtime， saving money and labor. These technologies are increasingly valued. The traditional monitoring methods of stored grain pests were introduced. The research status of information technology in the field of stored grain pest detection and identification was summarized. The research results of image recognition and pest acoustic signal online monitoring technology at home and abroad were summarized. The research difficulties and hot-spots and problems were proposed.

Key words： stored grain pests， image recognition， acoustic signal， on-line inspection