糧蟲圖像識別檢測技術研究現狀與展望

程尚坤， 張德賢， 張 苗

(河南工業大學信息科學與工程學院/糧食信息處理和控制教育部重點實驗室，河南鄭州 450001)

?

糧蟲圖像識別檢測技術研究現狀與展望

程尚坤， 張德賢， 張 苗

(河南工業大學信息科學與工程學院/糧食信息處理和控制教育部重點實驗室，河南鄭州 450001)

為促進圖像識別檢測技術在我國糧情測控領域的應用研究，從預處理、特征提取、識別分類和種群密度估計4個方面，概述和分析了計算機圖像識別檢測技術在糧蟲自動識別中的發展現狀，提出今后應從圖像自動采集裝置的研制、糧蟲圖像的有效特征獲取、高適應分類器的設計、糧蟲種群密度的估計、多種檢測技術的融合等方面開展深入研究，為科學規范糧蟲防治工作提供更好的決策支撐。

糧情測控；圖像識別；害蟲檢測；種群密度；糧蟲防治

糧食作為重要的生活物資，在經濟快速發展的今天對社會穩定起著舉足輕重的作用。儲糧害蟲(簡稱糧蟲)的危害帶來糧食減產和品質下降，是儲糧行業亟待解決的問題之一[1-2]。為有效防治這種危害，定期對糧蟲進行檢測至關重要，糧蟲檢測技術也引起各國研究者的重視。當前國內外檢測糧蟲的方法除了傳統的扦樣法，還有新型的聲測法、食物引誘法、氣味分析法、近紅外法和圖像識別法等[3]。其中圖像識別法因具有高識別率、操作簡易、成本低廉等方面的優勢，是近年來糧蟲防治領域的研究熱點和主要技術手段[4-8]。筆者簡要概括和評述了糧蟲圖像識別檢測技術預處理、特征提取、識別分類和種群密度估計4個過程的研究發展現狀，為今后開發精準高效的糧蟲檢測系統提供新的思路。

1　糧蟲圖像識別檢測技術的研究現狀

1.1預處理預處理是糧蟲圖像識別檢測技術的首要環節。通過圖像預處理，一方面可以解決因采集裝置、環境、人為因素等引起的圖像質量差的問題；另一方面可以解決因種類多、體形小和形態結構復雜而帶來的準確率低的問題。如張成花[9]利用自適應鄰域平均法進行圖像去噪，去噪同時還保持了邊緣信息，濾波后的圖像效果很好。在保持原圖像邊緣及輪廓的同時，將目標內小間斷連接起來，張紅濤[10]運用灰度數學形態學方法做圖像平滑處理，平滑過后的視圖效果較好。為解決圖像采集過程中受到震動、光照不均、傳感器靈敏度而導致圖像某種程度的失真問題，圖像增強必不可少[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濾波的圖像增強算法，在避免繁瑣數學變換的基礎上，自適應調整高斯噪聲方差，以提高奇異值矩陣方式促進目標圖像的增強。周龍等[14-15]將小波變換和數學形態學方法應用于糧蟲預處理，利用局部極大值檢測提取圖像的邊緣信息，得出清晰的特征圖像。在機器視覺的糧蟲圖像邊緣檢測中，針對模糊增強技術計算時涉及矩陣求逆運算復雜、噪聲增加等特點，周龍[16]提出了快速模糊邊緣檢測方法，效果較好。在視頻圖像序列模式下，廉飛宇等[17]、付麥霞等[18]面對運動目標檢測和分割問題，提出了用色彩塊和HVS色彩差值相結合的運動目標檢測算法來提取糧蟲的靜態圖像。為解決部分糧蟲種類的高相似度而導致低識別率問題，胡玉霞等[19]提出了一種多分辨率的圖像分析預處理方法，并通過試驗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圖像識別檢測技術的關鍵，因此獲取圖像有效特征的方法成為了研究重點[20-21]。糧蟲圖像的特征不是越多越好，大量的特征固然有益于識別精度的提高，但若提取特征太多，不僅增加了算法的計算量和復雜度，而且特征之間的高相關性會造成更多的混淆與不確定性，反而會降低精度[22]。行之有效的方法是通過簡化表征或壓縮圖像特征的方式提取有效特征以提高糧蟲的識別精度。如邱道尹等[23]利用計算機數字圖像處理技術，張紅濤等[24]運用蟻群優化算法，均從大谷盜、谷蠹、綠豆象等害蟲多維形態學特征中選出最優的特征子空間。面對高維圖像的處理，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、邊緣相對應，能很好的壓縮和表征糧蟲圖像的特征。張紅濤等[26]提出一種基于核Fisher判別分析的糧蟲特征壓縮方法，用以解決糧蟲種類數目多、類別之間高相似度的問題，通過非線性變換將Fisher判別分析后的原始特征數據進行映射，然后在高維空間進行特征分類提取，試驗表明該法提高了類別之間的辨識度。糧蟲圖像的特征多種多樣，張紅梅等[27]、甄彤等[28]、范艷峰等[29]對比人工形態分類法，分別從數理統計、紋理和幾何形態3個層面自動提取靜態糧蟲圖像的特征，此法為糧蟲自動檢測識別提供了穩定的特征參數值，有效提高了識別率。紋理是昆蟲進行分類的重要依據，Zhao等[30]、黃世國等[31]提出利用Gabor濾波器提取昆蟲圖像紋理特征的方案，為糧蟲分類打下良好的基礎。為更大程度地提高識別準確度和糧蟲種類數量，張紅濤等[32]通過自動判別糧蟲頭部和尾部，利用基于興趣點的區間對偶點分析方法來提取特征，試驗表明這種普適有效的局部形態特征提取方案可以解決倉儲害蟲識別分類中的多種類高精度難題。

1.3識別分類識別分類是圖像識別檢測技術的核心環節，面對小樣本、多參數和高相似度特征的糧蟲分類問題，良好的分類器設計是糧蟲自動檢測系統的成敗關鍵。為此，張紅濤等[33]提出基于支持向量機(SVM)的儲糧害蟲圖像識別分類，依靠網格搜索法，在SVM交叉驗證訓練模型識別率為判別基準下對參數進行優化，通過對倉儲中的9類害蟲進行識別分類，達到93%以上的識別率。SVM以其出色的學習能力、良好的泛化性能已成為機器學習領域研究熱點，應用于糧蟲圖像識別分類器設計，具有良好的分類性和魯棒性[18，24-25]。甄彤等[34]采用三幀差分法進行谷物害蟲圖像提取，提出一種基于多類SVM分類器方法對糧蟲進行快速鑒定和分類，利用SVM結構風險最小化原則，選擇鋸谷盜等3種谷物進行實驗，取得了較好的效果。張紅濤等[32]提出一種有效的倉儲害蟲局部特征提取方法，將模擬退火算法(SAA)應用到SVM分類上，對谷蠹、米象等15類常見害蟲進行檢測，達到94.8%的識別率。在數據不精確、不完備的情況下，廉飛宇等[17]提出了一種粗糙集方法的儲糧害蟲識別算法，即使訓練樣本沒有進行特征提取，仍可得到較高的識別率，并隨著新數據輸入，系統正判率不斷得到提高。邱道尹等[23]提出將遺傳(GA)算法和BP神經網絡算法相結合方法完成粗精度、給定精度的學習然后用來訓練神經網絡，通過第3代儲糧害蟲取樣裝置對玉米象等4種害蟲進行取樣分類，做到全部正確識別。盧軍等[35]利用計算機視覺檢測技術以及自組織特征映射神經網絡技術,對糧倉4類常見害蟲進行無損檢測，識別率為91.7%。沈國峰等[36]同樣使用BP神經網絡實現糧蟲分類，在分類的過程中利用貝葉斯正則化優化算法對學習過程加以改進，實驗表明該算法收斂速度快、識別精度高、泛化能力優，在實際應用中有一定的可行性。

1.4種群密度估計種群密度的估計是糧蟲防治的決策依據，同時又以糧蟲的識別分類為前提，準確的識別才能有效的密度估計，最終進行科學的防治，把蟲害數量控制在經濟損害水平之下[37]。我國《糧油儲藏技術規范》規定，糧蟲種群密度是根據糧蟲活蟲的數量進行劃分的，因此只需對活蟲進行計算和分類[38-39]。傳統的糧蟲種群密度的估計使用扦樣法，儲糧活蟲的人工檢驗法耗時，效率又低，而且會出現人眼誤判而將活蟲、死蟲混淆的現象。當前大多數識別方法，只能單一地對糧蟲進行分類計數，無法辨別其死活，即使多數活蟲展現到處活動的狀態，可依然有較小部分害蟲受到驚嚇而表現出“假死”現象，因此僅僅依靠捕獲糧蟲的爬行狀態是不能克服假死問題的[40]。當前的糧蟲識別方法通常直接處理未篩分過的糧食樣本，或者以人工方式篩分活死蟲后再進行識別，2種方式均不能有效區分活、死蟲，將很大程度影響糧蟲檢測的效果[33]。然而張紅濤等[41]開發出一種基于可見光-近紅外的儲糧活蟲自動檢測系統，能快速地對危害嚴重的9類倉儲活蟲進行自動篩分和除塵，篩分率達96.06%，該系統為儲糧活蟲的自動檢測奠定了基礎。

2　研究展望

2.1圖像自動采集裝置的研制圖像采集裝置是影響系統檢測效率的首要因素，由于糧蟲生長特性差異外部糧蟲和內部糧蟲的檢測應有不同的設計。外部糧蟲的識別，從提高識別率和縮減圖像預處理工作量方面考慮，只需將糧蟲與雜質傳輸至攝像頭下方，因此應設計糧蟲、雜質與糧食自動分離的圖像采集傳輸裝置。從方便糧蟲檢測考慮，內部糧蟲的識別應設計成自動傳輸單層糧食的圖像采集傳輸裝置。

2.2糧蟲圖像的有效特征獲取圖像的有效特征提取是圖像識別檢測技術的重點，因此深化特征獲取技術成為了必然。具體可從以下兩方面進行研究：①糧蟲的多特征獲取。目前倉儲中的糧蟲有200多種，大多為棕褐色，個體形態之間差別很小，有些糧蟲之間的差別微乎其微，大大增加了自動識別的難度。因此必須進行糧蟲的多特征提取，形態學、顏色、紋理以及無量綱等一切可供識別分類的特征均可提取。②糧蟲有效特征的提取。從分類器設計的角度分析，訓練過程樣本數與糧蟲圖像特征數呈指數關系增長，龐大的特征量不僅會增加糧蟲識別的計算量，還會降低糧蟲的識別精度。因此通過簡化表征或壓縮糧蟲圖像特征進行有效特征提取是很有必要的。

2.3高適應分類器的設計分類器設計是圖像識別檢測技術的核心環節，也是研究的重中之重。具體可從3個方面進行研究：①良好的適應性。分類器的設計不僅僅要滿足常見的小樣本、非線性、高維數的情況，還需適應大樣本、非線性、高維數等情況。②適度復雜性的算法。復雜的算法易出現“過學習”現象，結果會降低糧蟲的識別率，所以算法復雜性要適度。③自學習功能的分類器。帶有自學習功能的分類器，不僅在訓練的過程中有修正功能，在測試的過程中還能主動學習，并隨著新數據的輸入，系統的正判率不斷提高，以適應不斷變化的糧蟲特征。

2.4糧蟲種群密度的估計種群密度的估計是糧蟲危害評估的科學依據，也是害蟲防治得以有效實施的前提和保證。具體可從3個方面進行研究：①復雜條件下糧蟲的識別。采集的圖像信息在某些情況下會受到草籽、殘缺糧粒、光照不均等內外多種因素的影響，需建立復雜干擾源下糧蟲圖像識別檢測體系，研究相應的識別方法。②多狀態糧蟲的識別。糧蟲從幼蟲到成蟲再到死蟲，以及成長過程中出現的假死狀態，每種狀態會呈現出許多相同、相似或者不同的特征，因此針對不同狀態下的糧蟲的識別要分別建立相應的處理方案，進行多技術信息融合。③估計精度和計算量。通過有效特征的獲取和高適應分類器提高種群密度的精度估計，降低計算量，達到既能對簡單蟲數進行統計，又能消除糧蟲間粘連、姿態各異、顆粒遮擋等不利因素的影響，能識別更多相似度比較高的害蟲，進而實現準確高效的糧蟲種群密度估計[39]。

2.5多種檢測技術的融合由實際應用中的使用情況來看，單一的技術很難滿足倉儲糧蟲的識別檢測，多種檢測技術的融合才是糧蟲檢測的趨勢。可以將可見光、X射線、近紅外、光譜探測等多種傳感信息技術融合，用以解決單個技術難以完成的功能。如利用近紅外法和軟X射線法對糧粒內部害蟲檢測的特有優勢，可以實現蟲卵或小幼蟲的檢測。將聲音檢測法和圖像識別法相融合，利用害蟲吃食聲定位，能準確檢測出糧蟲的位置、種類和密度。

3　結論

前期的研究學者取得大量顯著的成果，為當前圖像識別技術的研究打下良好的基礎，但是現有的圖像識別技術依然有些許的不足之處有待改進。該研究在總結和吸收國內外糧蟲圖像識別檢測技術研究成果基礎之上，圍繞圖像自動采集裝置的研制、糧蟲圖像的有效特征獲取、高適應分類器的設計、糧蟲種群密度的估計和多種檢測技術的融合等方面做出分析與展望，希望能為糧蟲的綜合防治提供可靠的決策支撐，開發出更可靠、更精確、更高效、更廉價的糧蟲自動檢測系統。

[1] 胡麗華，郭敏，張景虎，等.儲糧害蟲檢測新技術及應用現狀[J].農業工程學報，2007，23(11):286-290.

[2] 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.

[3] 徐昉，白旭光，邱道尹，等.國內外儲糧害蟲檢測方法[J].糧油倉儲科技通訊，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.利用圖像處理技術檢測糧倉害蟲的研究[J].鄭州工程學院學報，2001，22(1):78-81.

[7] 黃凌霄.基于圖像處理的儲糧害蟲檢測方法研究[D].武漢：武漢工業學院，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.基于圖像識別的儲糧害蟲分類的研究[D].鄭州：鄭州大學，2002:1-59.

[10] 張紅濤.儲糧害蟲圖像識別中的特征抽取研究[D].鄭州：鄭州大學，2002:1-60.

[11] 張衛芳.基于圖像處理的儲糧害蟲檢測方法研究[D].西安：陜西師范大學，2010:1-57.

[12] 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，2010，38(7):119-121.

[13] 牟懌，周龍.基于奇異值分解與同態濾波的糧蟲圖像增強[J].中國糧油學報，2011，26(2):108-110.

[14] 周龍，牟懌.二維小波變換在糧蟲圖像處理中的應用[J].華中科技大學學報，2007，35(8):24-26.

[15] 周龍，黃凌霄，牟懌，等.數學形態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，2008，36(2):85-87.

[16] 周龍.基于機器視覺的儲糧害蟲圖像模糊檢測方法研究[J].計算機應用與軟件，2005，22(8):24-25.

[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].河南農業大學學報，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].計算機與數字工程，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糧害蟲圖像預處理研究[J].農機化研究，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.基于聲信號的儲糧害蟲檢測方法的研究與發展[J].中國糧油學報，2011，26(12):123-127.

[22] 安瓊，楊邦杰，郭琳.面向對象的多光譜圖像特征遺傳選優方法[J].農業工程學報，2008，24(4):181-184.

[23] 邱道尹，張成花，張紅濤，等.神經網絡在儲糧害蟲識別中的應用[J].農業工程學報，2003，19(1):142-144.

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

[25] 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].河南工業大學學報，2006，27(1):21-28.

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

[27] 張紅梅，范艷峰，田耕.基于數字圖像處理技術的儲糧害蟲分類識別研究[J].河南工業大學學報，2005，26(1):19-22.

[28] 甄彤，范艷峰，周炳強，等.谷物害蟲圖像識別中特征值提取技術的研究[J].微電子學與計算機，2005，21(12):111-115.

[29] 范艷峰，甄彤.谷物害蟲檢測與分類識別技術的研究與應用[J].計算機工程，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，周明全，耿國華.一種角度無關的Gabor-SVM昆蟲識別[J].小型微型計算機系統，2010，31(1):143-146.

[32] 張紅濤，李芳，胡玉霞，等.倉儲害蟲局部形態學特征提取方法研究[J].河南工業科學，2014，43(2):84-87.

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

[34] 甄彤，范艷峰.基于支持向量機的儲糧害蟲分類識別技術研究[J].計算機工程，2006，32(9):167-169.

[35] 盧軍，王賢鋒，趙立飛.自組織特征映射網絡在儲糧害蟲分類中的應用[J].農機化研究，2009，2009(4):184-185.

[36] 沈國峰，程莜勝，戴寧，等.基于貝葉斯正則化BP網絡的糧蟲分類識別研究[J].安徽農業科學，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] 國家糧食局.糧油儲藏技術規范：LS/T 1211—2008[S].北京：中國標準出版社，2008.

[39] 王貴財，張德賢，李保利，等.糧蟲視覺檢測技術的現狀與展望[J].中國糧油學報，2014，29(4):124-127.

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

[41] 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硬件設計[J].農業機械學報，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

國家高技術研究發展計劃“863”計劃課題(2012AA10608)。

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

2016-05-27

S 126

A

0517-6611(2016)19-272-03