糧食病蟲害識別研究進展

劉鵬　張亮　李藝嘉　朱洋

[摘要]糧食害蟲識別一直是國家所關注的重點，害蟲的種類與鑒別是進行害蟲防治的必要依據。國內有大量的學者將精力投入尋找更加快速、準確的識別方法中。本文對目前國內幾種主要的害蟲識別方法，即人工識別法、生物信息檢測法、光譜法、圖像識別法進行了分析，總結了這幾種方法的優缺點，提出了未來糧食病蟲害識別的研究方向。

[關鍵詞]糧食安全;病蟲害;病蟲害識別

中圖分類號：TP391.4

文獻標識碼：A

DOI：10.16465/j.gste.cn431252ts.20190415

我國作為人口大國，糧食問題一直都是國家關注的重點問題。2018年我國糧食總產量達到65789萬噸，人均糧達到445.7千克，但是每年都會有約5%的糧食因為害蟲問題而浪費。尋找一種簡單高效的糧食害蟲檢測方法，準確檢測糧食中的害蟲變得格外重要。目前的糧食害蟲檢測識別方法主要包括人工識別法、生物信息檢測法、光譜法、圖像識別法"。本文對這些方法的優缺點、應用形式進行：了概括，提出了未來的發展形勢，為尋找糧食害蟲檢測新方法提供了幫助。

1人工判別法

人工判別法一直是害蟲識別重要部分，該方法是通過放大鏡、顯微鏡、傳感器等工具判別害蟲的種類，統計害蟲的數量。田冉（21采用對射式紅外傳感器設計了害蟲識別計數的方法，當害蟲落入對射區間內，電信號輸出量會發生變化，根據電信號微弱的變化對害蟲進行識別、計數。鄭禎等B1比較了探管誘捕方法與取樣篩選害蟲方法，在夏季倉糧堆表層設置5個檢測點，比較嗜卷書虱與印度谷螟的檢測效果，通過比較選取合適的方法進行害蟲判別。上述方法雖然能對害蟲進行簡單分類，但是分類誤差和勞動強度都比較大，檢測人員需要對監測的害蟲有一定的了解，不利于害蟲檢測的自動化發展。

2生物信息法

生物信息法是通過研究害蟲的生物信息對害蟲進行分類鑒定。張明真等（41提出了基于流形學習和SVM的儲糧害蟲聲信號識別方法，通過研究不同儲糧害蟲的4種活動聲信號，采用流形學習的等距特征映射方法對聲信號實行降維并提取流形特征，以重尾徑向基為核函數的SVM訓練最優分類面，對流形特征進行測試和鑒別。常志勇等[51提出一種通過電子鼻方法檢測根莖類植物根部病蟲害的方法，根據根莖類植物根部病蟲害嚴重度，評估根莖類植物病蟲害嚴重度。這種方法能夠快速檢測根莖類植物根部的病蟲害，為預防和減少根莖類植物病蟲害提供可靠的支撐。但是生物信息法進行糧食害蟲識別對樣本的要求較高，樣本準備和采樣時間較長，不適用于大批量糧食樣本的檢測。

3光譜法

光譜法是利用不同種類的糧食害蟲對光譜反射率的不同進行分類。張紅濤等提出一種利用近紅外高光譜圖像鑒別糧蟲生命體征的方法。首先將害蟲放人液氮中用低溫猝死法殺死害蟲，再用近紅外高光譜成像系統采集害蟲圖像，用基于最大離差法的最優特征波長的提取方法，提取活蟲和死蟲的最優波長，并采用閾值法對害蟲進行識別。田有文等利用高光譜成像技術，采用分段混合距離方法確定玉米螟蟲害無損檢測的最優波段，提取單波段玉米螟蟲特征圖像，實現對玉米螟蟲的快速、無損檢測。吳雅茹等利用高光譜成像進行了黃瓜蚜蟲檢測，通過手持光譜儀檢測有蟲黃瓜葉片高光譜反射率，并分析了400～900nm波段的反射率參數與黃瓜蚜蟲個數的相關和回歸關系，構造預測模型，實現對黃瓜蚜蟲的檢測。上述研究都采用光譜法進行糧食害蟲識別，識別率很高，但每次只能對一只害蟲進行識別，并且有的害蟲體型較小，有的會到處爬行，不易采集光譜信息。

4圖像識別法

圖像識別法是對采集的害蟲圖像進行圖像預處理、圖像分割、特征提取、圖像分類等步驟，從而對害蟲進行識別。胡玉霞等91研究了以ACO-SVM為基礎的糧蟲特征提取，提出了將交叉驗證訓練模型的識別率作為糧食害蟲特征提取評價標準的一個重要因素，將蟻群優化算法應用于糧蟲特征的自動提取。刁智華等[101提出了一種通過增加特征個數增加病害識別率的方法，以小麥白粉病為例，在提取矩形度、伸長度等特征的基礎上，提取病斑的原型度、曲率等特征，進行單個病斑參數的提取，對獲得的參數進行比較，增加了小麥白粉病的識別率。張政云等川針對玉米害蟲圖像采集時遇到的問題，提出了一種基于復合算法的二維運動模糊圖像處理方法。這種方法利用Rason變換和自相關函數計算，確定出模糊方向和模糊尺度，再選用Lucy-Richardson方法復原圖像，使圖像清晰度變得更高。圖像識別法具有準確度高、勞動量小的優點，可以實現糧食害蟲的自動分類識別，是未來害蟲檢測潛力巨大的發展方向。

5結論

本文分析了目前幾種糧食害蟲識別方法，總結：了各自的優缺點。雖然國內已經有大量的學者投身于糧食害蟲識別的工作，但是現有的害蟲識別方法依然有很大的不足，仍然有大批的糧食被害蟲糟蹋。糧食害蟲識別技術仍需要不斷創新、不斷突破，今后的研究重點應該放在識別的種類、精度、效率上，建立更加完善圖像采集系統，選取更有代表性的特征進行提取，研究更加方便實用的優化算法，提高識別率。

參考文獻

[1]蔣中柱，化學信息素在儲糧害蟲綜合防治中的應用[J].糧食科技與經濟，2001（2）：32-34.

[2]田冉，基于紅外與圖像的果樹害蟲監測方法研究[D].天津：天津科技大學，2017.

[3]鄭禎，王殿軒，周曉軍，等.探管誘捕與取樣篩檢小麥糧堆表

層儲糧害蟲的效果比較[J].河南工業大學學報（自然科學版），2017（2）：116-121.

[4]張明真，郭敏.基于流形學習和SVM的儲糧害蟲聲信號識別研究[J].云南大學學報（自然科學版），2014（2）：174-180.

[5]常志勇，陳東輝，佟月英，等。基于人體嗅覺特征的豬肉新鮮度仿生電子鼻檢測技術[J].吉林大學學報（工學版），2012（S1）：131-134.

[6]張紅濤，胡玉霞，毛罕平，等。基于近紅外高光譜成像的糧蟲

生命體征檢測研究[J].農機化研究，2014（8）：165-168+173.

[7]田有文，邢曉琪，王小奇，等。基于高光譜成像的玉米螟無損檢測最優波段的選取[J].沈陽農業大學學報，2015（6）：719-724.

[8]吳雅茹，趙家奇，胡祖慶。基于高光譜的設施黃瓜蚜蟲蟲害檢測及其預測模型[J].陜西農業科學，2018（8）：80-83.

[9]胡玉霞，張紅濤，羅康，等。基于ACO-SVM的糧蟲特征提取研究[J].安徽農業科學，2012（6）：3781-3782+3785.

[10]刁智華，魏玉泉，刁春迎，等。基于圖像的小麥白粉病形狀特征參數優化與提取[J].江蘇農業科學，2017（21）：229-231.

[11]張政云，焦俊，孟珠李，等.基于復合算法的二維運動模糊圖像處理[J].內蒙古農業大學學報（自然科學版），2017（4）：60-68.

[12]劉迦南，朱洋，李藝嘉，韓婧。基于LIBSVM的煙青蟲成蟲雌雄判別研究[J].糧食科技與經濟，2018（9）：117-119.