储粮害虫实仓在线检测识别技术研究现状与展望

钱志海 张超 付松林

摘要：害虫检测是粮食保管重要工作内容之一，为储粮害虫防治决策提供科学依据。与传统的检测方法相比，基于图像识别和害虫声信号的实仓在线监测技术具有准确、实时、省钱省力等优点，其在粮食储藏过程中日益受到重视。文章介绍了传统储粮害虫监测方法，综述了信息化技术在储粮害虫检测识别领域的研究现状，总结了国内外图像识别和害虫声信号的实仓在线监测技术的研究成果，并提出当前实仓在线监测技术的研究难点及今后的研究热点和需要解决的问题。

关键词：储粮害虫；图像识别；声信号；在线检测

中图分类号：TP399 文献标识码：A DOI：10.16465/j.gste.cn431252ts.20210227

自进入农业社会后，人类为了得到更多的食物和生物资料，与害虫之间的斗争从未停止过。粮食在储藏环节，当温度、湿度條件适宜时，不可避免地会遭到储粮害虫的侵蚀和危害。据报道[1]，头号储粮害虫玉米象在适宜的条件下，对储藏期粮食所造成的重量损失3个月内可达11.25%，6个月可达35.12%。并且储粮害虫活动生产的热量、排泄物等，也严重威胁着粮食质量和营养安全。因此，为了减少粮食产后损失，应当开发安全、经济、有效的害虫检测和防治技术，将害虫危害损失降到最低。及时、准确的害虫检测技术是确保有效防治的前提，是实施害虫防治的依据。本文对传统害虫检测时存在的不足进行分析，并综述近年来基于信息化、自动化快速发展的在线监测技术发展概况，以期指明储粮害虫实仓监测技术研发方向，引导仓储企业使用更为科学、更加方便的储粮害虫实仓在线监测技术。

1 传统储粮害虫监测方法

在粮仓害虫检测没有应用智能化和信息化技术之前，粮仓管理人员主要靠人力鉴定和目测储粮害虫种类和数量，主要方法有筛虫法和诱集法。其中筛虫法是保管员通过一定的统计学分别在粮仓不同部位扦取一定重量的粮食，然后通过不同目筛子筛取不同种类害虫，再通过自身的害虫知识识别害虫种类并进行计数；诱集法是通过在粮仓不同部位放置不同的诱饵诱集不同的害虫，再通过人员识别和计数得到粮仓害虫危害情况。传统储粮害虫检测方法主要依赖人力调查、识别和计数，取样点有限，需耗费大量劳动力，很难准确地判断出害虫的种类及密度，不能实时地反映粮仓中储粮害虫的危害情况。因此，为保障我国储粮安全，在智能粮库的建设过程中，急需现代化、智能化、精准化的在线储粮害虫识别、检测、分析技术。

2 基于图像识别的实仓在线监测技术

图像识别技术是人工智能的重要领域之一，是指对图像进行对像识别，以识别各种不同模式的目标和对像的技术。基于图像识别的实仓在线监测技术的主要原理就是利用现代图像采集技术，得到粮仓中害虫的图片信息，然后通过现代图像识别技术从获取的图片信息中提取出害虫的特征，再通过算法的优化识别并对不同害虫进行计数。目前，国内外对基于图像识别的实仓在线监测技术开展了大量研究，研究内容主是害虫图像分割、害虫图像特征提取、害虫识别和在线监测系统开发4个方面，主要难点是特征提取识别和在线监测。

2.1 静态图像识别检测方法

在复杂的粮仓环境和密集的粮堆中如何快速准确地将储粮害虫识别出来，需要对图片中储粮害虫的特征进行提取识别，这中间就需要对特征提取算法进行开发。Keagy等 [2]利用机器视觉的方法识别小麦籽粒中象鼻虫的伤害，其识别率随虫龄的不同而有所变化，这一研究成果为害虫图像识别奠定了基础。Zayas等[3]利用数字图像技术结合多光谱分析技术和模式识别的方法检测判断含有杂草种子和受损籽粒的散装小麦中的谷蠹成虫，识别率高达90%，但昆虫所处的位置和粘附在昆虫下的颗粒会影响识别成功率。而在国内，张成花[4] 4-53利用图像识别、模式识别、神经网络等技术，设计了图像识别储粮害虫检测系统，该系统对常见的12种仓储害虫成虫在线识别率达到86.5%。付麦霞等[5]研究了基于视频的储粮害虫检测与基于支持向量机（SVM）的储粮害虫图像识别技术，提出了一种新的基于图像块和HVS彩色图像差值相结合的运动目标检测算法，用于提取静态储粮害虫图像；还提出了一种基于支持向量机（SVM）组的淘汰算法，用于识别静态储粮害虫图像，指出了基于SVM的识别方法在识别效果、识别时间等方面都有显著的优越性。张红涛等[6]认为储粮害虫图像识别的重要环节是特征提取，并运用蚁群优化算法自动提取出储粮害虫的面积、周长、占空比等7个有效特征，经SVM分类器对90个储粮害虫样本进行分类，识别率高达95.6%。张卫芳[7]分别采用Robert 算法、Prewitt 算法、Canny 算法3 种经典的边缘检测算法以及灰度级理论算法，对储粮害虫的二值化图像（含噪声和不含噪声两种）进行边缘检测，大大提高了图像识别的准确率，且具有边缘定位准确、抗噪性强、检测边缘连续有效等优点。甄彤等[8]在谷物的一级灰度直方图和图像中自动提取出4 组静态特征值，为仓储害虫的快速鉴定和分类研究开辟了新途径。而王德发[9]运用基于MSERs的区域检测方法获取目标区域，然后对目标区域中的害虫进行识别，该算法对于大面积、高密度的害虫图片识别率高，漏筛率低。

2.2 动态视频识别检测方法

在实仓中对于动态的视频检测更加有利于对害虫的实时监控，在智慧粮仓的建设中，对于动态的害虫检测技术的需求量也更大。张成花[4] 48-53选择用RBP 网络分类器进行在线识别，识别率达86.5%。廉飞宇等[10]通过对采集的视频图像序列进行运动目标检测分割，提取静态储粮害虫图像；通过对储粮害虫图像进行预处理，直接将图像像素值作为条件属性构造决策表，通过基于遗传算法的属性约简，有效压缩规则集，依据计算得到的规则隶属度输出图像的匹配结果。实验表明采用粗糙集方法识别储粮害虫图像能够取得比较好的效果。涂宏维[11]研究了埋入式无线视频传感粮虫监测网络的关键技术，针对散装粮库虫情的监测过程复杂、工作量大、准确度不高、非自动化等问题，在无线传感网络技术的基础上设计了一种将节点埋入散装粮食之中的无线视频传感粮虫监测网络。周亦哲等[12]研究了基于视频检测的储粮害虫死亡评估的算法，该算法可有效检测储粮害虫的死亡情况，检测平均正确率可以达到89.3%，算法的核心是基于深度卷积神经网络的双流法网络，综合图像目标检测算法和两帧差分法进行识别，实现了视频数据中害虫的定位与识别，这在储粮害虫动态视频图像识别中走出了重要的一步。

2.3 在线监测系统的开发

基于静态图像识别和动态视频检测方法的在线监测系统的开发，有利于在实仓外实施害虫监测，并进行预警和及时采取措施，这是智慧粮仓建设中的核心软件。刘汉生[13]研究了陷阱式储粮害虫信息采集终端及其系统，该系统可以提供储粮害虫的数据采集、数据管理、虫情检测等功能，具有安装快捷、操作简单、维护方便等优点。罗强等[14]开发了基于深度学习的粮库虫害实时监测预警系统（RMPS），对粮库中常见几种害虫（米象、绣赤扁谷盗、赤拟谷盗）进行较大规模的样本采集，并使用卷积神经网络进行学习和训练，构建神经网络模型；通过新型采集器实时采集粮库内部图像信息，利用已训练的模型进行害虫种类和概率的检测；并将监测结果以Web形式发布给手机客户端，RMPS从传统的定点定时监测转变成实时监测，并且将虫害检测准确率提升到90%；RMPS采用专门设计的采集器与移动客户端部署简单、方便，具有较高的实用性与扩展性。

随着互联网和云计算技术的发展，这些技术在储粮害虫监测系统开发中的应用实例也越来越多。鲍舒恬等[15]研究了基于物联网和雾计算及云计算的低功耗无线储粮害虫监测系统及其应用，针对储粮害虫难以在线监测的问题，基于物联网、雾计算、云计算等现代信息技术的新型粮食虫害监测系统，能同时监测害虫的种类和数量并排除了杂质的影响，具有较高的精度。由于功耗较低，可以采用无线传感器网络进行部署，方便系统的安装和维护，降低系统实际运行中的故障率。高华[16]研究了基于云平台的储粮害虫检测识别技术，为了能够快速识别这些庞大的数据，可以借助分布式处理云平台进行处理。分布式处理平台拥有多个处理器和存储系统，可以对多个程序或者并发程序在松耦合或者集中控制的方式下进行计算，可以降低计算成本、存储海量数据、按需获取。米乔[17]基于iOS系统的储粮害虫信息采集及蓝牙传输系统的研究与设计，根据储粮害虫研究和粮库工作业务情况结合目前流行的iOS系统移動应用开发技术与低功耗蓝牙BLE无线传输技术，设计出一种可以同时配合粮库工作人员工作及满足储粮害虫在线监测系统预测预报。

3 基于害虫声信号的实仓在线监测技术

3.1 基于害虫声学信号检测方法的原理

基于害虫声学信号检测方法的原理是把声音变成电讯号，通过电子过滤器把昆虫发声的频率与环境声音的频率分开，根据音程的百分比和音程数量的多少来分辨昆虫的种类和数量，甚至可以检测到在粮食样品内部取食的害虫。基于声信号的储粮害虫检测法凭借其环保、无损、快速、灵敏度高等优点，日渐受到重视。从早期使用单一传感器检测粮虫的振动或声信号，到使用传感器阵列、碰撞声发射及声谱库等，储粮害虫声检测法逐渐成熟。

3.2 储粮害虫声检测方法新进展

Vick等[18]在实验室中使用麦克风测试了一种储粮害虫幼虫声学检测系统，得到谷蠹、玉米象和麦蛾三种储粮害虫幼虫吃食声最高频率分别为1 200、587、1 475 Hz，并且发现害虫的数量与害虫的发声数目相关，此项研究为声信号检测仓储害虫的发展奠定了基础。Coggins等[19]认为成虫和幼虫在移动或咀嚼时产生的声振动具有明显的时间特征，提出使用时延人工神经网络进行储粮害虫声检测，并根据振幅、频谱和声音持续时间来区分粮仓谷物中幼虫声、成虫声和外部噪声。Potamitis等[20]通过计算机系统对采集到的昆虫典型行为产生的声音进行放大、滤波、参数化和分类，开发出一种害虫自动生物声学识别系统。Mankin等[21]通过声音传感器检测粮堆中米象、赤拟谷盗和药材甲爬行、刮擦或蠕动的声音，其中幼虫爬行时不易被发现，但在刮擦或蠕动时可以被发现，成虫的活动声信号均可以被捕捉到。Eliopoulos等[22]在实验室内对小麦内部害虫声音信号进行希耳伯特变换，并在音频中剔除无关的噪声记录，从而得出可能的昆虫行为脉冲信号，不同害虫密度（0.1、0.5、1.0、2.0头/kg）条件下的甲虫成虫均能被检测到，当虫害密度为1～2头/kg时，该系统的检测准确率可以达到72%～100%。国内方面，郭敏等[23]指出储粮害虫爬行声的时频特征与虫类、粮食种类存在联系。耿森林等 [24]利用爬行声信号的频域特征进行了害虫种类的鉴别研究，指出害虫声频特征比时域信号对鉴别害虫种类更具有可靠性，只要能够建立粮食中害虫爬行声频域特征数据库，就可根据复合虫类爬行声频域特征达到虫类鉴别的目的。董志杰[25]使用BP神经网络分类器，对提取到的声音特征数据进行了分类，并对该网络进行了优化设计，使用优化后的神经网络对储粮害虫进行分类，其准确率达到95%以上。秦昕 [26]建立了包括玉米象、赤拟谷盗、谷蠹等几十种储粮害虫声信号特征数据库，为以后的研究提供了有效的基础数据。

声学方法的缺点是无法检测粮食中的死亡昆虫和昆虫幼虫。而张丽娜[27]以小麦完好粒、虫害粒和霉变粒的碰撞声信号为研究对象，提出应用时域建模和希尔伯特-黄变换（HHT）方法分别分析三类小麦碰撞声的时域和频域特征，提取小麦碰撞声的多个有效特征。然后利用BP神经网络对三类小麦碰撞声分类，取得了较好的识别效果，为解决声学方法无法检测粮食中的死亡昆虫和昆虫幼虫开辟了储粮害虫声信号识别的新途径。

影响声音信号检测储粮害虫的检测准确率的技术难题是如何区分环境中的噪音与害虫自身发出的声音以及当有多种害虫同时发声时如何对其声音进行分类。因此，建立不同害虫的声音特征模型是声测法的研究方向。近几年，随着多种技术的融合发展，声信号检测法的准确率又上了一个台阶，为实现实仓在线监测提供了良好的技术基础。韩安太等[28]在设计储粮害虫声信号检测系统时首次融合了无线传感器网络和压缩感知技术，该系统通过使用多个采集节点来同时检测同一区域以提高准确率，测得数据的平均丢包率小于10%，平均传输延迟小于2.5 s， 实现了储粮害虫声信号的实时、远程、可靠传输。

4 展 望

不同的在線监测手段在不同的实仓环境中具有不同的效果，面对复杂的实仓环境，应充分考虑粮仓实际情况和虫害危害规律，选择合适的在线监测手段，并可以尝试多种在线监测方法结合使用，提高监测的准确度，提高储粮虫害预警水平。未来的储粮害虫检测方法研究方向将围绕数字图像噪声与环境噪声分割、图像识别中的多特征提取、环境因子辅助监测、多种技术融合使用等方面进行研究。而随着智慧粮仓建设进程的不断推进，作为智能粮仓监测系统的重要组成部分，仓外储粮害虫在线监测系统的升级改造，在保障储粮安全方面将起到更加重要的作用。

参 考 文 献

[1] 白旭光.储藏物害虫与防治[M].北京：科学出版社，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] 张成花.基于图像识别的储粮害虫分类的研究[D].郑州：郑州大学，2002.

[5] 付麦霞，廉飞宇，张元.基于视频和SVM的储粮害虫检测与识别[J].计算机与数字工程，2008（11）：111-115.

[6] 张红涛，毛罕平，邱道尹.储粮害虫图像识别中的特征提取[J].农业工程学报，2009，25（2）：126-130.

[7] 张卫芳.基于图像处理的储量害虫检测方法研究[D].西安：陕西师范大学，2010：3-5.

[8] 甄彤，董志杰，郭嘉，等.基于声音的储粮害虫检测系统设计[J].河南工业大学学报（自然科学版），2012，33（5）：79-82.

[9] 王德发.基于图像识别的储粮害虫检测[D].北京：北京邮电大学，2017：23-24.

[10] 廉飞宇，邢超，范伊红，等.基于机器视觉的储粮害虫检测与识别[J].河南工业大学学报（自然科学版），2007，28（3）：43-46.

[11] 涂宏维.埋入式无线视频传感粮虫监测网络的关键技术研究[D].武汉：武汉轻工大学，2013：2-5.

[12] 周亦哲，周慧玲，王威松.基于视频检测的储粮害虫死亡评估算法的研究[J].中国粮油学报，2019，34（10）：114-119+127.

[13] 刘汉生.陷阱式储粮害虫信息采集终端及其系统的研究与实现[D].北京：北京邮电大学，2018：2-4.

[14] 罗强，黄睿岚，朱轶.基于深度学习的粮库虫害实时监测预警系统[J].江苏大学学报（自然科学版），2019，40（2）：203-208.

[15] 鲍舒恬，常春波.基于物联网和雾计算及云计算的低功耗无线储粮害虫监测系统及其应用[J].粮油仓储科技通讯，2018，34（4）：43-46.

[16] 高华.基于云平台的储粮害虫检测识别技术研究[D].郑州：河南工业大学，2017：1-3.

[17] 米乔.基于iOS系统的储粮害虫信息采集及蓝牙传输系统的研究与设计[D].北京：北京邮电大学，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，尚志远.储粮害虫声信号的检测和应用[J].物理，2001，30（1）：39-42.

[24] 耿森林，尚志远.基于害蟲声频域特征的储粮害虫种类鉴别研究[J].农业系统科学与综合研究，2005，2（4）：241-243.

[25] 董志杰.基于声音信号的储粮害虫检测技术研究[D].郑州：河南工业大学，2013：1-7.

[26] 秦昕.储粮害虫活动声信号特征研究[D].西安：陕西师范大学，2012：5-10.

[27] 张丽娜.小麦碰撞声信号特征识别研究[D].西安：陕西师范大学，2012：41-51.

[28] 韩安太，何勇，李剑锋，等.基于无线传感器网络的粮虫声信号采集系统设计[J].农业工程学报，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