郭玥瑤 李弘瑞 蔡永勝 王宇

摘要：研究并判別米象所處發(fā)育齡期，為糧食儲藏及制定合理的糧蟲防治措施提供科學依據(jù)。以對糧食危害最為嚴重的米象為研究對象，提取基于二值圖像的侵染粒中蟲道的二維形態(tài)學特征，侵染粒三維圖像灰度值的基本統(tǒng)計特征及基于特征變換的紋理特征，與二維特征相結(jié)合，構(gòu)建原始特征空間，應(yīng)用優(yōu)化算法選取最優(yōu)特征組合，并利用螢火蟲算法-支持向量機方法（FA-SVM）判別米象所處發(fā)育齡期，識別率達到95%以上，有效識別出米象所處發(fā)育齡期。

關(guān)鍵詞：米象；侵染粒；特征；FA-SVM

中圖分類號：TS207.7 文獻標識碼：A DOI：10.16465/j.gste.cn431252ts.20210527

糧食倉儲問題一直以來都是糧食安全問題的核心，也是世界各國高度關(guān)注的研究課題[1]。隨著社會的進步和發(fā)展，糧食產(chǎn)量有了很大的提高，儲藏量也日益增多，但在糧食的儲藏過程中，容易產(chǎn)生霉變、蟲蝕、鼠害及污染等問題，其中儲糧害蟲的危害較為嚴重，我國每年因儲糧害蟲造成的損失達到20多億元[2]。當大面積的儲糧害蟲發(fā)生時，會造成很大程度上的經(jīng)濟損失，而且會影響糧食及糧食制品的品質(zhì)，同時會傳播致病微生物，對人體健康構(gòu)成潛在威脅[3]。在眾多的儲糧害蟲中，米象是對糧食造成危害最大的一種害蟲。米象成蟲將卵產(chǎn)在糧粒內(nèi)部，直到卵發(fā)育至低齡幼蟲，開始啃食糧粒內(nèi)部，在糧粒內(nèi)部形成空腔，此時對糧食的危害最大。米象幼蟲由于體積較小，在糧粒內(nèi)部難以檢測，所以很難被察覺。如能在米象幼蟲期就能進行合理的防治，可大大減少其帶來的危害。因此，米象等儲糧害蟲的早期檢測一直都是國內(nèi)外研究的熱點，許多學者對此進行了大量的研究。

Ridgway等[4-5]選取合適波長，研制了近紅外谷象侵染檢測系統(tǒng)，但檢測效率有待進一步提高；Dowell等[6]利用近紅外光譜儀實現(xiàn)對糧粒內(nèi)部的害蟲檢測，該法對含蛹和成蟲期的糧粒檢測有良好的效果，對低齡幼蟲的糧粒識別率僅為63%；Karunakaran等[7-8]利用軟X射線檢測麥粒的侵染，對米象、谷蠹幼蟲的識別率達到95%，但無法檢測出蟲卵；Fornala等[9]建立了麥粒侵染程度和侵染時間的方程式，其預(yù)測準確率達到90%，但需要在米象產(chǎn)卵5 d后才能被檢測到；Toews等[10]研究利用CT成像法來分析糧粒內(nèi)部害蟲的侵染，該法對每100 g樣品中的5個蛹期侵染麥粒的識別精度達到94%，但需要在樣本中加入食用油以提高對比度，且識別率隨侵染粒數(shù)量的增加而降低；Zhang等[11]利用電鼻子陣列檢測糧食是否受到害蟲侵染，該法對樣本容器的密閉性要求較高；Manickavasagan等[12]利用熱成像儀來判斷麥粒的侵染，該法對糧粒侵染的檢測精度達到83%，但檢測過程較為繁瑣；Pearson等[13-14]提出將電導率法用于糧粒內(nèi)部害蟲的檢測，該法無法檢測儲糧害蟲幼蟲；Nawrocka等[15]研究了糧粒內(nèi)害蟲蟲齡、有機玻璃校準指示器的灰度級與小麥質(zhì)量損失之間的關(guān)系；Chelladurai等[16]利用基于特征融合的方法對大豆侵染進行檢測，檢測精度得到提高，但增加了設(shè)備成本和檢測時間；張紅濤等[17]提出分腹溝朝上、朝下和側(cè)向3個姿態(tài)對糧粒內(nèi)部害蟲的侵染進行判別分析，該法大大提高了識別率，但無法檢測含卵和低齡幼蟲的糧粒；Shi等[18-19]利用生物光子輻射信號判別糧粒內(nèi)部的侵染，對收到米象侵染小麥的識別率達到95%，但受環(huán)境溫度的影響較大。

綜上所述，國內(nèi)外學者利用各種新技術(shù)開展了糧粒內(nèi)部害蟲的檢測研究，取得了一定的效果。本文利用Micro-CT采集侵染粒的二維圖像，應(yīng)用圖像處理的方法分割出蟲道，提取蟲道的二維形態(tài)學特征、三維圖像灰度值的基本統(tǒng)計特征以及基于特征變換的紋理特征，分析了米象由卵期發(fā)育至成蟲期的過程中的蟲蝕規(guī)律，并將二維特征與三維特征相結(jié)合，構(gòu)建原始特征空間，應(yīng)用模擬退火算法對特征進行優(yōu)化，選取最優(yōu)特征組合，利用螢火蟲算法-支持向量機方法（FA-SVM）判別米象所處發(fā)育齡期，識別率達到95%以上，有效識別出侵染粒中米象所處發(fā)育齡期，為制定合理的糧蟲防治措施提供科學依據(jù)。

1 圖像采集及預(yù)處理

1.1 侵染粒樣本培育及設(shè)備

1.1.1 樣本培育

實驗采用的米象成蟲樣本來自于河南工業(yè)大學，糧粒為百農(nóng)207小麥品種。

將麥粒用水浸泡1 h，用電熱鼓風干燥箱烘干麥粒，使水分保持在15%左右。將3 000頭米象與100 g烘干后的麥粒混合，放入恒溫恒濕培養(yǎng)箱（30 ℃，70% RH）中培育，3 d后篩除成蟲，并將麥粒放入培養(yǎng)箱中繼續(xù)培育。自米象與麥粒混合后的第3、9、17、22、28天分別為卵期、低齡幼蟲期、高齡幼蟲期、蛹期和成蟲期，根據(jù)培養(yǎng)時間的不同選出處于不同發(fā)育齡期的侵染粒，并放入冰箱中冷凍，使侵染粒保持在該時期的狀態(tài)。

1.1.2 實驗設(shè)備

柜式錐束型Micro-μCT 100：瑞士SCANCO MEDICAL公司；HWHS-250型恒溫恒濕培養(yǎng)箱：金壇市儀都儀器有限公司；ML104型電子天平：梅特勒-托利多儀器有限公司；DHG9030（A）型電熱鼓風干燥箱：上海一恒科學儀器有限公司；TAL-2型干濕球溫度計：衡水創(chuàng)紀儀器儀表有限公司；QTH-C型糧食水分測定儀：北京綠野創(chuàng)能機電設(shè)備有限公司。

1.2 微計算機斷層掃描技術(shù)圖像采集

微計算機斷層掃描技術(shù)（micro computed tomography，Micro-CT）是一種非破壞性的3D成像技術(shù)，有著極高的分辨率，可以達到微米級別，具有良好的顯微作用，可以對目標的內(nèi)部結(jié)構(gòu)進行了解分析。Micro-CT常采用錐形X線束對樣本進行掃描，以獲得各向同性的容積圖像，提高空間分辨率和射線利用率。目前Micro-CT常用于活道動物組織生長情況的研究、材料科學、半導道材料和結(jié)構(gòu)、以及地質(zhì)學研究等領(lǐng)域。

本實驗利用Micro-CT掃描侵染粒樣本，得到不同齡期的侵染粒圖像投影數(shù)據(jù)，并利用FDK算法對投影數(shù)據(jù)進行重建，得到重建后的各齡期侵染粒的二維圖像如圖1所示。

1.3 圖像預(yù)處理

最大類間方差法（Ostu法）是由日本學者大津于1979年提出，該方法按照圖像的灰度特性，自動求取最佳閾值，將圖像分為背景和目標兩部分。

本實驗利用最大類間方差法求取最佳閾值，對圖1所示的重建圖像進行二值化處理，對二值化后的圖像進行邊界抑制，去除環(huán)形外圈，再利用聯(lián)通區(qū)域標記法去除小面積區(qū)域，最后對包含了蟲道的二值圖像進行填充操作，得到完整的蟲道二值圖像。各齡期蟲道二值圖像如圖2所示。

2 蟲道特征提取

米象在糧粒內(nèi)部發(fā)育過程中，其自身的體積、表面積、高度等特征有明顯的變化，且會對糧粒的紋理、灰度等特征造成影響，故試驗共提取了蟲道的二維形態(tài)學特征、三維特征、灰度值基本統(tǒng)計特征及基于特征變換的紋理特征。

2.1 二維形態(tài)學特征

3 特征優(yōu)化與齡期判別

本文共提取了43個特征，構(gòu)建原始特征空間。因原始特征空間太大，對算法運行帶來不便，且冗余特征較多，影響了識別的效率和精度，故需對原始特征空間進行優(yōu)化，選取最優(yōu)特征組合。本文利用模擬退火算法對原始特征空間進行特征優(yōu)化選擇。

3.1 特征優(yōu)化組合

模擬退火算法（SA）是基于迭代求解策略的一種隨機尋優(yōu)算法。模擬退火算法從某一較高溫度出發(fā)，隨著溫度的下降，結(jié)合概率在解空間中隨機尋找目標函數(shù)的全局最優(yōu)解。本文利用模擬退火算法對原始特征空間進行特征優(yōu)化組合，以交叉驗證識別率作為選擇依據(jù)，當優(yōu)化選擇特征組合為蟲道高度、最大橫截面積、最小外接矩形長、寬、擬合橢圓短軸長、等價圓直徑、周長、體積、表面積、復雜度、灰度統(tǒng)計特征、三階矩、一致性、平滑度共計16個特征時，交叉驗證識別率達到最高為93%。

3.2 蟲道齡期判別

螢火蟲算法（Firefly Algorithm）是一種啟發(fā)式智能算法。它是根據(jù)螢火蟲閃爍的行為，把螢火蟲的閃光作為一個信號系統(tǒng)，以吸引其他的螢火蟲，吸引力與亮度呈正比。對于任意兩個螢火蟲，不夠明亮的螢火蟲會被吸引，移動至更亮的螢火蟲，而本身亮度又會隨著其移動距離的增加而減少，如果沒有比自身更亮的螢火蟲，則自身會隨機移動。試驗選取5個時期共200個樣本數(shù)據(jù)進行訓練和測試，其中每個齡期有30個訓練樣本和10個檢測樣本，并利用螢火蟲算法對SVM的c、g參數(shù)進行優(yōu)化，選取最佳參數(shù)組合，對蟲道齡期進行判別，識別率達到96%，識別結(jié)果如圖3所示。

由圖3可知，利用FA-SVM技術(shù)有效地識別出處理不同齡期的蟲道，只有低齡幼蟲期和卵期共2個蟲道樣本被識別錯誤，有良好的識別精度。

4 結(jié) 論

（1）利用分辨率更高的Micro-CT采集侵染粒圖像，可有效觀察到糧粒內(nèi)部的結(jié)構(gòu)變化，并可觀察到不同齡期的侵染變化，為研究蟲蝕規(guī)律提供依據(jù)。

（2）提取了蟲道的三維特征信息，分析了糧粒內(nèi)部米象由卵期發(fā)育至成蟲期蟲道的大小、體積等變化規(guī)律，并提取了蟲道的二維形態(tài)學特征以及基于灰度共生矩陣的紋理特征等，構(gòu)建了原始特征空間，為判別蟲道所屬齡期提供依據(jù)。

（3）利用模擬退火算法優(yōu)化原始特征空間，選取最優(yōu)特征組合，有效去除冗余特征信息，并利用螢火蟲算法優(yōu)化支持向量機參數(shù)組合。根據(jù)優(yōu)化后的特征對蟲道樣本進行齡期判別，正確率達到96%，只有兩個樣本被誤識。有效識別出樣本中蟲道所屬齡期，為采取合理的糧蟲防治措施提供了科學指導。

（4）本文在糧粒內(nèi)部米象齡期識別方面取得了一些進展，也存在需改進的地方。在特征提取方面可能存在一些未提取的更便于識別的有效特征，可以通過提取具有較強表示能力的特征來提高識別率。

參 考 文 獻

[1]康雅青. 中國糧食儲藏問題研究[J]. 現(xiàn)代商業(yè)， 2013（11）：49.

[2]錢志海，張超，付松林.儲糧害蟲實倉在線檢測識別技術(shù)研究現(xiàn)狀與展望[J].糧食科技與經(jīng)濟，2021，46（2）：105-108.

[3]唐黎標. 儲糧害蟲防治現(xiàn)狀與問題研討[J]. 糧食問題研究， 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(nóng)業(yè)工程學報， 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