现代信息技术在储粮害虫检测中的应用

许德刚 李 凡

(河南工业大学信息科学与工程学院1，郑州 450001) (粮食信息处理与控制教育部重点实验室2， 郑州 450001)

粮食储备是粮食安全体系建设中的重要组成部分，也是粮食供求平衡和市场价格平抑的重要手段，确保储备粮数量真实、质量良好、储存安全对于提升粮食安全保障能力具有重要意义。

近年来，气候变化导致的自然灾害和环境问题日益突出，对粮食的生产以及储藏带来了极其严峻的考验。粮食在储藏过程中，会因为受温度、湿度、微生物及昆虫等因素的影响，而造成霉变、害虫生长等质量的不良变化。据调查，粮食的储藏环节在收获后损失中占的比重最高，达到了55%，每年因虫害造成的粮食损失达到了10%[1]，因此储粮害虫的危害是一个极其严重的问题。尤其是玉米象、米象等钻蛀式害虫，成虫在对粮食进行破坏的同时，还会在粮食内部产下肉眼难以观察的卵及幼虫。粮仓内的粮食受到内部储粮害虫的侵害后，粮食的籽粒被破坏，易发生变质、发霉、结块等情况，降低了粮食的品质和营养价值，从而影响了粮食的口感以及商业价值。这类害虫能飞翔且善爬行，具有趋湿性、假死性、趋温性等习性，且因其繁殖力强、发育快等特点，使用传统的方式很难完全检测及灭杀。而结合生物光子分析技术、功率谱分析技术等现代信息技术的粮虫检测方法具有精准、快速、无损、在线检测等特点，可以根据储粮害虫的不同习性进行针对性检测及灭杀，从而弥补传统检测方法的不足。因此需要利用现代信息技术与粮食仓储技术相结合，寻求害虫检测技术上的突破，最大限度的降低粮食在储藏中的损失。

1 储粮害虫信息检测技术

早期的储粮害虫检测依靠人工取样识别，易受主观因素影响且耗费大量劳动力，因此较难普及。而农药因其价格低廉、效率突出、使用简单等特点被广泛使用，但随着化学试剂用量增加[2]，害虫的抗药性逐渐增强，甚至诞生出不惧怕化学试剂的新品种害虫，并且化学试剂还会对粮仓环境造成污染，损害粮食的品质及口感，威胁食用者的安全。随着现代信息技术的发展，在生物检测应用方面出现了分析样品有机分子含氢基团信息的近红外光谱技术；检测生物体代谢过程的生物光子分析技术；根据物体对X射线的吸收来描述物体内部信息的CT成像技术；有效压缩及重建随机信号的压缩感知技术；对高维数据进行维数约简的流形学习技术；检测与分析随机信号周期性和谱峰等特征的功率谱分析技术；根据训练数据自适应调整模型的支持向量机技术；实现高效数据分类的多标记学习技术；模拟人类神经网络，实现自动学习的深度学习技术。众多新兴信息技术的应用，大大的提高生物检测的质量和效率，也为储粮害虫检测与防治提供了重要手段。

相对于传统的储粮害虫检测方法，现代信息技术检测方法有显著的优势，相对于人工识别法等传统储粮害虫检测法，具有速度快、效率高、价格低廉、数据准确等特点，而被广泛应用。同时，由于实现的原理不同也各自存在一些局限性，如表1所示。基于光学的储粮害虫检测技术是利用近红外光、生物光子辐射、X射线等电磁波中不同波段的一些特性对储粮害虫进行检测，虽然检测快数据准，但受环境因素影响较大。基于声学的储粮害虫检测技术利用压缩感知、流形学习、功率谱分析等技术对收集到的储粮害虫运动声信号进行处理，优势在于利用新技术减少对高精度仪器的依赖，但无法检测粮堆中的死虫和虫卵。基于图像识别的储粮害虫检测技术是利用支持向量机、多标记学习、深度学习等新型分类方法，对处理后的储粮害虫图像进行特征识别，准确率较高且易操作，但检测前需要大量的样本进行训练，并且识别率受算法的影响较大。

表1 传统检测法和现代信息技术检测法优缺点

因此，目前储粮害虫检测方法众多，各具有其独特优势，但在实际使用时，要综合考虑粮仓环境、害虫特性等不同因素的影响，选择合适的储粮害虫检测技术才能最大限度的预防害虫。

2 光学检测法及应用

光学检测法是利用电磁波中不同波段的可见光或非可见光的某些特点进行检测。它包括近红外光谱检测法、生物光子检测法、CT成像法及光引诱法。光学检测法具有精准、无损、廉价的特性，但对惰性害虫效果较差且易受湿度等环境因素影响。

2.1 近红外光谱检测法

近红外光分为近红外短波和长波，是人们最早认识的非可见光区域。20世纪前期，人们就对近红外光谱进行了初步的探索；20世纪中期，随着科技的发展，近红外光谱技术得到广泛应用；20世纪中后期，各种新型技术不断涌出，近红外光谱技术进入低潮；直到20世纪末期，计算机技术的高速发展带动了近红外光谱技术的繁荣，成为了人们最关注的光谱分析技术。近红外光谱技术主要测量的是C—H、O—H、N—H等含氢基团振动的倍频及合频吸收，利用样品在780～2 500 nm范围内的分散反射率或透射率来测量水、蛋白质、淀粉等生物物质浓度，简单来说就是通过仪器发送波长，波长穿过样本时，一部分被样本内部吸收，另一部分被反射回仪器，从而获得光谱。

国内外学者对近红外光谱技术在储粮害虫检测中的应用展开了研究，并已取得较大的进展。张红涛等[3]利用自制的采集系统对死亡0～7 d的谷蠹进行光谱图像采集，分析谷蠹死亡7 d内的特征光谱与ATP合成酶活性及水分含量之间的关系，采用了双区域连通阈值面积比的区域生长法自动判别谷蠹活虫，结果显示死亡1.5 d后的谷蠹识别率为100%，证明了近红外光谱检测法判别活虫的可行性。Santos等[4]利用近红外光谱结合偏最小二乘判别分析法，在70 d内对108个高粱样本进行检测，再使用主成分分析法进行分类，结果显示红外光谱结合偏最小二乘判别分析法可以完美的检测出高粱种子是否受到害虫侵染。JOHNSON等[5]总结了小麦中常见害虫的主要近红外波长，为近红外光谱检测技术的发展提供了参考。

近红外光谱技术已经被证实是一种速度快、效率高、成本低的无损检测方法，但其受湿度影响较大，且对大量样本分析时会产生误差，因此发明更完善的数据分析技术来提高准确性，是近红外光谱检测技术的重中之重。另一方面，随着更灵敏的分光光度计的出现，特别是FT-NIR[6]，可以有效地减少近红外光谱检测技术的预测误差，因此将FT-NIR等高灵敏度仪器应用在储粮害虫检测方面是未来的发展趋势。

2.2 生物光子检测法

生物光子辐射[7]是生物分子在氧化代谢过程中受到化学激发而产生的自发光辐射，其强度较弱，但光谱范围广泛(约为200～800 nm)，包括近红外光、可见光及紫外光等电磁波。生物光子辐射现象在20世纪初期被发现，但由于科技条件的限制，直到20世纪中期才首次证明了生物光子辐射现象的存在。之后的几十年里，生物光子辐射在各大领域中都得到了广泛的应用，并形成了一种新的技术，即生物光子分析技术(BPAT)。生物光子辐射对生物体内发生的细微变化极其敏感，因此当生物体发生病变、虫害或者受伤等不良状况时，其内部生物光子辐射就会发生显著变化，利用这一现象可区分正常生物体和逆境生物体，进而在储粮害虫检测中起到积极的作用。

国内外学者对生物光子检测技术在储粮害虫检测中的应用展开了研究，并已取得较大的进展。乔娜娜[8]利用灵敏度较高的生物超微弱发光测量仪测出了正常小麦和含虫小麦的自发光光子数，随后对采集的超微弱发光数据进行预处理，消除因环境因素产生的噪声，提取特征向量并使用主成分分析法(PCA)约简维数，最后利用经网格搜索算法(GSA)优化的支持向量机(SVM)建立分类器，结果显示分类准确率达到了83%。Shi等[9]提出了一种结合模式识别和生物光子分析技术的小麦虫害检测模型，其作用是测量正常小麦和含虫小麦的自发超弱光子并构建特征向量，再利用基于遗传算法的BP神经网络检测小麦籽粒是否被侵染，经过实验得出此模型平均正确率高达95%。贾曼曼[10]使用BPCL生物光子辐射测量仪测量了正常小麦和含虫小麦的自发光辐射信号，随后对采集的信息进行小波降噪，分析它们高阶谱和Hilbert谱特征，最后基于提取的特征变量利用BP神经网络进行信号识别，实验结果显示分类准确率最高达到了92.5%，同时漏检率和虚警率分别为 6.67%和 8.33%。

生物光子辐射研究领域的进展与高灵敏度测量系统的发展紧密相关，目前多数仪器都无法对生物分子在新陈代谢时产生的自发光进行直接检测，大多是利用外界的刺激来加强发光强度。因此研制高精度仪器和改进外界诱导新技术是生物光子分析技术的两个发展趋势。

2.3 CT成像法

X射线是电磁波的一种形式，其波长比紫外线短，约为0.001～10 nm。CT成像技术是依赖物体对X射线的吸收来实现的，最常见的成像方式是基于X射线强度衰减的扫描，即X射线穿透物体时，由于物体的吸收和反射等相互作用会导致其能量逐渐衰弱，从而形成图像。X射线最早在19世纪末期被发现，20世纪中期X射线扫描系统的出现，标志着CT技术的正式诞生，由于各领域对分辨率的要求不同，因此开发出了多种标准的CT设备，如：CT、Micro-CT、CTM等。Micro-CT是一种用于检测和重建样本内部三维几何形状的无创无损成像方法[11]，可同时描绘样本的尺寸和形状分布。与CT的不同之处在于采用了不同的微焦点 X 射线球管，且Micro-CT分辨率更高，显微效果更加显著。

一些学者对Micro-CT成像技术在储粮害虫检测中的应用展开了研究，并已取得较大的进展。李德伟[12]使用Micro-CT设备采集了正常麦粒和含虫麦粒的投影图像，并利用FDK算法、SART算法、MLEM算法对投影数据进行二维切片重建，并分析了三种算法的优劣，最后在利用MC算法与Mimics 平台实现了二维切片图像三维可视化，直观的显示出麦粒的内部情况，为今后三维特征提取及识别提供了参考。

Micro-CT是目前获得相对高质量三维结构的唯一无损方法，其空间分辨率较高，但成像区域小、固相分离能力差，因此只能扫描体积较小的样本。Micro-CT扫描的质量和时间取决于仪器精度和重建算法的优劣，因此可以通过研制高分辨率的精密仪器，或对重建算法进行深层次的研究分析[13]，来实现更迅速、更精准的扫描。

2.4 光引诱法

光引诱法是利用储粮害虫的趋光性，通过特定频率和波长的灯光对害虫进行诱杀。我国最早在20世纪中期就开始利用煤油灯和白炽灯诱杀害虫，在之后的几十年里，利用不同频率和波长的灯光，研制出了更多类型的诱虫灯，如：LED诱虫灯、黑光灯、高压汞灯等。

光引诱法在储粮害虫检测的应用中已取得显著的效果。Qing等[14]利用灯光对害虫的吸引特性，研制了水稻诱虫成像系统，该系统通过两个摄像头获取害虫顶部和底部图像，随后进行图像去噪，并使用支持向量机分类器结合七倍交叉验证法对4种鳞翅目水稻害虫进行分类，结果显示准确率高达97.5%。

比起传统的筛选法，光引诱法能够更早的发现害虫，但由于害虫种类、年龄的不同，对不同频率和波长灯光的敏感性也略有差异，因此要根据害虫的习性及趋光性选择合适的杀虫灯。

3 声学检测法及应用

声学检测法是利用传感器采集储粮害虫运动时所发出的声音，通过算法将声信号放大，分析其信号特征，从而识别储粮害虫种类或数量。20世纪前期，研究人员就已经开始考虑如何将声学运用到储粮害虫检测上，20世纪中期，研究人员首次从粮堆中检测出了储粮害虫活动的声音，20世纪后期，研究人员利用计算机技术与声学技术相结合，将声学检测法带入了一个崭新的时代。近些年研究人员主要从两个方面改进了声学检测法：一是改进声学器件，获得精确度更高的仪器；二是改进信号处理的算法，获得更明显的信号特征，从而提高识别率。

3.1 压缩感知法

Donoho[15]在2006年首次提出压缩感知的概念，压缩感知是一种建立在矩阵分析、运筹学等基础上的全新信息获取与处理方法。压缩感知技术能制定有效的采样方案并提高信号重建的准确性，其原理是将信号投影到给定波形上感知压缩数据，利用最优化方法进行解密，从而估计出原始信号中想要传递的信息。自压缩感知理论被提出以来，信号处理领域发生了革命性的变化，产生了许多理论扩展和实际应用。

关于压缩感知技术在储粮害虫检测中的应用方面，韩安太等[16]设计出一种基于无线传感网络的储粮害虫声信号采集系统，将用于采集赤拟谷盗成虫的爬行声，其核心技术是利用压缩感知对采集的储粮害虫爬行声信号进行压缩、传输和重构，可实现在10 KHz频率下，对20个采集节点产生的原始声信号进行实时的无线传输。彭慧等[17]采集了害虫在大米中活动时所发出的吃食、爬行、交配等声音，并在采集点运用压缩感知技术对声信号进行处理，随后根据用户的需求将压缩后的完整声信号传输至用户端，结果显示原始信号与接收后的重建信号误差率低于5%，证明了压缩感知技术对于实现储粮害虫声信号实时监测的可行性。

压缩感知技术不仅能增加数据压缩的速率，还能对采样率很低的数据进行精准重构，比起传统的方法，它有效的降低了传感器和存储硬件的复杂度及成本。近些年压缩感知技术发展迅速，出现了可以实现更精准重构的优异算法，未来可以从算法上继续突破，实现更精准的信号压缩及重建。

3.2 流形学习法

流形学习是一种新型非监督学习方法，其原理是在保持所提取结构特征的基础上，提取高维空间中数据流形的结构特征，然后在低维空间中表示数据流形。基于提取的结构特征，流形学习的方法可以分为两大类：全局流形学习和局部流形学习。全局流形学习是通过定义每个数据点与其他数据点之间的关系来提取全局结构特征，如：主成分分析[18](PCA)、多维缩放(MDS)、最大方差展开(MVU)等。局部流形学习是在高维空间中的每个样本点周围去寻找一个局部邻域并收集其局部信息，然后映射到一个低维空间上，从而实现维数约简。如：局部线性嵌入(LLE)、拉普拉斯特征图(LEM)等。

关于对流形学习技术在储粮害虫检测中的应用方面，张明真等[19]对2种储粮害虫的爬行和翻身振动活动声信号进行采集，随后利用流形学习的等距特征映射法提取储粮害虫活动声信号的流行空间特征，并对高维信号进行降维操作，最后选择以重尾径向基为核函数的SVM对流行特征数据进行分类识别，实验结果显示信号分类的准确率达到了84%以上，证明了流形学习技术在处理声信号方面的可行性及高效性。

流形学习是一种无参数的非线性方法，求解简单且更能体现数据本质。想要保持流形学习的先进性，可以从代价函数、结构特征提取方法等方面着手改进，找出可以更好的保留高维数据流形在低维表示空间中分布的新方法。

3.3 功率谱分析法

功率谱是用来描述随机信号的频域特征，它能反映随机信号中隐藏的周期性和谱峰。在功率谱的实际求取过程中，随机信号的长度是有限的，因此要根据有限的数据对原始信号的真实功率谱进行估计，这个过程通常称为功率谱估计。功率谱估计一般可分为两类：一类是经典功率谱估计，实质是依据傅里叶变换估计有限个样本的功率谱特征，其信号特性不全且分辨率较低，如平均周期图法等；另一类是现代功率谱估计，针对经典功率谱估计的缺陷进行了改进，对已知的数据建立一个参数模型，有效的提高了分辨率，如最大熵功率谱估计法[20]、迭代最大熵功率谱估计法[21]等。

关于功率谱分析技术在储粮害虫检测中的应用方面，郭敏等[22]采集了5种主要储粮害虫的微弱爬行声信号，利用小波分析技术对活动声信号进行去噪，随后利用功率谱分析法从时域和频域两方面对不同种类储粮害虫的爬行声信号进行分析，实验结果发现5种储粮害虫由于速度、体重的不同，使得害虫声信号的峰值频率及主要频率范围也存在明显差异。GENG S等[23]采集了小麦和玉米中的害虫蠕变声信号，并利用matlab中的小波变换对害虫蠕变信号进行降噪，分析其功率谱特征，结果显示2种功率谱都为离散但有明显差异，最终证明了功率谱分析法可用来分析粮堆中的害虫种类。

功率谱技术创新的关键在于功率谱估计的方法[24]，因此未来的工作重点是功率谱估计方法的突破。

4 图像识别法及应用

图像作为人类视觉的基础，在人类的感知体系中具有独一无二的作用，但人类仅可以感知电磁波中的可见光部分，各种图像成像机器则可以得到几乎所有的电磁波谱，因此图像处理逐渐成为人们的研究重点。随着图像采集设备价格的下降，网络通信宽带的扩展，推动了数字图像处理技术的应用发展。在储粮害虫检测中，研究人员将计算机技术、模式识别、数字图像处理等技术相结合，来实现储粮害虫的精确检测，一般按照图像采集、特征提取、分类识别和测试数据集的步骤[25]，实现图像的采集、处理、还原、分析、识别等功能。

4.1 支持向量机

支持向量机(SVM)是一种以统计学习理论为基础的机器学习方法，对回归问题和二值分类问题的处理十分有效，其原理是在两类不同的数据之间寻找一个分类边界，在保证边界精准的把数据按类别分开的基础上，使边界两侧与数据之间的空白部分达到最大。最初的支持向量机只对线性可分的数据集有较高的分类精度，之后出现了非线性的支持向量机：核支持向量机(KSVM)，它可以通过对核函数的优化来提高核支持向量机的精确度，目前已有多种核函数，如：多项式核[26]、拉普拉斯核[27]等。核支持向量机的优势在于精准，但计算复杂度非常高，对大规模数据的处理耗时耗力。

关于支持向量机技术在储粮害虫检测中的应用方面，张红涛等[28]提出了一种基于近红外光的储粮害虫活虫检测方法来精准定位活虫位置，随后将模拟退火算法与支持向量机相结合，在15类粮虫训练样本中构造所有二类分类器，根据活虫的尾部弧度、精确长宽比等21个整体形态学特征和7个局部形态学特征进行识别分类，结果显示对活虫的分类准确率达到了94.8%。廉飞宇等[29]运用五种常见边缘检测算法和元胞自动机算法对储粮害虫图像进行边缘检测并提取其特征，随后分别用RBF神经网络和支持向量机进行分类识别，结果显示，支持向量机明显优于RBF神经网络，并且当图像中含有两种或两种以上的储粮害虫时，元胞自动机结合支持向量机的准确率更加优异，达到了91.38%。

支持向量机能够根据训练数据对模型进行自适应调整，具有较好的泛化能力和性能，在解决小样本、非线性和高维模式识别问题中表现出特有的优势，但在处理多分类数据方面还有待改善。支持向量机对算法的依赖性较高，因此使用新的算法[30]进行优化，将是支持向量机技术未来的发展趋势。

4.2 多标记学习

传统的监督学习方法都是单标记学习，意味着只能将一种数据贴上一个标签，但在实际应用中，并不是某一样本只属于一个类别，因此多标记学习应运而生。多标记学习样本由一个示例和多个标记组成，其主要任务是建立一个多标记分类器模型，将已知的多标记学习样本集中的多个标记赋予给未知的样本示例。由于多标签数据属于多个类，且相应的类边界总是重叠，从而导致决策空间相当复杂[31]，因此就要使用高效的算法进行分类。多标记学习的主要方法有两种：一种是问题转化[32]，另一种是算法自适应[33]。问题转化是将一个多标记学习问题转变成多个传统的二分类问题，如：BR[34]、LP[35]、RPC[36]等。算法自适应是在现有二分类算法结构的基础上进行改进，从而实现多标记学习分类，如：决策树算法、神经网络算法等。

关于多标记学习技术在储粮害虫检测中的应用方面，柏天才[37]利用改进的小波阈值法和区域生长法对复杂粮虫图像进行预处理，并使用三种特征提取方法进行特征提取，随后利用稀疏编码将多示例多标记问题转化为多标记问题，最后使用AdaBoost.MH算法构建多标记分类器，对100副储粮害虫图像进行识别分类，取得了较好的识别结果，证明了多标记储粮害虫图像分类是有效可行的。

多标记学习因其计算复杂度低且不会过度拟合等特点已被广泛的应用在众多领域，但还有一些问题有待完善，如：覆盖率小、准确率低、易忽视不同标签之间的关联性等，因此提出一个高效且覆盖率广的算法是目前研究的重点方向，可以从问题转化和算法自适应这两个方面去寻求算法的突破。

4.3 深度学习

深度学习是机器学习领域的一个热门方向，它是Hinton等[38]在2006年提出的。深度学习对比传统神经网络等浅层学习而言，传统神经网络和深度神经网络都是包含输入层、隐含层、输出层，但不同之处在于深度学习的隐含层数更多，分层结构也更加接近人类大脑神经结构。深度学习的目的是要模拟人类大脑，建立一个类似大脑神经结构的模型，其原理是对原始信号进行多层的非线性操作，自动学习目标特征，从而实现更精准的分类识别。

国内外学者对深度学习技术在储粮害虫检测中的应用展开了研究[39]，Wu等[40]对常见的15种储粮害虫进行信息采集，利用VGG16模型建立卷积神经网络对6 900张显微图像数据集进行训练，并使用迁移学习进行优化，最后用四种不同的优化策略与交叉验证法进行对比，实验证明交叉验证100次的总准确率最高，达到了83.8%。Li等[41]对收集到的84副图像数据进行增强，随后将基于ZF模型的卷积神经网络与基于非极大值抑制的区域生成网络进行结合，对较小的多尺度图像进行训练，最后将改进的ZF网络与其他三种方法进行对比，结果显示ZF网络需要的参数更少且准确率更高，平均精度达到了88.5%。

深度学习一直是备受关注的热点问题，对比传统的机器学习，深度学习的拟合能力更强，还可以从模型的深度中得到指数增益，但是深度学习的解释性差、计算效率低等问题还需要继续完善，一些学者在以下方面进行了改进：添加更多的模型层、优化相关算法、增强训练数据集等，纷纷取得了一些成效。

5 其他检测技术及应用

5.1 电导率法

电导率法又称电阻法，是根据谷物内部湿度的变化来检测谷物的完整性，原理是谷物的湿度会影响电阻值的大小，且含虫谷物的湿度远高于正常谷物。电导率法测定农作物的水分含量、发芽率、成熟度等生理特性具有方便、廉价、精准的特点，因此已初步应用于多种谷物的品质评价。

关于电导率技术在储粮害虫检测中的应用方面，Pearson等[42]首次提出利用电导率法检测储粮害虫，其利用单粒谷物特性测定仪SKCS4100测量小麦的电导率，通过对电信号进行处理来区分正常小麦和害虫小麦，实验显示，对大型幼虫和蛹的平均检测准确率达到了88%。熊宁等[43]研究了不同条件下稻谷浸出液电导率的变化趋势，分析了553份稻谷浸泡24 h的浸出液电导率发现，稻谷浸出液电导率增大速率与温度成正相关，并且不同品质的稻谷电导率增大的趋势基本一致，且24 h后电导率差值基本稳定，为今后的稻谷评测奠定了理论基础。

电导率法具有操作简单、结果精准、零失误率的特点，是一种经济的储粮害虫检测方法，但存在只能单粒检测的缺陷。因此还需要研究人员继续改进，提高检测速度及效率。

5.2 气味分析法

气味分析法是根据粮仓中的正常粮食、霉变粮食、受侵染粮食发挥出的不同气味来分析粮食的状态。一旦粮食受到某种储粮害虫的侵染，就会散发出一种特殊的挥发物，根据挥发物的比例可以鉴别出昆虫的种类。储粮害虫还会被粮食所散发的气味或某种特殊的化学气味所吸引，利用储粮害虫的这种特性可以对其进行防治。

关于气味分析技术在储粮害虫检测中的应用方面，唐培安等[44]利用FOX3000型电子鼻对玉米象不同密度、不同虫态的挥发物进行了收集，随后采用主成分分析法和判别因子分析法对收集到的数据进行分析，结果显示主成分分析法的效果并不理想，而判别因子分析法则可以将玉米象混合虫态的不同样本进行有效区分，证明了电子鼻结合判别因子分析法检测储粮害虫的可行性及高效性。SRIVASTAVA等[45]利用电子鼻对不同贮藏天数的不同粮食样品产生的挥发物进行了记录，然后使用PCA和MLR根据蛋白质和尿酸含量对粮食进行分级，结果显示分级准确率较高，证明了电子鼻对于储粮害虫检测的高效性。

气味分析法的关键优势在于一旦确定了样本中产生的某种特定挥发性化合物就可以成为适当的生物标记物，为今后对这种害虫的控制提供重要数据，但在实际应用中湿度等外界环境会影响挥发物的释放和检测。因此今后的发展重点是真实环境下的挥发物提取技术。

5.3 陷阱式诱捕法

陷阱式诱捕法是利用储粮害虫的某些生理特征进行诱捕，如害虫会被某种食物气味、发霉粮食气味或某种化合物气味所吸引。其步骤是将食物或某种引诱剂放入制作好的陷阱中，对储粮害虫实施诱捕，再使用图像处理等技术进行分析[46]，从而检测储粮害虫的密度及种类。

关于储粮害虫的诱捕方法，Collins L E等[47]使用了多种陷阱诱捕器及不同引诱剂，在实验室和粮仓等环境下对不同种类、品系和年龄的储粮害虫进行了诱捕，结果显示CSL I-Spy昆虫指示器探测到的储粮害虫种类更多且效率更高。谭达川等[48]对粮仓害虫仓外采集检测系统进行改进，在粮仓内合适的地点放入多个诱捕器进行信息采集，通过与计算机结合，检测仓内氮气浓度与储粮害虫数量之间的关系，该系统实现了仓外自动检测技术，并且可以进行多点同时检测，减少了劳动力，提高了粮虫检测效率。

诱捕法具有简单、方便、成本低等优点，但易受环境因素影响，且对惰性害虫或者虫卵等无法移动的储粮害虫效果较差，因此未来的发展趋势在于研制出一种重复使用、易于组装、容易识别的陷阱诱捕器。

6 结论

利用现代信息技术对储粮害虫进行防控已成为当前的研究热点，有助于粮仓工作人员对储粮害虫进行科学合理的防治。从上文对储粮害虫检测技术的分析中可以看出，尽管国内外学者已取得显著的研究成果，为更高效的现代信息检测技术研究奠定了坚实的基础，但是现有的现代信息检测技术在实际应用方面还有待进一步研究与完善，因此难以充分满足目前储粮害虫检测方面的需求。针对这些技术的缺陷，可以多元化的发展储粮害虫检测技术，不再局限于光学或声学等某一技术的发展，而是多种技术有机结合，相互交叉，取长补短，如：利用生物光子检测法能检测隐蔽性害虫的特点与图像识别法相结合，建立智能化的在线检测平台，实时检测从虫卵到成虫所有时期的储粮害虫。还可以将更多有效的技术应用在储粮害虫检测中，提高检测的效率及准确率，如：利用遥感技术及空间动态分析等方法，对复杂性种群动态产生的条件进行研究，做到从根本上防治害虫。目前粮食在产后储藏期间的损失极其严峻，因此仍需要国内外学者对现有的储粮害虫检测技术进行研究并改进，同时探索更有效的新技术，为储粮害虫的防治提供科学、合理的参考依据。