現代信息技術在儲糧害蟲檢測中的應用

許德剛 李 凡

(河南工業大學信息科學與工程學院1，鄭州 450001) (糧食信息處理與控制教育部重點實驗室2， 鄭州 450001)

糧食儲備是糧食安全體系建設中的重要組成部分，也是糧食供求平衡和市場價格平抑的重要手段，確保儲備糧數量真實、質量良好、儲存安全對于提升糧食安全保障能力具有重要意義。

近年來，氣候變化導致的自然災害和環境問題日益突出，對糧食的生產以及儲藏帶來了極其嚴峻的考驗。糧食在儲藏過程中，會因為受溫度、濕度、微生物及昆蟲等因素的影響，而造成霉變、害蟲生長等質量的不良變化。據調查，糧食的儲藏環節在收獲后損失中占的比重最高，達到了55%，每年因蟲害造成的糧食損失達到了10%[1]，因此儲糧害蟲的危害是一個極其嚴重的問題。尤其是玉米象、米象等鉆蛀式害蟲，成蟲在對糧食進行破壞的同時，還會在糧食內部產下肉眼難以觀察的卵及幼蟲。糧倉內的糧食受到內部儲糧害蟲的侵害后，糧食的籽粒被破壞，易發生變質、發霉、結塊等情況，降低了糧食的品質和營養價值，從而影響了糧食的口感以及商業價值。這類害蟲能飛翔且善爬行，具有趨濕性、假死性、趨溫性等習性，且因其繁殖力強、發育快等特點，使用傳統的方式很難完全檢測及滅殺。而結合生物光子分析技術、功率譜分析技術等現代信息技術的糧蟲檢測方法具有精準、快速、無損、在線檢測等特點，可以根據儲糧害蟲的不同習性進行針對性檢測及滅殺，從而彌補傳統檢測方法的不足。因此需要利用現代信息技術與糧食倉儲技術相結合，尋求害蟲檢測技術上的突破，最大限度的降低糧食在儲藏中的損失。

1 儲糧害蟲信息檢測技術

早期的儲糧害蟲檢測依靠人工取樣識別，易受主觀因素影響且耗費大量勞動力，因此較難普及。而農藥因其價格低廉、效率突出、使用簡單等特點被廣泛使用，但隨著化學試劑用量增加[2]，害蟲的抗藥性逐漸增強，甚至誕生出不懼怕化學試劑的新品種害蟲，并且化學試劑還會對糧倉環境造成污染，損害糧食的品質及口感，威脅食用者的安全。隨著現代信息技術的發展，在生物檢測應用方面出現了分析樣品有機分子含氫基團信息的近紅外光譜技術；檢測生物體代謝過程的生物光子分析技術；根據物體對X射線的吸收來描述物體內部信息的CT成像技術；有效壓縮及重建隨機信號的壓縮感知技術；對高維數據進行維數約簡的流形學習技術；檢測與分析隨機信號周期性和譜峰等特征的功率譜分析技術；根據訓練數據自適應調整模型的支持向量機技術；實現高效數據分類的多標記學習技術；模擬人類神經網絡，實現自動學習的深度學習技術。眾多新興信息技術的應用，大大的提高生物檢測的質量和效率，也為儲糧害蟲檢測與防治提供了重要手段。

相對于傳統的儲糧害蟲檢測方法，現代信息技術檢測方法有顯著的優勢，相對于人工識別法等傳統儲糧害蟲檢測法，具有速度快、效率高、價格低廉、數據準確等特點，而被廣泛應用。同時，由于實現的原理不同也各自存在一些局限性，如表1所示。基于光學的儲糧害蟲檢測技術是利用近紅外光、生物光子輻射、X射線等電磁波中不同波段的一些特性對儲糧害蟲進行檢測，雖然檢測快數據準，但受環境因素影響較大。基于聲學的儲糧害蟲檢測技術利用壓縮感知、流形學習、功率譜分析等技術對收集到的儲糧害蟲運動聲信號進行處理，優勢在于利用新技術減少對高精度儀器的依賴，但無法檢測糧堆中的死蟲和蟲卵。基于圖像識別的儲糧害蟲檢測技術是利用支持向量機、多標記學習、深度學習等新型分類方法，對處理后的儲糧害蟲圖像進行特征識別，準確率較高且易操作，但檢測前需要大量的樣本進行訓練，并且識別率受算法的影響較大。

表1 傳統檢測法和現代信息技術檢測法優缺點

因此，目前儲糧害蟲檢測方法眾多，各具有其獨特優勢，但在實際使用時，要綜合考慮糧倉環境、害蟲特性等不同因素的影響，選擇合適的儲糧害蟲檢測技術才能最大限度的預防害蟲。

2 光學檢測法及應用

光學檢測法是利用電磁波中不同波段的可見光或非可見光的某些特點進行檢測。它包括近紅外光譜檢測法、生物光子檢測法、CT成像法及光引誘法。光學檢測法具有精準、無損、廉價的特性，但對惰性害蟲效果較差且易受濕度等環境因素影響。

2.1 近紅外光譜檢測法

近紅外光分為近紅外短波和長波，是人們最早認識的非可見光區域。20世紀前期，人們就對近紅外光譜進行了初步的探索；20世紀中期，隨著科技的發展，近紅外光譜技術得到廣泛應用；20世紀中后期，各種新型技術不斷涌出，近紅外光譜技術進入低潮；直到20世紀末期，計算機技術的高速發展帶動了近紅外光譜技術的繁榮，成為了人們最關注的光譜分析技術。近紅外光譜技術主要測量的是C—H、O—H、N—H等含氫基團振動的倍頻及合頻吸收，利用樣品在780～2 500 nm范圍內的分散反射率或透射率來測量水、蛋白質、淀粉等生物物質濃度，簡單來說就是通過儀器發送波長，波長穿過樣本時，一部分被樣本內部吸收，另一部分被反射回儀器，從而獲得光譜。

國內外學者對近紅外光譜技術在儲糧害蟲檢測中的應用展開了研究，并已取得較大的進展。張紅濤等[3]利用自制的采集系統對死亡0～7 d的谷蠹進行光譜圖像采集，分析谷蠹死亡7 d內的特征光譜與ATP合成酶活性及水分含量之間的關系，采用了雙區域連通閾值面積比的區域生長法自動判別谷蠹活蟲，結果顯示死亡1.5 d后的谷蠹識別率為100%，證明了近紅外光譜檢測法判別活蟲的可行性。Santos等[4]利用近紅外光譜結合偏最小二乘判別分析法，在70 d內對108個高粱樣本進行檢測，再使用主成分分析法進行分類，結果顯示紅外光譜結合偏最小二乘判別分析法可以完美的檢測出高粱種子是否受到害蟲侵染。JOHNSON等[5]總結了小麥中常見害蟲的主要近紅外波長，為近紅外光譜檢測技術的發展提供了參考。

近紅外光譜技術已經被證實是一種速度快、效率高、成本低的無損檢測方法，但其受濕度影響較大，且對大量樣本分析時會產生誤差，因此發明更完善的數據分析技術來提高準確性，是近紅外光譜檢測技術的重中之重。另一方面，隨著更靈敏的分光光度計的出現，特別是FT-NIR[6]，可以有效地減少近紅外光譜檢測技術的預測誤差，因此將FT-NIR等高靈敏度儀器應用在儲糧害蟲檢測方面是未來的發展趨勢。

2.2 生物光子檢測法

生物光子輻射[7]是生物分子在氧化代謝過程中受到化學激發而產生的自發光輻射，其強度較弱，但光譜范圍廣泛(約為200～800 nm)，包括近紅外光、可見光及紫外光等電磁波。生物光子輻射現象在20世紀初期被發現，但由于科技條件的限制，直到20世紀中期才首次證明了生物光子輻射現象的存在。之后的幾十年里，生物光子輻射在各大領域中都得到了廣泛的應用，并形成了一種新的技術，即生物光子分析技術(BPAT)。生物光子輻射對生物體內發生的細微變化極其敏感，因此當生物體發生病變、蟲害或者受傷等不良狀況時，其內部生物光子輻射就會發生顯著變化，利用這一現象可區分正常生物體和逆境生物體，進而在儲糧害蟲檢測中起到積極的作用。

國內外學者對生物光子檢測技術在儲糧害蟲檢測中的應用展開了研究，并已取得較大的進展。喬娜娜[8]利用靈敏度較高的生物超微弱發光測量儀測出了正常小麥和含蟲小麥的自發光光子數，隨后對采集的超微弱發光數據進行預處理，消除因環境因素產生的噪聲，提取特征向量并使用主成分分析法(PCA)約簡維數，最后利用經網格搜索算法(GSA)優化的支持向量機(SVM)建立分類器，結果顯示分類準確率達到了83%。Shi等[9]提出了一種結合模式識別和生物光子分析技術的小麥蟲害檢測模型，其作用是測量正常小麥和含蟲小麥的自發超弱光子并構建特征向量，再利用基于遺傳算法的BP神經網絡檢測小麥籽粒是否被侵染，經過實驗得出此模型平均正確率高達95%。賈曼曼[10]使用BPCL生物光子輻射測量儀測量了正常小麥和含蟲小麥的自發光輻射信號，隨后對采集的信息進行小波降噪，分析它們高階譜和Hilbert譜特征，最后基于提取的特征變量利用BP神經網絡進行信號識別，實驗結果顯示分類準確率最高達到了92.5%，同時漏檢率和虛警率分別為 6.67%和 8.33%。

生物光子輻射研究領域的進展與高靈敏度測量系統的發展緊密相關，目前多數儀器都無法對生物分子在新陳代謝時產生的自發光進行直接檢測，大多是利用外界的刺激來加強發光強度。因此研制高精度儀器和改進外界誘導新技術是生物光子分析技術的兩個發展趨勢。

2.3 CT成像法

X射線是電磁波的一種形式，其波長比紫外線短，約為0.001～10 nm。CT成像技術是依賴物體對X射線的吸收來實現的，最常見的成像方式是基于X射線強度衰減的掃描，即X射線穿透物體時，由于物體的吸收和反射等相互作用會導致其能量逐漸衰弱，從而形成圖像。X射線最早在19世紀末期被發現，20世紀中期X射線掃描系統的出現，標志著CT技術的正式誕生，由于各領域對分辨率的要求不同，因此開發出了多種標準的CT設備，如：CT、Micro-CT、CTM等。Micro-CT是一種用于檢測和重建樣本內部三維幾何形狀的無創無損成像方法[11]，可同時描繪樣本的尺寸和形狀分布。與CT的不同之處在于采用了不同的微焦點 X 射線球管，且Micro-CT分辨率更高，顯微效果更加顯著。

一些學者對Micro-CT成像技術在儲糧害蟲檢測中的應用展開了研究，并已取得較大的進展。李德偉[12]使用Micro-CT設備采集了正常麥粒和含蟲麥粒的投影圖像，并利用FDK算法、SART算法、MLEM算法對投影數據進行二維切片重建，并分析了三種算法的優劣，最后在利用MC算法與Mimics 平臺實現了二維切片圖像三維可視化，直觀的顯示出麥粒的內部情況，為今后三維特征提取及識別提供了參考。

Micro-CT是目前獲得相對高質量三維結構的唯一無損方法，其空間分辨率較高，但成像區域小、固相分離能力差，因此只能掃描體積較小的樣本。Micro-CT掃描的質量和時間取決于儀器精度和重建算法的優劣，因此可以通過研制高分辨率的精密儀器，或對重建算法進行深層次的研究分析[13]，來實現更迅速、更精準的掃描。

2.4 光引誘法

光引誘法是利用儲糧害蟲的趨光性，通過特定頻率和波長的燈光對害蟲進行誘殺。我國最早在20世紀中期就開始利用煤油燈和白熾燈誘殺害蟲，在之后的幾十年里，利用不同頻率和波長的燈光，研制出了更多類型的誘蟲燈，如：LED誘蟲燈、黑光燈、高壓汞燈等。

光引誘法在儲糧害蟲檢測的應用中已取得顯著的效果。Qing等[14]利用燈光對害蟲的吸引特性，研制了水稻誘蟲成像系統，該系統通過兩個攝像頭獲取害蟲頂部和底部圖像，隨后進行圖像去噪，并使用支持向量機分類器結合七倍交叉驗證法對4種鱗翅目水稻害蟲進行分類，結果顯示準確率高達97.5%。

比起傳統的篩選法，光引誘法能夠更早的發現害蟲，但由于害蟲種類、年齡的不同，對不同頻率和波長燈光的敏感性也略有差異，因此要根據害蟲的習性及趨光性選擇合適的殺蟲燈。

3 聲學檢測法及應用

聲學檢測法是利用傳感器采集儲糧害蟲運動時所發出的聲音，通過算法將聲信號放大，分析其信號特征，從而識別儲糧害蟲種類或數量。20世紀前期，研究人員就已經開始考慮如何將聲學運用到儲糧害蟲檢測上，20世紀中期，研究人員首次從糧堆中檢測出了儲糧害蟲活動的聲音，20世紀后期，研究人員利用計算機技術與聲學技術相結合，將聲學檢測法帶入了一個嶄新的時代。近些年研究人員主要從兩個方面改進了聲學檢測法：一是改進聲學器件，獲得精確度更高的儀器；二是改進信號處理的算法，獲得更明顯的信號特征，從而提高識別率。

3.1 壓縮感知法

Donoho[15]在2006年首次提出壓縮感知的概念，壓縮感知是一種建立在矩陣分析、運籌學等基礎上的全新信息獲取與處理方法。壓縮感知技術能制定有效的采樣方案并提高信號重建的準確性，其原理是將信號投影到給定波形上感知壓縮數據，利用最優化方法進行解密，從而估計出原始信號中想要傳遞的信息。自壓縮感知理論被提出以來，信號處理領域發生了革命性的變化，產生了許多理論擴展和實際應用。

關于壓縮感知技術在儲糧害蟲檢測中的應用方面，韓安太等[16]設計出一種基于無線傳感網絡的儲糧害蟲聲信號采集系統，將用于采集赤擬谷盜成蟲的爬行聲，其核心技術是利用壓縮感知對采集的儲糧害蟲爬行聲信號進行壓縮、傳輸和重構，可實現在10 KHz頻率下，對20個采集節點產生的原始聲信號進行實時的無線傳輸。彭慧等[17]采集了害蟲在大米中活動時所發出的吃食、爬行、交配等聲音，并在采集點運用壓縮感知技術對聲信號進行處理，隨后根據用戶的需求將壓縮后的完整聲信號傳輸至用戶端，結果顯示原始信號與接收后的重建信號誤差率低于5%，證明了壓縮感知技術對于實現儲糧害蟲聲信號實時監測的可行性。

壓縮感知技術不僅能增加數據壓縮的速率，還能對采樣率很低的數據進行精準重構，比起傳統的方法，它有效的降低了傳感器和存儲硬件的復雜度及成本。近些年壓縮感知技術發展迅速，出現了可以實現更精準重構的優異算法，未來可以從算法上繼續突破，實現更精準的信號壓縮及重建。

3.2 流形學習法

流形學習是一種新型非監督學習方法，其原理是在保持所提取結構特征的基礎上，提取高維空間中數據流形的結構特征，然后在低維空間中表示數據流形。基于提取的結構特征，流形學習的方法可以分為兩大類：全局流形學習和局部流形學習。全局流形學習是通過定義每個數據點與其他數據點之間的關系來提取全局結構特征，如：主成分分析[18](PCA)、多維縮放(MDS)、最大方差展開(MVU)等。局部流形學習是在高維空間中的每個樣本點周圍去尋找一個局部鄰域并收集其局部信息，然后映射到一個低維空間上，從而實現維數約簡。如：局部線性嵌入(LLE)、拉普拉斯特征圖(LEM)等。

關于對流形學習技術在儲糧害蟲檢測中的應用方面，張明真等[19]對2種儲糧害蟲的爬行和翻身振動活動聲信號進行采集，隨后利用流形學習的等距特征映射法提取儲糧害蟲活動聲信號的流行空間特征，并對高維信號進行降維操作，最后選擇以重尾徑向基為核函數的SVM對流行特征數據進行分類識別，實驗結果顯示信號分類的準確率達到了84%以上，證明了流形學習技術在處理聲信號方面的可行性及高效性。

流形學習是一種無參數的非線性方法，求解簡單且更能體現數據本質。想要保持流形學習的先進性，可以從代價函數、結構特征提取方法等方面著手改進，找出可以更好的保留高維數據流形在低維表示空間中分布的新方法。

3.3 功率譜分析法

功率譜是用來描述隨機信號的頻域特征，它能反映隨機信號中隱藏的周期性和譜峰。在功率譜的實際求取過程中，隨機信號的長度是有限的，因此要根據有限的數據對原始信號的真實功率譜進行估計，這個過程通常稱為功率譜估計。功率譜估計一般可分為兩類：一類是經典功率譜估計，實質是依據傅里葉變換估計有限個樣本的功率譜特征，其信號特性不全且分辨率較低，如平均周期圖法等；另一類是現代功率譜估計，針對經典功率譜估計的缺陷進行了改進，對已知的數據建立一個參數模型，有效的提高了分辨率，如最大熵功率譜估計法[20]、迭代最大熵功率譜估計法[21]等。

關于功率譜分析技術在儲糧害蟲檢測中的應用方面，郭敏等[22]采集了5種主要儲糧害蟲的微弱爬行聲信號，利用小波分析技術對活動聲信號進行去噪，隨后利用功率譜分析法從時域和頻域兩方面對不同種類儲糧害蟲的爬行聲信號進行分析，實驗結果發現5種儲糧害蟲由于速度、體重的不同，使得害蟲聲信號的峰值頻率及主要頻率范圍也存在明顯差異。GENG S等[23]采集了小麥和玉米中的害蟲蠕變聲信號，并利用matlab中的小波變換對害蟲蠕變信號進行降噪，分析其功率譜特征，結果顯示2種功率譜都為離散但有明顯差異，最終證明了功率譜分析法可用來分析糧堆中的害蟲種類。

功率譜技術創新的關鍵在于功率譜估計的方法[24]，因此未來的工作重點是功率譜估計方法的突破。

4 圖像識別法及應用

圖像作為人類視覺的基礎，在人類的感知體系中具有獨一無二的作用，但人類僅可以感知電磁波中的可見光部分，各種圖像成像機器則可以得到幾乎所有的電磁波譜，因此圖像處理逐漸成為人們的研究重點。隨著圖像采集設備價格的下降，網絡通信寬帶的擴展，推動了數字圖像處理技術的應用發展。在儲糧害蟲檢測中，研究人員將計算機技術、模式識別、數字圖像處理等技術相結合，來實現儲糧害蟲的精確檢測，一般按照圖像采集、特征提取、分類識別和測試數據集的步驟[25]，實現圖像的采集、處理、還原、分析、識別等功能。

4.1 支持向量機

支持向量機(SVM)是一種以統計學習理論為基礎的機器學習方法，對回歸問題和二值分類問題的處理十分有效，其原理是在兩類不同的數據之間尋找一個分類邊界，在保證邊界精準的把數據按類別分開的基礎上，使邊界兩側與數據之間的空白部分達到最大。最初的支持向量機只對線性可分的數據集有較高的分類精度，之后出現了非線性的支持向量機：核支持向量機(KSVM)，它可以通過對核函數的優化來提高核支持向量機的精確度，目前已有多種核函數，如：多項式核[26]、拉普拉斯核[27]等。核支持向量機的優勢在于精準，但計算復雜度非常高，對大規模數據的處理耗時耗力。

關于支持向量機技術在儲糧害蟲檢測中的應用方面，張紅濤等[28]提出了一種基于近紅外光的儲糧害蟲活蟲檢測方法來精準定位活蟲位置，隨后將模擬退火算法與支持向量機相結合，在15類糧蟲訓練樣本中構造所有二類分類器，根據活蟲的尾部弧度、精確長寬比等21個整體形態學特征和7個局部形態學特征進行識別分類，結果顯示對活蟲的分類準確率達到了94.8%。廉飛宇等[29]運用五種常見邊緣檢測算法和元胞自動機算法對儲糧害蟲圖像進行邊緣檢測并提取其特征，隨后分別用RBF神經網絡和支持向量機進行分類識別，結果顯示，支持向量機明顯優于RBF神經網絡，并且當圖像中含有兩種或兩種以上的儲糧害蟲時，元胞自動機結合支持向量機的準確率更加優異，達到了91.38%。

支持向量機能夠根據訓練數據對模型進行自適應調整，具有較好的泛化能力和性能，在解決小樣本、非線性和高維模式識別問題中表現出特有的優勢，但在處理多分類數據方面還有待改善。支持向量機對算法的依賴性較高，因此使用新的算法[30]進行優化，將是支持向量機技術未來的發展趨勢。

4.2 多標記學習

傳統的監督學習方法都是單標記學習，意味著只能將一種數據貼上一個標簽，但在實際應用中，并不是某一樣本只屬于一個類別，因此多標記學習應運而生。多標記學習樣本由一個示例和多個標記組成，其主要任務是建立一個多標記分類器模型，將已知的多標記學習樣本集中的多個標記賦予給未知的樣本示例。由于多標簽數據屬于多個類，且相應的類邊界總是重疊，從而導致決策空間相當復雜[31]，因此就要使用高效的算法進行分類。多標記學習的主要方法有兩種：一種是問題轉化[32]，另一種是算法自適應[33]。問題轉化是將一個多標記學習問題轉變成多個傳統的二分類問題，如：BR[34]、LP[35]、RPC[36]等。算法自適應是在現有二分類算法結構的基礎上進行改進，從而實現多標記學習分類，如：決策樹算法、神經網絡算法等。

關于多標記學習技術在儲糧害蟲檢測中的應用方面，柏天才[37]利用改進的小波閾值法和區域生長法對復雜糧蟲圖像進行預處理，并使用三種特征提取方法進行特征提取，隨后利用稀疏編碼將多示例多標記問題轉化為多標記問題，最后使用AdaBoost.MH算法構建多標記分類器，對100副儲糧害蟲圖像進行識別分類，取得了較好的識別結果，證明了多標記儲糧害蟲圖像分類是有效可行的。

多標記學習因其計算復雜度低且不會過度擬合等特點已被廣泛的應用在眾多領域，但還有一些問題有待完善，如：覆蓋率小、準確率低、易忽視不同標簽之間的關聯性等，因此提出一個高效且覆蓋率廣的算法是目前研究的重點方向，可以從問題轉化和算法自適應這兩個方面去尋求算法的突破。

4.3 深度學習

深度學習是機器學習領域的一個熱門方向，它是Hinton等[38]在2006年提出的。深度學習對比傳統神經網絡等淺層學習而言，傳統神經網絡和深度神經網絡都是包含輸入層、隱含層、輸出層，但不同之處在于深度學習的隱含層數更多，分層結構也更加接近人類大腦神經結構。深度學習的目的是要模擬人類大腦，建立一個類似大腦神經結構的模型，其原理是對原始信號進行多層的非線性操作，自動學習目標特征，從而實現更精準的分類識別。

國內外學者對深度學習技術在儲糧害蟲檢測中的應用展開了研究[39]，Wu等[40]對常見的15種儲糧害蟲進行信息采集，利用VGG16模型建立卷積神經網絡對6 900張顯微圖像數據集進行訓練，并使用遷移學習進行優化，最后用四種不同的優化策略與交叉驗證法進行對比，實驗證明交叉驗證100次的總準確率最高，達到了83.8%。Li等[41]對收集到的84副圖像數據進行增強，隨后將基于ZF模型的卷積神經網絡與基于非極大值抑制的區域生成網絡進行結合，對較小的多尺度圖像進行訓練，最后將改進的ZF網絡與其他三種方法進行對比，結果顯示ZF網絡需要的參數更少且準確率更高，平均精度達到了88.5%。

深度學習一直是備受關注的熱點問題，對比傳統的機器學習，深度學習的擬合能力更強，還可以從模型的深度中得到指數增益，但是深度學習的解釋性差、計算效率低等問題還需要繼續完善，一些學者在以下方面進行了改進：添加更多的模型層、優化相關算法、增強訓練數據集等，紛紛取得了一些成效。

5 其他檢測技術及應用

5.1 電導率法

電導率法又稱電阻法，是根據谷物內部濕度的變化來檢測谷物的完整性，原理是谷物的濕度會影響電阻值的大小，且含蟲谷物的濕度遠高于正常谷物。電導率法測定農作物的水分含量、發芽率、成熟度等生理特性具有方便、廉價、精準的特點，因此已初步應用于多種谷物的品質評價。

關于電導率技術在儲糧害蟲檢測中的應用方面，Pearson等[42]首次提出利用電導率法檢測儲糧害蟲，其利用單粒谷物特性測定儀SKCS4100測量小麥的電導率，通過對電信號進行處理來區分正常小麥和害蟲小麥，實驗顯示，對大型幼蟲和蛹的平均檢測準確率達到了88%。熊寧等[43]研究了不同條件下稻谷浸出液電導率的變化趨勢，分析了553份稻谷浸泡24 h的浸出液電導率發現，稻谷浸出液電導率增大速率與溫度成正相關，并且不同品質的稻谷電導率增大的趨勢基本一致，且24 h后電導率差值基本穩定，為今后的稻谷評測奠定了理論基礎。

電導率法具有操作簡單、結果精準、零失誤率的特點，是一種經濟的儲糧害蟲檢測方法，但存在只能單粒檢測的缺陷。因此還需要研究人員繼續改進，提高檢測速度及效率。

5.2 氣味分析法

氣味分析法是根據糧倉中的正常糧食、霉變糧食、受侵染糧食發揮出的不同氣味來分析糧食的狀態。一旦糧食受到某種儲糧害蟲的侵染，就會散發出一種特殊的揮發物，根據揮發物的比例可以鑒別出昆蟲的種類。儲糧害蟲還會被糧食所散發的氣味或某種特殊的化學氣味所吸引，利用儲糧害蟲的這種特性可以對其進行防治。

關于氣味分析技術在儲糧害蟲檢測中的應用方面，唐培安等[44]利用FOX3000型電子鼻對玉米象不同密度、不同蟲態的揮發物進行了收集，隨后采用主成分分析法和判別因子分析法對收集到的數據進行分析，結果顯示主成分分析法的效果并不理想，而判別因子分析法則可以將玉米象混合蟲態的不同樣本進行有效區分，證明了電子鼻結合判別因子分析法檢測儲糧害蟲的可行性及高效性。SRIVASTAVA等[45]利用電子鼻對不同貯藏天數的不同糧食樣品產生的揮發物進行了記錄，然后使用PCA和MLR根據蛋白質和尿酸含量對糧食進行分級，結果顯示分級準確率較高，證明了電子鼻對于儲糧害蟲檢測的高效性。

氣味分析法的關鍵優勢在于一旦確定了樣本中產生的某種特定揮發性化合物就可以成為適當的生物標記物，為今后對這種害蟲的控制提供重要數據，但在實際應用中濕度等外界環境會影響揮發物的釋放和檢測。因此今后的發展重點是真實環境下的揮發物提取技術。

5.3 陷阱式誘捕法

陷阱式誘捕法是利用儲糧害蟲的某些生理特征進行誘捕，如害蟲會被某種食物氣味、發霉糧食氣味或某種化合物氣味所吸引。其步驟是將食物或某種引誘劑放入制作好的陷阱中，對儲糧害蟲實施誘捕，再使用圖像處理等技術進行分析[46]，從而檢測儲糧害蟲的密度及種類。

關于儲糧害蟲的誘捕方法，Collins L E等[47]使用了多種陷阱誘捕器及不同引誘劑，在實驗室和糧倉等環境下對不同種類、品系和年齡的儲糧害蟲進行了誘捕，結果顯示CSL I-Spy昆蟲指示器探測到的儲糧害蟲種類更多且效率更高。譚達川等[48]對糧倉害蟲倉外采集檢測系統進行改進，在糧倉內合適的地點放入多個誘捕器進行信息采集，通過與計算機結合，檢測倉內氮氣濃度與儲糧害蟲數量之間的關系，該系統實現了倉外自動檢測技術，并且可以進行多點同時檢測，減少了勞動力，提高了糧蟲檢測效率。

誘捕法具有簡單、方便、成本低等優點，但易受環境因素影響，且對惰性害蟲或者蟲卵等無法移動的儲糧害蟲效果較差，因此未來的發展趨勢在于研制出一種重復使用、易于組裝、容易識別的陷阱誘捕器。

6 結論

利用現代信息技術對儲糧害蟲進行防控已成為當前的研究熱點，有助于糧倉工作人員對儲糧害蟲進行科學合理的防治。從上文對儲糧害蟲檢測技術的分析中可以看出，盡管國內外學者已取得顯著的研究成果，為更高效的現代信息檢測技術研究奠定了堅實的基礎，但是現有的現代信息檢測技術在實際應用方面還有待進一步研究與完善，因此難以充分滿足目前儲糧害蟲檢測方面的需求。針對這些技術的缺陷，可以多元化的發展儲糧害蟲檢測技術，不再局限于光學或聲學等某一技術的發展，而是多種技術有機結合，相互交叉，取長補短，如：利用生物光子檢測法能檢測隱蔽性害蟲的特點與圖像識別法相結合，建立智能化的在線檢測平臺，實時檢測從蟲卵到成蟲所有時期的儲糧害蟲。還可以將更多有效的技術應用在儲糧害蟲檢測中，提高檢測的效率及準確率，如：利用遙感技術及空間動態分析等方法，對復雜性種群動態產生的條件進行研究，做到從根本上防治害蟲。目前糧食在產后儲藏期間的損失極其嚴峻，因此仍需要國內外學者對現有的儲糧害蟲檢測技術進行研究并改進，同時探索更有效的新技術，為儲糧害蟲的防治提供科學、合理的參考依據。