基于圖像處理技術(shù)的儲糧害蟲檢測

基于圖像處理技術(shù)的儲糧害蟲檢測

文創(chuàng)技術(shù)的應(yīng)用糧食害蟲（以下簡稱糧食害蟲）包括外部糧食害蟲和內(nèi)部糧食害蟲。識別方法包括人工識別法、聲音識別法、近紅外光譜法、圖像識別等。利用計算機圖像處理技術(shù)檢測糧蟲,具有準確度高、勞動量小、效率高、便于與糧庫現(xiàn)有的計算機管理系統(tǒng)相連接等優(yōu)點,近十多年來一直是糧蟲領(lǐng)域的研究熱點。國內(nèi)外學(xué)者在這方面進行了大量的研究,取得了很大進展,但目前與糧食行業(yè)的商品化應(yīng)用還有一定的距離。本文就計算機圖像處理技術(shù)在自動識別糧粒外部和內(nèi)部害蟲中的研究進行綜述和展望。1外部成蟲檢測糧粒外部的害蟲成蟲不僅直接危害糧食,而且雌蟲在糧粒內(nèi)部產(chǎn)卵,產(chǎn)下的卵和幼蟲在幾周內(nèi)不易被肉眼發(fā)現(xiàn),因此外部成蟲的檢測是非常重要的。扦樣法是外部害蟲檢測中一種傳統(tǒng)而又常用的方法,即人工過篩后由肉眼判別害蟲的種類,該法工作量大、效率低,不可避免地出現(xiàn)人為誤差。目前,國內(nèi)外學(xué)者基本上都是通過基于可見光圖像的自動識別來自動檢測糧粒外部害蟲,其他圖像自動識別方法還未見報道。1.1糧蟲識別率的變化1998年,Zayas等首先報道了糧蟲自動識別系統(tǒng)。糧食經(jīng)傾斜篩處理后,篩過物由人工放入條狀箱中;用1488×1180像素的數(shù)碼相機獲取采樣室內(nèi)的圖像,提取出R、G、B、H、S、I每一個分量中的中值、均值、標準差等35個特征,用inhouse編寫的多變量分析算法對害蟲進行判別分析,由SAS程序選擇最優(yōu)特征并驗證判別分析的結(jié)果。實驗表明,70幅圖像中谷蠹、草籽和其他雜質(zhì)的識別率分別為90.3%、94.6%和93.1%。該法對子圖像進行了識別,并判斷是否屬于害蟲身體的一部分,增強了圖像中的糧蟲目標,但害蟲的3個姿態(tài)(腹部、背部、側(cè)身)及其身上的附著物影響識別率,還不能區(qū)分死蟲和活蟲,糧蟲的數(shù)量仍需人工統(tǒng)計。Ridgway等(2001年和2002年)針對英國商業(yè)部的檢測標準開發(fā)了害蟲、鼠糞和麥角自動檢測系統(tǒng)。由人工處理并使每幅圖像中的單層麥粒不多于25個,且互不接觸,把蟲子(在干冰中急劇冷卻致死)、鼠糞和麥角隨機放在CCD視區(qū)內(nèi)的白色卡片上。設(shè)計了最小運算量的線性分割檢測器來定位圖像中的害蟲,并對鋸谷盜、谷象、赤擬谷盜等6種甲蟲進行了檢測,判斷是否有蟲的識別率為93%。并提出用混合自適應(yīng)閾值算法檢測鼠糞和麥角,實驗表明田鼠糞、家鼠糞和麥角的檢出率分別為99%、98%和87%,系統(tǒng)圖像處理速度接近1kg/min。目前處于實驗室模型階段,且只能對死蟲進行計數(shù)。他們在檢測方案設(shè)計、提高檢測速度等方面做了大量的工作,但糧蟲采集前端仍需人工參與,需要提高檢測裝置的自動化程度。1.2糧蟲分類識別邱道尹等(2003)首次提出了基于計算機視覺的糧蟲在線檢測,并研制了智能檢測系統(tǒng)。系統(tǒng)中的取樣機構(gòu)利用負壓將檢測點的糧食吸入取樣器,傳送機構(gòu)控制糧食樣本單層傳送,途經(jīng)CCD攝像機視區(qū)時,實時地攝取圖像序列并由OK-C30S型采集卡傳送到微機內(nèi)存。提取出糧蟲二值化圖像的面積、圓形性等17個形態(tài)學(xué)特征;運用模擬退火算法選擇出面積、復(fù)雜度等10個適于分類的特征。系統(tǒng)能以86.5%的正確率在線識別出大谷盜、谷蠹等12種害蟲,首次實現(xiàn)了糧蟲的實時計數(shù)及其分類,但活蟲會出現(xiàn)重計和漏計的現(xiàn)象,也不能區(qū)分死蟲和活蟲。自2003年起,國內(nèi)學(xué)者著重于糧蟲圖像預(yù)處理和識別分類方面的研究,并取得了一些成果。周龍(2005年)用小波分析法將二維糧蟲圖像分解為n層,對每個層次都選一定的閾值,對其頻率系數(shù)從高到低進行閾值量化處理,根據(jù)具體需要對二維糧蟲圖像信號進行重構(gòu),可以實現(xiàn)小波分析去噪處理,然后再進行邊緣檢測,可以得到較清晰的糧蟲特征圖像,但都沒有涉及后續(xù)的識別方法和識別結(jié)果。張紅梅等(2005年)提取了3種儲糧害蟲米象、鋸谷盜、雜擬谷盜的靜態(tài)圖像的數(shù)理統(tǒng)計特征、紋理特征和幾何形狀特征,采用3層BP神經(jīng)網(wǎng)絡(luò)進行分類和識別的準確率為83.33%。甄彤等(2006年)和廉飛宇等(2006年)采用三幀差分法實現(xiàn)谷物害蟲圖像恢復(fù)與提取,利用圖像的一階灰度值直方圖和圖像的目標區(qū)域,自動提取靜態(tài)儲糧害蟲圖像的紋理等特征。提出利用多類SVM分類器的方法對米象、鋸谷盜、雜擬谷盜3種糧蟲的樣本圖像進行分類,結(jié)果表明SVM的識別性能比BP神經(jīng)網(wǎng)絡(luò)提高7個百分點。2糧食精神蟲害檢測儲糧易受到糧粒外部和內(nèi)部害蟲的侵害,害蟲成蟲在麥粒的外部,但是在其內(nèi)部產(chǎn)卵,直到成熟以后才到外部。美國食品與藥品管理局規(guī)定了害蟲玷污的缺陷作用水平——每百克麥粒中存在不少于32個害蟲侵染粒,英國相關(guān)部門也明確規(guī)定了糧食侵染粒的最小值。對于糧食儲藏,糧粒內(nèi)部害蟲的檢測是一個重要的難題。內(nèi)部害蟲的檢測方法有溶液懸浮法、尿酸測定法、化學(xué)反應(yīng)法、伯利斯漏斗法、聲音檢測法、近紅外光譜法、核磁共振光譜法、X射線法、電導(dǎo)率檢測法、圖像處理法等。圖像處理法由于能快速、自動、無損檢測糧粒內(nèi)部是否存在害蟲,是十年來研究的熱點,國外學(xué)者做了大量的研究工作。2.1麥粒的近紅外圖像處理系統(tǒng)的研究2000年,其目前在全國一個月近紅外(nearinfraredspectroscopy,簡稱NIR)是波長在700~2500nm之間的電磁波,可利用有機化學(xué)物質(zhì)在該譜區(qū)的光學(xué)特性來快速估測樣品中化學(xué)成分的含量。近年來在農(nóng)作物生長信息檢測、農(nóng)產(chǎn)品質(zhì)量檢測等多個方面得到了廣泛的應(yīng)用。1996年,Ridgway等開始研究應(yīng)用NIR反射光譜自動識別麥粒內(nèi)部的害蟲。通過研究認為,由于侵染麥粒內(nèi)部化學(xué)成分和物理結(jié)構(gòu)的改變,導(dǎo)致了它與正常麥粒的二階微分光譜之間有明顯的區(qū)別。害蟲的蛋白質(zhì)和甲殼質(zhì)的檢測為麥粒內(nèi)部害蟲的機器視覺自動檢測提供了足夠的證據(jù)。1998年,他們對10個侵染麥粒和10個正常麥粒進行實驗后發(fā)現(xiàn),在1202nm波長成像時二者的NIR圖像有明顯區(qū)別,即受到較大的幼蟲侵染的麥粒圖像中有一塊很大的亮斑,這是由于害蟲進食消耗淀粉,導(dǎo)致麥粒減少了對近紅外的吸收而造成的,而正常的則一律為暗色,且1202nm和1300nm兩個波長圖像的差分可增強二者之間的差別。因此,他們認為在NIR波段成像并進行穩(wěn)定快速的分類是可行的。為了提高圖像的質(zhì)量并降低成像設(shè)備的成本,1999年運用700~1100nm波段的NIR光譜來研究麥粒內(nèi)部谷象幼蟲和蛹的檢測。實驗表明,設(shè)計的982~1014nm和972~1032nm2波長分類模型對侵染的識別率超過了96%,其中光譜區(qū)別的主要原因在于幼蟲的成長而導(dǎo)致了淀粉含量的減少和谷物水分的增加,且981nm比1202nm波長的圖像分類效果更好。由此可見,在成像系統(tǒng)中采用濾光片,廉價、快速、可靠的機器視覺方法來檢測谷物內(nèi)部的害蟲是完全可能的。2001年,研制了一個981nm的近紅外圖像處理系統(tǒng)來檢測麥粒內(nèi)部的害蟲侵染。一幀圖像含互不接觸的25個麥粒,用模版消除對害蟲侵染檢測的干擾,即可定位麥粒內(nèi)部最重要的亮斑(害蟲最有可能侵害的區(qū)域),然后運用閾值來確定亮斑是否和幼蟲的侵染有關(guān)聯(lián)。實驗表明,該法識別率為85%,超過了人眼78%的檢測率,且比人工肉眼發(fā)現(xiàn)侵染要提前7周左右。2003年,提出自歸一運算可很好地增強這些亮斑,識別率超過了95%,單個麥粒圖像的處理時間為7ms,這只是圖像處理和分析的時間。目前系統(tǒng)僅針對單個麥粒進行處理,在圖像獲取裝置、糧粒的批處理等方面還有待于進一步研究。2.2麥粒初始成像及分類軟X射線波長大約為1~100nm,其能量小穿透力弱,一般采用鈹窗鈷靶限制能量,適合于低密度材料的掃描,在谷物分類、禽蛋孵化等方面有廣泛的應(yīng)用。該法檢測糧粒的主要原理是當糧粒受到害蟲的侵染之后,糧粒密度的降低而導(dǎo)致成像有所變化。Keagy等(1991年)對不同蟲齡階段侵染的麥粒X光膠片的數(shù)字化圖像的4種分辨率進行研究,由經(jīng)過訓(xùn)練的專業(yè)人員進行分類識別。結(jié)果表明,當分辨率為65.6μm/像素時,和糧蟲原始膠片的識別率相當。因此要想達到人工目視檢測的效果,任何自動獲取X射線圖像系統(tǒng)的傳感器分辨率不能低于此臨界值。為了減少人工識別糧蟲的主觀性,Keagy等(1993年)提出用機器來識別麥粒內(nèi)部谷象的侵染。經(jīng)拉普拉斯模板圖像增強及閾值分割去除背景后,將256級灰度圖像轉(zhuǎn)化為麥粒內(nèi)部邊緣的二值圖像,并根據(jù)圖像中的麥粒溝是否為一條直線來判斷是否受到侵染。系統(tǒng)對害蟲第四齡的識別率超過了50%,這和同等條件下人眼的識別率相當,且識別率隨著害蟲的生長階段而變化,但識別率有待于提高。Haff等(1999年和2004年)設(shè)計了高分辨率X射線實時線掃描成像系統(tǒng),以檢測谷象的侵染。每幀圖像中有大約350個人工放置的麥粒,電子快門控制采樣的時間為149ms,單個麥粒的圖像可直接在計算機的顯示器上顯示并由人眼分類,這樣就不需要在看版臺上用顯微鏡對膠片進行判讀,提高了分類的效率。該裝置很容易和麥粒自動傳送帶(置于X射線管和圖像增強器之間)相結(jié)合,但尚需要再研究實現(xiàn)糧蟲圖像的自動分析系統(tǒng),以實現(xiàn)檢測系統(tǒng)的自動化。Karunakaran等(2003年和2004年)設(shè)計了麥粒侵染自動檢測系統(tǒng)。把單個麥粒放在塑料泡沫中間,將泡沫置于X射線管和探頭之間的平臺上掃描3~5s,并由CCD攝像機捕捉探測器上的圖像。設(shè)計的線性參數(shù)分類器對赤擬谷盜和銹赤扁谷盜幼蟲侵染麥粒的識別率為84%,對米象和谷蠹的蛹和成蟲侵染的識別率為100%。2004年,用固定閾值法去除塑料泡沫背景分割出麥粒,提取出直方圖、紋理、不變矩等共計57個特征,運用4層BP神經(jīng)網(wǎng)絡(luò)分類器進行分類,對4個幼蟲階段(第1齡到第4齡)侵染麥粒的識別率為86%,正常麥粒的識別率為99%。Fornala等(2006年)將50粒麥子粘在一張紙上,在谷象產(chǎn)卵后的第3、5、7、10、20和30d分別用X光照射后成像在Kodak150膠片上,將底片掃描成灰度圖像后運用Olympus公司的MicroImage4軟件包進行圖像處理。程序算法分3個階段,首先運用“ContrastEnhancement”增強目標和背景的對比度,然后運用“LocalEqualisation”濾波增強邊緣的對比度,最后運用閾值分割圖像并提取面積、占空比等4個特征進行分類。經(jīng)過研究認為,谷粒當中的谷象卵(產(chǎn)后5d)即可用軟X射線檢測出來,并推出了麥粒侵染程度和侵染時間之間的方程式,預(yù)測準確率在90%以上,對預(yù)測麥粒的侵染時間有很重要的意義。3糧蟲的分類和征優(yōu)化問題縱觀過去十多年國內(nèi)外應(yīng)用計算機圖像處理技術(shù)自動識別儲糧害蟲的研究現(xiàn)狀,可以看出,國內(nèi)的研究基本上集中在應(yīng)用可見光法檢測糧粒外部的成蟲,在糧蟲自動取樣裝置、圖像預(yù)處理、特征優(yōu)化分析和分類識別方面取得了大量的研究成果。國外在糧粒內(nèi)部害蟲的檢測方面做了大量的研究工作,我國應(yīng)用近紅外方法檢測糧蟲的研究才剛剛起步,而國內(nèi)還沒有應(yīng)用軟X射線自動識別糧蟲的研究報道。盡管國內(nèi)外學(xué)者在糧蟲的靜態(tài)圖像獲取、圖像處理和分析、特征提取、識別分類方面做了大量的工作,取得了很大的進展。但在識別的種類、精度、實時性、效率等方面需要不斷提高,還不能識別死蟲和活蟲,離商業(yè)化產(chǎn)品還存在一定的距離,急需進一步開展廣泛而深入的研究。作者認為計算機圖像處理技術(shù)自動識別儲糧害蟲今后應(yīng)開展以下關(guān)鍵技術(shù)的研究。(1)糧蟲的圖像識別法糧倉中的糧蟲有200多種,目前在可見光識別方面,基本上都是針對幾種或十幾種常見的害蟲展開研究,識別種類有待于進一步擴展。但糧蟲大多為棕褐色,本身的體形也很小,體形之間的差別也不大,有些糧蟲僅通過圖像識別法是無法準確區(qū)別開來的,如米象和玉米象,有些糧蟲之間的差別微乎其微,如赤擬谷盜和雜擬谷盜,這些都增加了自動識別的難度。因此除了形態(tài)學(xué)特征外,還需要提取顏色、紋理等新的特征,特別是一些無量綱的特征,以形成適于分類的最優(yōu)知識庫。另外,可以采用雙目視覺圖像分別提取糧蟲的背部、腹部等形態(tài)特征,提高識別精度。(2)糧蟲的種類無法識別我國《糧油儲藏技術(shù)規(guī)范》中明確規(guī)定,蟲糧等級標準中的害蟲密度是按照活蟲的數(shù)量來劃分的,因此只需要對活蟲進行計數(shù)和分類。目前研究的識別方法,只能對糧蟲進行計數(shù)并識別其種類,并不能辨別出糧蟲的“死”“活”,即便大部分活蟲會四處爬行,但仍有部分糧蟲在受驚之后會表現(xiàn)出“假死”現(xiàn)象,如果僅僅捕捉活動中的糧蟲圖像,無法克服假死問題。糧蟲的趨高性、趨光性、趨化性等特性可作為輔助的判別手段,但必然會降低識別的效率和可靠性。作者認為死蟲和活蟲的含水率是不同的,利用水分對近紅外波段的吸收特性,在可見光至近紅外光譜范圍內(nèi),提取能夠有效區(qū)分死蟲和活蟲的敏感光譜波段圖像特征,通過多波段的信息融合解決活蟲與死蟲的識別,經(jīng)作者初步的實驗證明這種方法是可行的。(3)注意檢測所感染的糧粒為了防止糧食數(shù)量的減少和質(zhì)量的降低,快速檢測早期糧食的害蟲侵害是非常迫切的,這就需要從源頭上著手——準確檢測受到蟲卵和小幼蟲侵染的糧粒。然而受到糧粒內(nèi)部蟲卵和小幼蟲侵染的糧粒與正常糧粒從外部圖像特征看并沒有很明顯的區(qū)別,因此,國內(nèi)應(yīng)加強近紅外法和軟X射線法的檢測技術(shù)的研究,利用可見光圖像、近紅外圖像、X射線圖像、光譜探測等多傳感信息融合技術(shù),實現(xiàn)蟲卵和小幼蟲侵染粒的自動檢測。(4)糧食的檢測效率