基于軟X射線成像的儲糧害蟲米象生長階段檢測

邵小龍，楊曉靜，徐水紅，李 慧，Jitendra Paliwal

·研究速報·

基于軟X射線成像的儲糧害蟲米象生長階段檢測

邵小龍1，楊曉靜1，徐水紅1，李 慧1，Jitendra Paliwal2

（1. 南京財經大學食品科學與工程學院，南京 210023；2. 馬尼托巴大學生物系統工程系，溫尼伯 R3T 2N2，加拿大）

為了準確檢測單粒小麥內部是否感染米象（），利用軟X射線成像檢測技術對感染不同生長階段米象的小麥顆粒進行成像，試圖通過圖像分析來確定小麥內部米象的幼蟲、蛹和成蟲等不同生長階段，并利用隨機重復抽樣建模來評價結果可靠性。通過對被感染米象蟲卵不同天數小麥的圖像分析發現，圖像灰度分布直方圖隨感染天數變化明顯，低灰度值區域（灰度值為10～102）的灰度區域像素點隨感染天數增加而減少，中灰度（灰度值為103～162）和高灰度區域（灰度值為163～232)則隨感染天數增加而增多。使用包括圖像灰度分布和紋理特征等47個特征值，利用線性判別分析（Linear Discriminant Analysis，LDA）與二次判別分析（Quadratic Discriminant Analysis，QDA）建立判別模型，并通過多次隨機重復抽樣（1 000次）對模型預測效果進行評估分析。結果表明：在95% 置信區間下，在感染與未感染小麥的分類判別中，LDA的判別準確率都在76%以上，除幼蟲外生長階段判別正確率達到95%以上；而QDA的平均判別準確率較低且判別誤差也相對較高。因此，該研究使用隨機重復抽樣方法LDA模型判別小麥是否受到米象感染和區分不同生長階段是準確可靠的。

糧食；儲藏；害蟲檢測；X光成像；隨機重復；抽樣建模

0 引 言

造成中國小麥儲藏損失的主要因素是隱蔽性儲糧害蟲，典型代表有玉米象、米象、谷蠹等，其幼蟲能夠滲透到谷物籽粒內生長，以胚乳為食，成蟲后從籽粒內部破壞外殼，然后擺脫其寄主籽粒繼續繁殖活動[1]。由于隱蔽性害蟲整個生命周期幾乎完全在小麥籽粒內部，因此，在剖開糧粒或染色處理前，很難確定隱蔽性害蟲的存在。隱蔽性害蟲的盡早檢出是提高儲糧安全和品質的重要保障，因而加強儲糧害蟲檢測研究對糧食倉儲和進出口檢疫檢驗等部門顯得極為重要。

X射線具有穿透性，X光子穿透物料時與其原子發生作用，進而造成X射線能量衰減，其衰減度與需檢測物的組分、厚度和發射能量有關。X射線成像利用X射線可以穿透物質并被其衰減的特性來實現對樣品內部物質結構的直接成像，因其在檢測農產品內部異物上具有獨特優勢[2]，已廣泛應用于谷物、肉制品、堅果等內部品質無損檢測研究[3-5]。當糧粒內部受到隱蔽性害蟲感染時，糧粒密度會發生改變，X射線的透射率也隨之改變，故可以與正常糧粒區分開來[6]。早在1950年，Milner等[7]用X光技術檢測小麥感染米象的研究，發現小麥被感染5 d后就能從X光膠片原圖上區分出來，緊接著用于玉米、稻谷和大豆的隱蔽性儲糧害蟲檢測，結果表明從X光原圖能清楚觀察到內部感染害蟲整個發育生長過程[6]。后來X射線成像作為快速無損檢測隱蔽性害蟲感染的方法被國內國際標準采用[8-9]，但仍然依賴檢驗人員的經驗判斷。為減少人工識蟲的主觀性，很多研究者提出用機器視覺技術來識別糧粒內部感染害蟲。Keagy等[10]使用拉普拉斯模板圖像增強及閾值分割等技術處理麥粒內部害蟲谷象X光圖像，對第四齡幼蟲識別正確率超過50%。Karunakaran等[11-14]設計了麥粒侵染自動檢測系統，利用圖像顏色、紋理和形狀等特征，結合線性參數和BP神經網絡等分類器對儲糧害蟲米象、赤擬谷盜等幼蟲四階段、蛹和成蟲進行分類研究。近幾年，隨著CT技術的發展，錐形光束X射線源和三維重建成像技術被用于糧粒內害蟲的檢測研究，該技術能夠檢測生長期早期隱蔽性害蟲甚至蟲卵[15-17]。三維CT與二維X光成像技術相比，在害蟲檢測上表現出一定的優勢，但因成像時間長、圖像三維重建技術存在一定的難度，以及三維圖像后處理困難等，目前還在初步研究階段。

盡管部分試驗研究結果表明用X射線成像檢測害蟲感染自動識別率能達到90%以上甚至100%[11-14,18]，但實際操作中卻表現出較低的識別率，試驗難以重復。由于數據采集、抽樣、建模等各環節均存在隨機性，這些都會給模型預測帶來不確定性[19]。比如，隨機數種子的初始值設置不固定，那么將試驗數據隨機分割成訓練集和測試集具有一定的隨機性，導致預測模型會因訓練集的變化而不同，造成同樣試驗數據和同樣算法模型會得到不同的預測結果。因此可推斷模型評價參數應在一定取值范圍內，而不是一個特定值。為客觀認識這個問題，需要用多次隨機重復來進行抽樣和建模，得到一定數量的模型預測效果評價參數，并用統計參數表示。本研究利用X射線成像獲取被米象感染小麥的圖像，首先通過圖像直觀地觀察米象的生長情況，提取圖像的灰度直方圖特征，通過像素點的分布差異分析成像變化；然后利用線性判別分析（Linear Discriminant Analysis，LDA）和二次判別分析（Quadratic Discriminant Analysis，QDA）方法對感染米象的小麥圖像建立判別模型，并采用隨機重復抽樣建模對判別結果進行評估分析，以期得到穩健可靠的判別結果，為后續升級軟硬件提供可靠的評估手段，從而達到糧食內隱蔽性害蟲的準確快速檢測的目的。

1 材料與方法

1.1 試驗樣品

試驗小麥為加拿大紅色硬質冬麥。試驗樣蟲米象為加拿大曼尼托巴大學谷物研究中心繁殖多代的種群，其培養溫度是（28 ± 1）℃，培養相對濕度是65% ± 2%。

1.2 主要試驗儀器與設備

X射線成像系統主要包括：X射線源（LX-85708，美國Lixi公司）；圖像采集裝置（XC-75/75CE型CCD黑白照相機，日本索尼公司）；計算機裝置（5300系列，美國休斯頓康柏電腦公司）。

1.3 試驗方法

1.3.1 小麥樣品前處理

利用谷物選篩篩去小麥中的各種雜質，將除雜后的小麥置于-30℃的冰箱中24 h，以殺滅小麥中可能存在的蟲卵[20]。取出小麥，平衡至室溫待用。

1.3.2 被米象感染的小麥樣品準備

挑選羽化半個月后的成蟲作為母代樣蟲，將500頭米象分別接入100 g小麥樣品中，在28 ℃、相對濕度為65%的恒溫恒濕箱中培養。48 h后移出所有成蟲，并根據米象的生物學參數每隔5 d定期進行檢測（遇周末、節假等非工作日會作提前或延后調整）。

1.3.3 軟X射線成像測定

先將單粒小麥置于樣品臺上（用保鮮膜制成），關閉樣品門，然后打開X射線開關。其成像參數為：電源電壓12.02 V、管電壓15.50 kV、管電流0.80A、焦點尺寸為62.5m。采集到的圖像數字化為8位灰階圖像保存，其分辨率為60 pixels/mm，每次成像為單粒小麥成像。

1.3.4 圖像特征值提取

目標圖像用MATLAB2018a程序通過簡單閾值法從背景中分離出來。為了消除背景的影響，選取灰度值范圍在10～232之間，第一組的灰度值范圍是10～72，余下的16組每10個灰度級分為一組，共17組值[14]；用MATLAB軟件提取包括在圖像0°、45°、90°和135°4個不同方向獲取的能量、熵、對比度以及相關性的灰度共生矩陣特征值16個，并對4個方向的特征值取平均值以及做標準偏差，共8個參數；繼續提取灰度圖像包括長程、短程、運行百分比、灰度不均勻性、低灰度運行和運行長度不均勻在內的6個灰度游程矩陣特征值[21-23]；采用共計47個圖像特征參數為后續建模分析。

1.3.5 數據準備和模型驗證

米象為完全變態昆蟲，具備蟲卵、幼蟲、蛹和成蟲4個生長階段。試驗用X光設備因成像清晰度低，不能觀察到蟲卵，但能夠觀察到卵孵化后的幼蟲、蛹和成蟲，以及破殼后的蛀空糧粒。因含未孵化蟲卵粒對糧食品質影響極小，將含卵小麥粒視為未感染樣品（即對照樣）。因此將拍攝的軟X射線照片分為未感染小麥（uninfested）、幼蟲（larva）、蛹（pupa）、成蟲（adult）和蛀空麥粒（Insected-Damaged Kernel，IDK）五大類，進行分類判別分析。選取未感染小麥粒（含未孵化蟲卵粒）、內部有幼蟲小麥粒、內部有蛹小麥粒、內部有成蟲小麥粒以及蛀空無蟲小麥粒的圖片各50幅。

模型的性能與其對測試獨立數據的預測能力有關，交叉驗證方法能較好的評價模型的泛化能力[24-25]，為了比較不同方法的分類和預測性能，本文采用SAS系統自帶的留一法進行交叉驗證。為評估訓練集/測試集的隨機劃分對預測模型效果的影響，運用多次隨機重復的抽樣方法（本文以1 000次為例）將試驗數據隨機劃分，其中訓練和測試數據量比例為9：1，計算預測準確率的均值及誤差和在95%的置信區間的準確率。

1.3.6 數據分析方法

先采用線性判別分析（LDA）和二次判別分析（QDA）兩種分類方法對未感染與不同感染階段小麥進行判別分類，然后進行顯著性差異分析。數據分析采用SAS9.4（SAS研究所，美國）的PROC DISCRIM和ANOVA程序完成。

2 結果與分析

2.1 被米象感染不同天數后小麥的軟X射線成像

米象從蟲卵發育到成蟲都一直在小麥顆粒內部，成蟲后破殼而出。在小麥內部不同生長天數米象的X射線成像得到圖像如圖1所示。由圖1可知，從第12天開始可以觀測到小麥內部有蟲，根據米象的形態學特征可以判斷出為米象幼蟲。隨后米象不斷發育生長，米象蟲態圖也越來越清晰。因此16 d后米象的幼蟲、蛹期、成蟲及蛀空都可以很好判定出來，其中12～21d米象處于幼蟲階段，第25d處于蛹期，第35d處于成蟲階段。由于機器硬件原因，成像不夠清晰，對X射線圖像進行了圖像增強處理得到圖2，可以明顯看出經過增強處理后小麥內部米象的形態結構更加清晰。

灰度圖像直方圖表示圖像每個亮度級別的像素數量，顯示不同灰度值像素點在圖像中的分布情況。圖3是小麥被米象感染不同天數后的圖像灰度直方圖，各感染天數的小麥像素分布區別明顯，圖像灰度直方圖隨感染天數變化有一定的趨勢。低灰度區域即灰度值為10～102的灰度區域像素點隨感染天數增加而減少，主要是因為米象蟲卵孵化后，就地取食小麥內部物質，導致小麥內部密度降低，造成X射線能量衰減降低，從而使得低灰度值像素點減少、中灰度（灰度值為103～162）和高灰度（灰度值為163～232）區域則隨感染天數增加而增多。隨著米象幼蟲生長（21 d），發育到蛹期（25 d）、成蟲（35 d），被感染小米及蛀空粒的高灰度區域像素點增加明顯。該趨勢與前人研究趨勢一致[13]，說明米象的生長發育活動造成了糧粒X射線圖像灰度值一定規律的變化。

圖1 被感染小麥不同天數后的小麥顆粒X射線成像

圖2 被感染小麥不同天數后的小麥顆粒X射線成像增強處理后結果

2.2 米象在小麥體內生長階段及天數的分類結果與分析

基于圖像灰度分組像素點數以及灰度紋理特征值共47個參數進行感染小麥顆粒的判別分析，分別采用LDA和QDA對不同米象幼蟲、蛹、成蟲及蛀空小麥與未感染小麥進行成對分類，其判別正確率如表1所示。從表1可以看出，對幼蟲階段的感染小麥率LDA判別正確率比較低，均值為77.4%；對后續蟲態蛹期、成蟲即蛀空粒則判別正確率逐漸提高；對幼蟲的判別結果具有較大的誤差。由于此次試驗采用的X射線源焦點尺寸為62.5m，對比邵小龍等[18]采用微焦點射線源，焦點尺寸為8m，本試驗的圖像清晰度較低，因此采用同樣的LDA、QDA判別分析方法在成對分類判別準確率上遠低于邵小龍等[18]所述，同樣判別結果也有較大的誤差。除未感染小麥與幼蟲單獨分類以外，在95% 置信區間下LDA的判別準確率都達到95%以上，有的甚至達到99.9%，而QDA的判別準確率相對較低。

圖3 未感染/感染米象的小麥圖像灰度圖像像素直方圖

針對由于硬件原因造成的較低幼蟲感染階段判別正確率和較大誤差，本文采用多次隨機重復來抽樣建模，得到較為客觀的統計結果。多次隨機重復抽樣比單次抽樣或取均值更能反應實際檢測能力，為后期從硬件或算法改進上提升檢測能力提供較為可靠的評價方法。

表1 未感染與感染小麥粒成對分類LDA和QDA判別結果

為進一步考察基于X射線灰度圖像特征參數的蟲態判別能力，分別計算5類蟲態（未感染、幼蟲、蛹期、成蟲和蛀空糧粒）及3種感染程度（將幼蟲、蛹期以及成蟲統稱為正在感染階段）的判別結果。判別分類結果如表2所示，5類分類方法中，在95% 置信區間下LDA對未感染小麥、幼蟲與蛀空糧粒的平均分類準確率達到80%以上，對蛹期以及成蟲的分類準確率也都高于67%。由于小麥粒內處于蛹和成蟲期米象的蟲體尺寸比較接近，且糧粒內部蟲洞都較大，因此兩者圖像容易產生誤判，識別率降低。而對于幼蟲期米象來說，由于蟲體尺寸及蟲洞尺寸比蛹期和成蟲的蟲體小得多，因此誤判率較低，識別率較高。在3類分類方法中LDA的分類平均判別準確率都在88%以上。相對而言，在同樣的分類情況下，QDA的判別準確率就低很多，且通過分析1 000次重復抽樣對模型準確率進行評估分析，發現LDA分類方法的判別誤差比QDA小。當然也存在因硬件配置較低導致圖像清晰度低，與邵小龍等[18]研究相比，本試驗結果存在蟲態的判別正確率較低和誤差較大的情況。

表2 未感染與感染小麥不同害蟲生長階段分類LDA和QDA判斷結果

通過對上述結果分析發現，灰度直方圖分布和判斷準確率均隨著米象生長階段變化而有一定的規律。相比較未感染的小麥，受米象感染小麥直方圖的低灰度區域像素減少，高灰度值區域像素點增加，這與通過軟X射線法檢測受谷蠹感染的小麥和受谷象感染的大豆獲得的結果具有一致性[14,26]。當害蟲在小麥種子內部發育生長時，主要以蛀蝕小麥內部的胚芽和胚乳為主要營養來源，且在幼蟲階段隨著蟲齡的增加，米象進食量也隨著增加。米象通常在羽化成蟲一周左右從糧粒內部鉆出，此時的糧粒已經被蛀空，當在軟X射線下檢測時其射線透過率更高，因此X射線圖像區域更亮。Karunakaran等[11-14]研究X射線成像檢測米象、赤擬谷盜、谷蠹等隱蔽性害蟲感染自動識別率能達到90%以上甚至100%。從表2和表3可知，在95%的置信區間外，很多分類的判別正確率也能達到90%以上甚至100%。但從統計學的角度來看，這些結果并不可靠。在采用相同的X光設備和圖像識別算法的前提下，盡管本試驗得到對米象生長階段判別的正確率偏低，但是由于采用多次隨機重復抽樣建模方法，增強了本試驗結果可靠性。同時也說明本試驗所采用的X光設備、圖像特征提取和算法上還有很大改進空間，例如后續收集大量的圖像樣本，采用更高清晰度的X光成像設備和改進算法等。

3 結 論

本文主要通過軟X射線成像對小麥內部害蟲米象進行檢測，對圖像進行灰度直方圖分析以及基于灰度圖像像素點和紋理特征值進行LDA與QDA的判別分析，并采用重復抽樣法對模型預測結果進行評估分析，主要結果如下：

1）根據經軟X射線檢測后獲得的圖像可以看出，在米象生長的第12天可以直接觀察到米象幼蟲，并隨著米象生長活動和形態變化，活動空間和體積增大而容易被從成像上識別；通過圖像灰度直方圖分布分析可知，米象生長活動使得圖像低灰度值像素點減少、中灰度和高灰度區域則隨感染天數增加而增多。

2）通過LDA和QDA對受感染小麥進行分類識別，發現在95%置信區間下，LDA的判別準確率要比QDA高，且1 000次重復抽樣產生的判別誤差值要比QDA低。隨著米象的體積增大和形態變化，識別準確率也隨之增加。當未感染小麥分別與幼蟲、蛹、成蟲及蛀空小麥成對分類時，LDA的平均判別準確率都在76%以上，除幼蟲外生長階段判別正確率達到95%以上；由于QDA存在較大的判別誤差，不適用于本試驗數據的分析。

3）利用多次重復抽樣技術和交叉驗證法，能夠解決以往研究中模型預測結果過擬合和模型泛化能力弱的問題，在后續試驗操作中也很容易重現。同時也表明基于隨機重復抽樣LDA的X射線成像分析技術能夠在一定程度上可靠地判別小麥是否受到米象感染，并區分不同的生長階段。

[1] 李隆術. 儲藏物昆蟲學[M]. 重慶：重慶出版社，2009.

[2] Kotwaliwale N, Singh K, Kalne A, et al. X-ray imaging methods for internal quality evaluation of agricultural produce[J]. Journal of Food Science and Technology, 2014, 51(1): 1-15.

[3] Banga K S, Kotwaliwale N, Mohapatra D, et al. Techniques for insect detection in stored food grains: An overview[J]. Food Control, 2018, 94: 167-176.

[4] Dodd S, Barry M, Grant C, et al. Abnormal bone mineralization in a puppy fed an imbalanced raw meat homemade diet diagnosed and monitored using dual-energy X-ray absorptiometry[J]. Journal of Animal Physiology and Animal Nutrition, 2019, 234:1041–1048.

[5] Nagaraju A, Babu T R, Babu B S. Detection of hidden insect infestation in small and bold seeded varieties of groundnut by standardizing X-ray radiography[J]. Environment and Ecology, 2017, 35(4E): 3650-3655.

[6] Milner M, Lee M R, Katz R. Radiography applied to grain and seeds[J]. Food Technology, 1952, 6(2): 44-45.

[7] Milner M, Lee M R, Katz R. Application of X-ray technique to the detection of internal insect infestation of grain[J]. Journal of Economic Entomology, 1950, 43(6): 933-935.

[8] 國家糧食儲備局成都糧食儲藏科學研究所. GB/T24534. 谷物與豆類隱蔽性昆蟲感染的測定[S]. 北京：中國標準出版社，2009.

[9] Technical Committee for Cereals, pulses and derived products. ISO6639. Cereals and pulses. Determination of hidden insect infestation[S]. Addis Ababa: Ethiopian Standards Agency, 1986.

[10] Keagy P M, Schatzki T F. Machine recognition of weevil damage in wheat radiographs[J]. Applications in Optical Science and Engineering, 1993, 70(6): 696-700.

[11] 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.

[12] 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.

[13] Karunakaran C, Jayas D S, White N D G. Soft X-ray inspection of wheat kernels infested by[J]. Transactions of the ASABE, 2003, 46(3): 739-745.

[14] Karunakaran C, Jayas D S, White N D G. Detection of internal wheat seed infestation byusing X-ray imaging[J]. Journal of Stored Products Research, 2004, 40(5): 507-516.

[15] 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)

[16] 張紅濤，常艷，譚聯，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)

[17] 張紅濤，朱洋，譚聯，等. 利用機器視覺識別麥粒內米象發育規律與齡期[J]. 農業工程學報，2020，36(2)：201-208. Zhang Hongtao, Zhu Yang, Tan Lian, et al. 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)

[18] 邵小龍，徐水紅，徐文. 基于軟 X 射線與低場核磁檢測小麥隱蔽性害蟲玉米象[J]. 中國糧油學報，2019，34(7)：101-106. Shao Xiaolong, Xu Shuihong, Xu wen. Detection of wheat kernels hidden pest sitophilus zeamais based on soft X-ray and low-field nuclear magnetic resonance[J]. Journal of the Chinese Cereals and Oils Association, 2019, 34(7): 101-106. (in Chinese with English abstract)

[19] Jason Brownlee. Embrace Randomness in Machine Learning[EB/OL]. [2019-08-12]. https://machinelearningmastery. com/randomness-in-machine-learning.

[20] Jayas D S, White N D G, and Muir W E. Stored-Grain Ecosystems[M], New York: Marcel Dekker Inc., 1995.

[21] Galloway M M. Texture analysis using grey level run lengths[J]. Computer Graphics and Image Processing, 1975, 4(2): 172-179.

[22] Haralick R M, Haralic RM. Statistical and structural approaches to texture[J]. Proceedings of the IEEE, 1979, 67(5): 786-804.

[23] Majumdar S, Jayas D S. Classification of cereal grains using machine vision: III. Texture models[J]. Transactions of the ASAE, 2000, 43: 1681-1687.

[24] Hastie T J. The elements of statistical learning[M]. Beijing: World Book Publishing Company, 2015.

[25] Shao X, Zhang Q, Li H, et al. comparison of different classification methods for analyzing electronic nose data to characterize sesame oils and blends[J]. Sensors, 2015, 15(10): 26726-26742.

[26] Chelladurai V, Karuppiah K, Jayas D S, et al. Detection of(F. ) infestation in soybean using soft X-ray and NIR hyperspectral imaging techniques[J]. Journal of Stored Products Research, 2014, 57(4): 43-48.

Detection of the growth stage of rice weevil as a stored-grain pest based on soft X-ray imaging

Shao Xiaolong1, Yang Xiaojing1, Xu Shuihong1, Li Hui1, Jitendra Paliwal2

(1.,,210023,; 2.,,R3T 2N2,)

In order to accurately detect whether the inside of wheat kernel was infected with rice weevil (), soft X-ray imaging detection technology was used to process the images of wheat grains infected with rice weevil at different growth stages. The different growth stages of rice weevil were determined by image, and the reliability of the results was evaluated by random repetition and discriminant analysis. Although some experimental research results show that the automatic recognition rate of pest infections detected by X-ray imaging could reach more than 90%, and even a high recognition rate of 100%, the actual operation shows that it is impossible to get a lower recognition rate by repeated detection. Due to the randomness of data collection, sampling, modeling, and other factors, these will bring uncertainty to the model prediction. For example, the initial value of the random number seed is not fixed, so the random division of the experimental data into a training dataset and a test dataset has absolute randomness, resulting in the prediction model will be different due to the change of the training dataset. Different prediction results are obtained on the same experimental data and the same algorithm. Therefore, it can be inferred that the evaluation parameters of the model should be within a certain range of values, rather than a single value. Because randomness is inherent, there is no way to avoid it. Random repeation and summary statistics of prediction performance measures are an excellent strategy.In this study, soft X-ray image technology was used to detect the hidden insectin wheat kernels. The different insect growth stages ofwere determined by taking pictures ofin wheat kernels by soft X-ray. The gray histogram features of different infection days were extracted, it is found that the image gray level distribution of the image changed with the infection days, and the pixels in the gray area of the low gray area (gray value: 10-102) decreased with increase of the infection days, while the middle gray (gray value: 103-162) and high-gray areas (gray value: 163-232) increased with the increase of infection days. Based on 47 feature values, including 17 image grayscale histogram features and 30 texture features, a discriminant model was established by using Linear Discriminant Analysis (LDA) and Quadratic Discriminant Analysis (QDA), and the prediction effect of the model was evaluated by multiple random repeated sampling (1 000 times). The results showed that within the 95% confidence interval, the accuracy of LDA in the classification of infected and uninfected wheat was above 76%, and the accuracy of the growth stage except larvae was above 95%. However, the average accuracy of QDA was much lower, and the discrimination error of 1 000 random samples was relatively higher. Therefore, it is accurate and reliable to use multiple random sampling and LDA classification methods to distinguish whether wheat is infested byand to distinguish different insect states of.

grain; storage; pest detection; X-ray imaging; random repeats; sampling and modeling

邵小龍，楊曉靜，徐水紅，等. 基于軟X射線成像的儲糧害蟲米象生長階段檢測[J]. 農業工程學報，2020，36(18)：309-314.doi：10.11975/j.issn.1002-6819.2020.18.036 http://www.tcsae.org

Shao Xiaolong, Yang Xiaojing, Xu Shuihong, et al. Detection of the growth stage of rice weevil as a stored-grain pest based on soft X-ray imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(18): 309-314. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.18.036 http://www.tcsae.org

2020-05-17

2020-08-10

糧食公益性行業科技專項（201513002-5）

邵小龍，博士，副教授，2019年赴曼尼托巴大學研修，主要從事糧油儲運加工、快速無損檢測研究。Email：xlshao@nufe.edu.cn

10.11975/j.issn.1002-6819.2020.18.036

TS207.7

A

1002-6819(2020)-18-0309-06