儲(chǔ)糧害蟲(chóng)檢測(cè)識(shí)別技術(shù)研究現(xiàn)狀與展望

祝玉華，李 苗，黨 豪，甄 彤

（河南工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，河南 鄭州 450001）

0 引言

糧食在儲(chǔ)藏過(guò)程中常遭受蟲(chóng)、霉、鼠、雀等有害生物的侵害造成數(shù)量和質(zhì)量上的損失，其中害蟲(chóng)是造成糧食產(chǎn)后損失的一個(gè)重要因素，在倉(cāng)儲(chǔ)過(guò)程中的危害也尤為重大.全世界每年新收獲的谷物總量中，后期因倉(cāng)儲(chǔ)害蟲(chóng)所造成的重量損失約為15%，一些發(fā)展中國(guó)家的技術(shù)水平跟不上，人力、物力投入少，早期防治不及時(shí)，造成的產(chǎn)后損失可高達(dá)25%以上[1-3].我國(guó)是世界上最主要的產(chǎn)糧和消費(fèi)大國(guó)，近年來(lái)，我國(guó)的糧食年產(chǎn)量已達(dá)5 000 億kg，庫(kù)存量高達(dá)年產(chǎn)量的一半以上，儲(chǔ)糧害蟲(chóng)早期檢測(cè)的任務(wù)刻不容緩.目前，國(guó)內(nèi)外傳統(tǒng)的儲(chǔ)糧害蟲(chóng)檢測(cè)方法主要有扦樣法和誘集法[4-7]，這兩種方法雖然能檢測(cè)出糧倉(cāng)內(nèi)是否有害蟲(chóng)，但是需耗費(fèi)大量勞動(dòng)力且很難準(zhǔn)確地判斷出害蟲(chóng)的種類(lèi)及密度.近些年隨著信息化在各個(gè)行業(yè)的廣泛應(yīng)用，國(guó)家糧食局在實(shí)施糧食收儲(chǔ)供應(yīng)安全保障工程（簡(jiǎn)稱(chēng)“ 糧安工程”）規(guī)劃中對(duì)倉(cāng)儲(chǔ)的信息化要求不斷加深，一些專(zhuān)家學(xué)者將相關(guān)信息技術(shù)如：X 射線、圖像處理、聲音信號(hào)識(shí)別和光學(xué)信號(hào)識(shí)別技術(shù)應(yīng)用于倉(cāng)儲(chǔ)害蟲(chóng)的檢測(cè)，為信息技術(shù)在儲(chǔ)糧害蟲(chóng)檢測(cè)識(shí)別方面奠定了理論基礎(chǔ).作者對(duì)這些新方法的優(yōu)劣勢(shì)、應(yīng)用狀況做了簡(jiǎn)要的概括，并展望了未來(lái)的發(fā)展趨勢(shì)，為今后實(shí)現(xiàn)倉(cāng)儲(chǔ)害蟲(chóng)的準(zhǔn)確檢測(cè)提供了新思路.

1 倉(cāng)儲(chǔ)害蟲(chóng)檢測(cè)技術(shù)研究現(xiàn)狀

1.1 軟X 射線成像檢測(cè)法

軟X 射線成像檢測(cè)法是從X 射線形成的圖像出發(fā)，依據(jù)谷物受到蟲(chóng)害感染后，谷物籽粒密度下降從而使成像發(fā)生變化，能有效檢測(cè)出谷物中的蟲(chóng)害規(guī)律.Karunakaran Chithra[8]用軟X 射線法檢測(cè)不同生命階段的銹赤扁谷盜、赤擬谷盜、印度谷螟、米象和谷蠹5 類(lèi)主要的倉(cāng)儲(chǔ)害蟲(chóng)對(duì)小麥籽粒的危害，檢測(cè)出籽粒被銹赤扁谷盜和赤擬谷盜幼蟲(chóng)感染的正確識(shí)別率在84%以上，被銹赤扁谷盜蛹和成蟲(chóng)感染的識(shí)別率達(dá)96%，被印度谷螟幼蟲(chóng)感染的識(shí)別率達(dá)97%.可見(jiàn)，不同的生命階段的不同蟲(chóng)種的識(shí)別率也不同.同時(shí)測(cè)出不同生命階段的米象和谷蠹的谷物識(shí)別率在98%以上.他還在試驗(yàn)中證明了軟X 射線法可用于谷物的分類(lèi)及區(qū)分不同水分含量的小麥籽粒.后來(lái)研究者開(kāi)始利用更先進(jìn)的設(shè)備、技術(shù)與軟X 射線法相融合，實(shí)現(xiàn)了更高層次的檢測(cè)水平.Haff 等[9]利用一個(gè)高分辨率的X射線實(shí)時(shí)成像系統(tǒng)檢測(cè)侵染了象鼻蟲(chóng)和米象的卵、幼蟲(chóng)、蛹、成蟲(chóng)的小麥，識(shí)別率為84.4%.Pearson 等[10]設(shè)計(jì)了一種自動(dòng)識(shí)別算法，利用軟X 射線形成的圖像，自動(dòng)從每個(gè)圖像里提取64 個(gè)特征值，判斷分析測(cè)試最有可能的3 個(gè)特征值的組合，然后對(duì)圖像進(jìn)行分類(lèi).該算法能自動(dòng)識(shí)別除早期幼蟲(chóng)之外所有蟲(chóng)期的倉(cāng)儲(chǔ)害蟲(chóng)，軟X 射線法還能檢測(cè)大豆、大米等農(nóng)作物中的糧蟲(chóng)與霉菌[11].Chelladuraia 等[12]將線性分類(lèi)和二次分類(lèi)方法與軟X 射線法相結(jié)合檢測(cè)大豆中的象鼻蟲(chóng)，證明軟X 射線法能檢測(cè)除了卵期之外的所有生命階段的象鼻蟲(chóng)，檢測(cè)率在86%以上.

1.2 儲(chǔ)糧害蟲(chóng)聲信號(hào)檢測(cè)法

儲(chǔ)糧害蟲(chóng)聲信號(hào)檢測(cè)法是通過(guò)檢測(cè)和分析害蟲(chóng)在糧堆這個(gè)小型的生態(tài)系統(tǒng)中的一系列生命活動(dòng)時(shí)發(fā)出的聲音，將聲信號(hào)放大、濾波后利用數(shù)字信號(hào)處理的方法分析信號(hào)的聲頻譜特征，得到害蟲(chóng)的種類(lèi)與數(shù)量進(jìn)而評(píng)價(jià)其對(duì)糧庫(kù)的危害等級(jí).儲(chǔ)糧害蟲(chóng)聲信號(hào)檢測(cè)法在20 世紀(jì)80 年代后期隨著計(jì)算機(jī)的普及才真正的發(fā)展起來(lái).Vick 等[13]在實(shí)驗(yàn)室中使用麥克風(fēng)檢測(cè)小麥、玉米和大米中的米象等幼蟲(chóng)的活動(dòng)聲（吃食聲和爬行聲），得到3種樣品中害蟲(chóng)吃食聲的最高頻率分別為1 200 Hz、587 Hz 和1 475 Hz，發(fā)現(xiàn)害蟲(chóng)的數(shù)量與害蟲(chóng)的發(fā)聲數(shù)目相關(guān).此項(xiàng)研究為聲信號(hào)檢測(cè)倉(cāng)儲(chǔ)害蟲(chóng)的發(fā)展奠定了基礎(chǔ).Shuman 等[14]研發(fā)出第一代“ 聲探測(cè)定位昆蟲(chóng)檢測(cè)器”，雖然只能用于檢測(cè)害蟲(chóng)很少的情況，但是第一次實(shí)現(xiàn)了谷物樣品的快速評(píng)級(jí).Hagstrum 等[15]在6 個(gè)農(nóng)場(chǎng)中分別使用自動(dòng)聲學(xué)傳感器做試驗(yàn)，得出谷物是一個(gè)強(qiáng)有力的聲音吸收器，在糧粒中聲音的傳輸主要通過(guò)氣體；證明了谷物間聲音傳輸?shù)木嚯x與糧食堆積的深度無(wú)關(guān)，而與糧粒的內(nèi)核間距有關(guān)，并成功估計(jì)了害蟲(chóng)的危害等級(jí).Shuman 等[16]研發(fā)出第二代“ 聲探測(cè)昆蟲(chóng)特征檢測(cè)器”，在理想條件環(huán)境噪聲幾乎為零的情況下，利用蟻群算法思想和精密的實(shí)驗(yàn)儀器檢測(cè)小麥樣品中任意位置的兩只害蟲(chóng)的聲音信號(hào)，檢測(cè)到的概率為90%以上，這一研究成果已用于美國(guó)出口谷物的評(píng)級(jí).Mankin[17]采用電刺激的方法提高了印度谷螟幼蟲(chóng)的活動(dòng)水平，從而提高了聲學(xué)探測(cè)能力.試驗(yàn)證明電刺激是改進(jìn)倉(cāng)儲(chǔ)害蟲(chóng)聲檢測(cè)的可靠性方法.耿森林等[18]對(duì)米象成蟲(chóng)、赤擬谷盜成蟲(chóng)以及兩者復(fù)合后在小麥樣品中的爬行聲進(jìn)行了功率譜估計(jì)，利用聲信號(hào)的頻域特征識(shí)別害蟲(chóng)的類(lèi)別，準(zhǔn)確率很高，證明害蟲(chóng)聲頻域特征比時(shí)域特征在鑒別害蟲(chóng)種類(lèi)上更精確.近幾年，隨著多種技術(shù)的融合發(fā)展，聲信號(hào)檢測(cè)法的數(shù)據(jù)準(zhǔn)確率又上了一個(gè)臺(tái)階[19].韓安太等[20]在設(shè)計(jì)儲(chǔ)糧害蟲(chóng)聲信號(hào)檢測(cè)系統(tǒng)時(shí)首次融合了無(wú)線傳感器網(wǎng)絡(luò)和壓縮感知技術(shù).試驗(yàn)中通過(guò)使用多個(gè)采集節(jié)點(diǎn)來(lái)同時(shí)檢測(cè)同一區(qū)域提高準(zhǔn)確率外，還使用高比率的壓縮算法，測(cè)得數(shù)據(jù)的平均丟包率小于10%，平均傳輸延遲小于2.5 s，實(shí)現(xiàn)了儲(chǔ)糧害蟲(chóng)聲信號(hào)的實(shí)時(shí)、遠(yuǎn)程、可靠傳輸.秦昕等[21]建立了儲(chǔ)糧害蟲(chóng)聲信號(hào)特征數(shù)據(jù)庫(kù)，為以后的研究提供了有效數(shù)據(jù).

1.3 生物光子檢測(cè)法

生物光子檢測(cè)法是利用生物的超微弱發(fā)光現(xiàn)象，當(dāng)生物體發(fā)生如霉變、蟲(chóng)害等時(shí)，其生物光子輻射都會(huì)發(fā)生顯著變化，從而判斷谷物中是否含有隱蔽性害蟲(chóng)[22-24].2013 年河南工業(yè)大學(xué)糧食信息處理與控制教育部重點(diǎn)實(shí)驗(yàn)室[25]使用生物光子檢測(cè)技術(shù)，對(duì)含蟲(chóng)小麥籽粒和正常小麥籽粒進(jìn)行對(duì)比，識(shí)別率高達(dá)95%，這為小麥隱蔽性蟲(chóng)害的檢測(cè)提供了一種新思路.生物光子檢測(cè)法能檢測(cè)早期谷物中的隱蔽性害蟲(chóng)，還能用于谷物霉變檢測(cè)、糧食安全和質(zhì)量檢測(cè)、種子活性檢測(cè)等諸多方面.生物光子技術(shù)在農(nóng)業(yè)方面的應(yīng)用非常廣泛，但是在谷物的害蟲(chóng)識(shí)別方面還處于實(shí)驗(yàn)階段.

1.4 圖像識(shí)別檢測(cè)法

圖像識(shí)別檢測(cè)法是以數(shù)字農(nóng)業(yè)為基礎(chǔ)，并結(jié)合圖像處理技術(shù)，利用谷物與害蟲(chóng)的結(jié)構(gòu)和顏色信息來(lái)實(shí)現(xiàn)在線檢測(cè).在國(guó)內(nèi)外，對(duì)儲(chǔ)糧害蟲(chóng)的檢測(cè)與識(shí)別技術(shù)上進(jìn)行大量的研究，主要集中在害蟲(chóng)圖像分割、害蟲(chóng)圖像特征提取和害蟲(chóng)識(shí)別3 個(gè)方面.Keagy 等[26]利用機(jī)器視覺(jué)的方法識(shí)別小麥籽粒中象鼻蟲(chóng)的傷害，為害蟲(chóng)的圖像識(shí)別奠定了基礎(chǔ).準(zhǔn)確識(shí)別是倉(cāng)儲(chǔ)害蟲(chóng)檢測(cè)的核心內(nèi)容.徐昉等[27]提出了基于圖像識(shí)別的儲(chǔ)糧害蟲(chóng)在線檢測(cè)方法.將CCD 攝像機(jī)安置于特定的取樣裝置內(nèi)，鎖定焦距，在糧倉(cāng)內(nèi)抽取糧食樣本，CCD 攝像機(jī)實(shí)時(shí)地?cái)z取圖像系列，然后通過(guò)圖像增強(qiáng)和二值化處理，在線判斷有無(wú)害蟲(chóng)；若有害蟲(chóng)，利用圖像的特征提取、分類(lèi)等一系列的信息處理手段，判斷害蟲(chóng)的種類(lèi)和密度以及位置信息.此項(xiàng)研究為害蟲(chóng)的綜合防治提供可靠的技術(shù)支持.此方法現(xiàn)已識(shí)別赤擬谷盜、米象、谷蠢等主要倉(cāng)儲(chǔ)害蟲(chóng)，識(shí)別率高達(dá)85%以上.Zayas 等[28]用數(shù)字圖像技術(shù)判斷小麥散裝糧中的害蟲(chóng)，并結(jié)合多光譜分析技術(shù)和模式識(shí)別的方法檢測(cè)谷蠢成蟲(chóng)，識(shí)別率高達(dá)90%.張成花等[29-30]利用BP 神經(jīng)網(wǎng)絡(luò)、RBP 網(wǎng)絡(luò)和模糊技術(shù)對(duì)玉米象、赤擬谷盜、雜擬谷盜和長(zhǎng)角扁谷盜等12 種9 類(lèi)常見(jiàn)的害蟲(chóng)進(jìn)行離線識(shí)別檢測(cè)，3 種技術(shù)檢測(cè)率分別為95.6%，96.7%，95.6%，并選擇用RBP 網(wǎng)絡(luò)分類(lèi)器進(jìn)行在線識(shí)別，識(shí)別率達(dá)86.5%.

儲(chǔ)糧害蟲(chóng)圖像識(shí)別的難點(diǎn)是特征提取，如果提取出來(lái)的特征均能很好地進(jìn)行害蟲(chóng)分類(lèi)，則能大大提高識(shí)別率.甄彤等[31-33]采用數(shù)字圖像處理技術(shù)，在谷物的一級(jí)灰度直方圖和圖像中自動(dòng)提取出4 組靜態(tài)特征值，為倉(cāng)儲(chǔ)害蟲(chóng)的快速鑒定和分類(lèi)研究開(kāi)辟了新途徑.張紅濤等[34]運(yùn)用蟻群優(yōu)化算法在17 個(gè)由糧蟲(chóng)的二值化圖像提取出的形態(tài)學(xué)特征中自動(dòng)提取出7 個(gè)最優(yōu)子空間，然后采用支持向量機(jī)分類(lèi)器對(duì)大谷盜、谷蠹、米象、黑菌蟲(chóng)等9類(lèi)主要的倉(cāng)儲(chǔ)害蟲(chóng)分類(lèi)，識(shí)別率高達(dá)95%.此研究證實(shí)了基于蟻群優(yōu)化算法的糧蟲(chóng)特征提取的可行性.張衛(wèi)芳[35]分別采用Robert 算法、Prewitt 算法、Canny 算法3 種經(jīng)典的邊緣檢測(cè)算法以及灰度級(jí)理論算法，對(duì)儲(chǔ)糧害蟲(chóng)的二值化圖像（含噪聲和不含噪聲兩種）進(jìn)行邊緣檢測(cè)，證明基于灰度理論的邊緣檢測(cè)算法具有邊緣定位準(zhǔn)確、抗噪性強(qiáng)、檢測(cè)邊緣連續(xù)有效等優(yōu)點(diǎn).張紅濤等[36]提出一種有效的倉(cāng)儲(chǔ)害蟲(chóng)局部特征提取方法，將模擬退火算法應(yīng)用在支持向量機(jī)的分類(lèi)上，實(shí)現(xiàn)了對(duì)常見(jiàn)的15種倉(cāng)儲(chǔ)害蟲(chóng)分類(lèi)，正確率為94.8%.圖像識(shí)別檢測(cè)法已經(jīng)用于檢測(cè)商業(yè)樣本糧，識(shí)別率達(dá)89%.

2 倉(cāng)儲(chǔ)害蟲(chóng)檢測(cè)方法比較

這4 種儲(chǔ)糧害蟲(chóng)檢測(cè)新技術(shù)，雖然都是無(wú)損、綠色無(wú)污染的檢測(cè)方法，但是各有利弊，在不同的糧倉(cāng)內(nèi)都有試驗(yàn)來(lái)驗(yàn)證其精確性.其中軟X 射線成像檢測(cè)法能有效地檢測(cè)出內(nèi)部害蟲(chóng)和外部害蟲(chóng)；聲信號(hào)檢測(cè)法能快速、準(zhǔn)確判斷害蟲(chóng)的種類(lèi)及數(shù)量，評(píng)價(jià)害蟲(chóng)的危害級(jí)別；微生物光子檢測(cè)法能檢測(cè)早期谷物中的隱蔽性害蟲(chóng)，還能用于谷物霉變檢測(cè)、糧食安全和質(zhì)量檢測(cè)，是一種綠色無(wú)污染的檢測(cè)技術(shù)；圖像識(shí)別法能與很多檢測(cè)技術(shù)相結(jié)合實(shí)現(xiàn)一種害蟲(chóng)、水分、溫度同時(shí)在線檢測(cè)平臺(tái)技術(shù)，是一種很有潛力的方法.這4 種方法的優(yōu)缺點(diǎn)對(duì)比情況見(jiàn)表1.

表1 4 種檢測(cè)新技術(shù)的優(yōu)缺點(diǎn)Table 1 The advantages and disadvantages of four kinds of inspection technology

3 分析展望

近年來(lái)倉(cāng)儲(chǔ)害蟲(chóng)檢測(cè)雖取得了一些進(jìn)展，科研工作者也將多種檢測(cè)算法應(yīng)用于糧蟲(chóng)檢測(cè)，但要將這些理論應(yīng)用于實(shí)際倉(cāng)房，還存在亟待解決的問(wèn)題.

3.1 數(shù)字圖像噪聲與環(huán)境噪聲

軟X 射線成像法中，數(shù)字圖像的噪聲會(huì)影響檢測(cè)的精確率，因此可以嘗試用小波去噪的方法提高識(shí)別率；聲信號(hào)檢測(cè)法中，難點(diǎn)是將環(huán)境噪聲或者糧食沉降聲與害蟲(chóng)發(fā)出的聲音區(qū)分開(kāi)，研究者可以從檢測(cè)糧蟲(chóng)的可聽(tīng)聲轉(zhuǎn)移到檢測(cè)超聲，避免環(huán)境噪聲的影響；同時(shí)儲(chǔ)糧害蟲(chóng)種類(lèi)繁多時(shí)如何有效地提取害蟲(chóng)的聲音特征，即建立害蟲(chóng)聲信號(hào)發(fā)射模型是聲信號(hào)檢測(cè)方法的發(fā)展趨勢(shì)[33].

3.2 圖像識(shí)別中多特征的提取

儲(chǔ)糧害蟲(chóng)圖像識(shí)別的前提是特征提取，因此獲取圖像準(zhǔn)確特征的方法成為研究重點(diǎn)[37-40].同類(lèi)糧蟲(chóng)在不同生命階段、運(yùn)動(dòng)狀態(tài)中的圖像矢量特征呈多樣化，很難用符號(hào)特征表述，需要分析出最能表現(xiàn)圖像本質(zhì)特征的多個(gè)特征值，建立一系列精確的數(shù)學(xué)表達(dá)式，形成圖像特征的理論基礎(chǔ).不同糧蟲(chóng)需根據(jù)其不同的形態(tài)特征、內(nèi)部屬性、生存環(huán)境提取多個(gè)具代表性的矢量特征，并與糧蟲(chóng)的圖像一起形成圖像的特征模型，才能實(shí)現(xiàn)圖像識(shí)別中多特征的提取.

3.3 多種檢測(cè)技術(shù)相結(jié)合

在實(shí)際應(yīng)用中單一的使用這些技術(shù)很難滿(mǎn)足糧庫(kù)的技術(shù)需要，多種檢測(cè)技術(shù)相結(jié)合是糧蟲(chóng)檢測(cè)的必然趨勢(shì).將軟X 射線法能檢測(cè)出內(nèi)部和外部害蟲(chóng)的優(yōu)點(diǎn)與圖像識(shí)別法相結(jié)合，無(wú)疑能形成更科技化、智能化的在線檢測(cè)平臺(tái).聲音檢測(cè)法可以利用害蟲(chóng)的吃食聲來(lái)定位害蟲(chóng)，與圖像識(shí)別法相結(jié)合，則能精確地檢測(cè)出害蟲(chóng)的位置、種類(lèi)和密度.若利用生物光子法能檢測(cè)出隱蔽性害蟲(chóng)的優(yōu)點(diǎn)與圖像識(shí)別法相結(jié)合，理論上來(lái)說(shuō)糧倉(cāng)內(nèi)任何時(shí)期所有的害蟲(chóng)均能被檢測(cè)出，更好的實(shí)現(xiàn)害蟲(chóng)的早期檢測(cè).

4 結(jié)論

盡管科研工作者已經(jīng)實(shí)現(xiàn)了多種有效的檢測(cè)方法，為我國(guó)精確高效地檢測(cè)倉(cāng)儲(chǔ)害蟲(chóng)的研究奠定了良好的前期基礎(chǔ)，但是現(xiàn)有倉(cāng)儲(chǔ)害蟲(chóng)檢測(cè)技術(shù)仍然存在不足之處.因此，儲(chǔ)糧害蟲(chóng)檢測(cè)技術(shù)必須不斷創(chuàng)新、不斷提高.作者在總結(jié)國(guó)內(nèi)外倉(cāng)儲(chǔ)害蟲(chóng)檢測(cè)新技術(shù)的研究成果基礎(chǔ)之上，就數(shù)字圖像噪聲和環(huán)境噪聲、圖像識(shí)別中多特征提取、多種檢測(cè)技術(shù)的融合使用3 方面做出分析與展望.今后的研究重點(diǎn)應(yīng)更多地從害蟲(chóng)的種群、群落和倉(cāng)儲(chǔ)生態(tài)系統(tǒng)入手，利用遙感技術(shù)、模式識(shí)別技術(shù)和空間動(dòng)態(tài)分析方法，研究復(fù)雜性種群動(dòng)態(tài)產(chǎn)生的條件及其在信息技術(shù)中的作用機(jī)制，為倉(cāng)儲(chǔ)害蟲(chóng)的分類(lèi)與識(shí)別提供可靠、科學(xué)的決策支撐.

［1］付昌斌，張興.利用植物性物質(zhì)防治儲(chǔ)糧害蟲(chóng)研究進(jìn)展［J］.糧食儲(chǔ)藏，1996，25（5）:6-10.

［2］陳啟宗，黃建國(guó).倉(cāng)庫(kù)昆蟲(chóng)圖冊(cè)［M］.北京:科學(xué)出版社，1985.

［3］國(guó)家糧食局，“ 十五”糧食行業(yè)科技發(fā)展規(guī)劃［Z］.2001.

［4］Neethirajan S，Karunakaran C，Jayas D S，et al.Detection techniques for stored-product insects in grain［J］.Food Control，2007，18（2）:157-162.

［5］胡麗華，郭敏，張景虎，等.儲(chǔ)糧害蟲(chóng)檢測(cè)新技術(shù)及應(yīng)用現(xiàn)狀［J］.農(nóng)業(yè)工程學(xué)報(bào)，2007，23（11）：286-290.

［6］路靜，傅洪亮.儲(chǔ)糧害蟲(chóng)檢測(cè)和分類(lèi)識(shí)別技術(shù)的研究［J］.糧食儲(chǔ)藏，2014，43（1）:6-9.

［7］農(nóng)業(yè)部.農(nóng)業(yè)統(tǒng)計(jì)提要［EB/OL］.［2007-05-29］.http://www.agri.gov.cn/sjzl/nongyety.htm.

［8］Karunakaran Chithra.Soft X-ray inspection of wheat kernels to detect infestations by storedgrain insects［D］.Ann Arbor:The University of Manitoba（Canada），2002.

［9］Haff R P，Slaughter D C.Real-time X-ray inspection of wheat for infestation by the granary weevil，Sitophilus granarius（L.）［J］.American Society of Agricultural and Biological Engineers，2004（2）:531-537.

［10］Pearson T C，Cetin A E，Tewfik A H，et al.Feasibility of impact acoustic emissions for detection of damaged wheat kernels［J］.Digital Signal Processing，2007，17:617-633.

［11］Singh C B，Jayas D S，Paliwal J，et al.Detection of insect -damaged wheat kernels using near-infrared hyperspectral imaging［J］.Journal of Stored Products Research，2009，45（3）:151-158.

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

［13］Vick K W，Webb J C，Weaber B A.Sound detection of stored-product insects that feed inside kernels of grain［J］.Journal of Economic Entomology，1988，81（5）:1489-1493.

［14］Shuman D，Coffelt J A，Vick K W，et al.Quantitative acoustical detection of larvae feeding inside kernels of grain［J］.Journal of Econ -omic Entomology，1993，86（3）:933-938.

［15］Hagstrum D W，F(xiàn)linn P W，Shuman D.Automated monitoring using acoustical sensors for insects in farm-stored wheat［J］.Journal of Economic Entomology，1996，89（1）:211-217.

［16］Shuman D，Weaver D K，Mankin R W.Quantifying larval infestation with an acoustical sensor array and cluster analysis of cross -correlation outputs［J］.Applied Acoustics，1997，50（4）:279-296.

［17］Mankin R W.Increase in a acoustic detectability of Plodia Interpunctella（Lepidoptera:Pyralidae）larvae in stored products after electrical stimulation［J］.The Florida Entomologist，2002，85（3）:524-526.

［18］耿森林，尚志遠(yuǎn).基于害蟲(chóng)聲頻域特征的儲(chǔ)糧害蟲(chóng)種類(lèi)鑒別研究［J］.農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究，2005，21（4）:241-243.

［19］Mankin R W，Samson P R，Chandler K J.Acoustic detection of melolonthine larvae in australian sugarcane［J］.Journal of Economic Entomology，2009，102（4）:1523-1535.

［20］韓安太，何勇，李劍鋒，等.基于無(wú)線傳感器網(wǎng)絡(luò)的糧蟲(chóng)聲信號(hào)采集系統(tǒng)設(shè)計(jì)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26（6）:181-187.

［21］秦昕.儲(chǔ)糧害蟲(chóng)活動(dòng)聲信號(hào)特征研究［D］.西安：陜西師范大學(xué)，2012.

［22］陳勝，黃楚云，李默然.生物超微弱發(fā)光及其應(yīng) 用［J］.黃石理工學(xué)院學(xué)報(bào)，2006，22（4）:82-84.

［23］Costanzo E，Gulino M，Lanzano L，et al.Single seed viability checked by delayed luminescence［J］.European Biophysies Journal，2008，37（2）:235-238.

［24］郭建軍.大豆種子光誘導(dǎo)延遲發(fā)光特性研究［D］.天津：南開(kāi)大學(xué)，2008.

［25］史衛(wèi)亞，焦珂珂，王艷娜，等.基于生物光子學(xué)的小麥蟲(chóng)害識(shí)別模型［J］.河南工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，34（6）:100-104.

［26］Keagy P M，Schatzki T F.Machine recognition of weevil damage in wheat radiographs［J］.Cereal Chemistry，1993，70（6）:696-700.

［27］徐昉，邱道尹，白旭光，等.利用圖像處理技術(shù)檢測(cè)糧倉(cāng)害蟲(chóng)的研究［J］.鄭州工程學(xué)院學(xué)報(bào)，2001，22（1）:78-81.

［28］Zayas I Y，F(xiàn)linn P W.Detection of insects in bulk wheat samples with machine vision［J］.Transactions of the ASAE，1998，41（3）:883-888.

［29］張成花.基于圖像識(shí)別的儲(chǔ)量害蟲(chóng)分類(lèi)的研究［D］.鄭州：鄭州大學(xué)，2002.

［30］邱道尹，張紅濤，陳鐵軍，等.基于機(jī)器視覺(jué)的儲(chǔ)糧害蟲(chóng)智能檢測(cè)系統(tǒng)軟件設(shè)計(jì)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2003，34（2）:83-85.

［31］甄彤，范艷峰，鄒炳強(qiáng)，等.谷物害蟲(chóng)圖像識(shí)別中特征值提取技術(shù)的研究［J］.微電子學(xué)與計(jì)算機(jī)，2004，21（12）:111-115.

［32］甄彤，范艷峰.基于支持向量機(jī)的儲(chǔ)糧害蟲(chóng)分類(lèi)識(shí)別技術(shù)研究［J］.計(jì)算機(jī)工程，2006，32（9）：167-169.

［33］范艷峰，甄彤.谷物害蟲(chóng)檢測(cè)與分類(lèi)識(shí)別技術(shù)的研究及應(yīng)用［J］.計(jì)算機(jī)工程，2005，31（12）：187-189.

［34］張紅濤，毛罕平，邱道尹.儲(chǔ)糧害蟲(chóng)圖像識(shí)別中的特征提取［J］.農(nóng)業(yè)工程學(xué)報(bào)，2009，25（2）:126-130.

［35］張衛(wèi)芳.基于圖像處理的儲(chǔ)量害蟲(chóng)檢測(cè)方法研究［D］.西安：陜西師范大學(xué)，2010.

［36］張紅濤，李芳，胡玉霞，等.倉(cāng)儲(chǔ)害蟲(chóng)局部形態(tài)學(xué)特征提取方法研究［J］.河南農(nóng)業(yè)科學(xué)，2014，43（2）:84-87.

［37］郭敏，張麗娜.基于聲信號(hào)的儲(chǔ)糧害蟲(chóng)檢測(cè)方法的研究與發(fā)展［J］.中國(guó)糧油學(xué)報(bào)，2011，26（12）:123-127.

［38］王貴財(cái)，張德賢，李寶利，等.糧蟲(chóng)視覺(jué)檢測(cè)技術(shù)的現(xiàn)狀與展望［J］.中國(guó)糧油學(xué)報(bào)，2014，29（4）:124-128.

［39］程小麗，武傳欣，劉俊明，等.儲(chǔ)糧害蟲(chóng)防治的研究進(jìn)展［J］.糧食加工，2011，36（5）：70-73.

［40］Zhang H M，Wang J.Detection of age and insect damage incurred by wheat，with an electronic nose［J］.Journal of Stored Products Research，2007，43（4）:489-495.