一种粮食虫蚀粒早期检测方法及装置与流程

本发明属于粮食品质检测技术领域，具体涉及一种粮食虫蚀粒早期检测方法及装置。

背景技术：

粮食储藏期间，储粮害虫的危害十分严重。据联合国粮农组织统计，全世界每年大约5％的粮食由于产后害虫侵蚀而损失，如果由于人力、物力和技术限制，可能会达到20-30％。而我国作为世界上粮食生产、储藏及消费大国，粮食产后损失率在8％-12％，每年损失的粮食超过500亿斤，因此，粮食虫害的实时检测成为迫在眉睫的问题。危害我国储粮安全最为严重的害虫玉米象、米象、麦蛾和谷蠹等，均属典型隐蔽性害虫。在适宜条件下，被隐蔽性害虫侵染的粮粒，几乎蛀成空壳或碎屑，其自身代谢活动导致储粮水分增加，粮温升高，引起储粮发热、霉变与结块，降低粮食品质与数量。因此如何早期发现、准确定位害虫已成为安全储粮工作中一项重要内容。

在生产中实际应用的储粮害虫检测方法主要有两种：一是扦样法；二是诱集法(包括探针和陷阱诱捕、引诱剂及信息素诱捕、光诱捕以及声诱捕等)。但这两种方法只能检查到粮粒外部害虫，也就是隐蔽性害虫(如玉米象、谷蠹、麦蛾等)的成虫。而此时害虫的主要危害期(幼虫期)已过。如果能提前检测到粮粒内部虫期，就可为准确确定防治时机提供科学依据，减少储粮损失。因此，寻找有效的隐蔽性害虫早期检测方法是预防储粮虫害损失的主要研究方向。

目前，国内外普遍采用以下五种标准方法检测隐蔽性害虫：

(1)二氧化碳产生量方法。该方法测量粮食样品在培养室中24小时的二氧化碳排放量，以此来确定虫害感染的程度。但是这种方法并不适合于湿度很高的谷物(大于15％)，因为在这种情况下，谷物本身和其它微生物也要排放二氧化碳，影响虫害的检测结果。

(2)茆三酮氨基酸反应法。该方法中，小麦样品需要压碎，来自于虫害的氨基酸和涂有茆三酮试剂的试纸发生反应，用以指示虫害等级。

(3)悬浮法。该方法的原理是：当小麦籽粒发生虫害时，虫害侵蚀导致籽粒重量减小，从而使虫害粒悬浮，但这种方法不适合锈赤扁谷盗属害虫的检测。

(4)声学法。声学检测法将粮食样本放入隔声盒，隔声盒内安装有声音放大器用于传输虫害进食或活动时的声音，通过检测幼虫活动或进食时发出的声音信号检测发生虫害与否。然而这种方法不能探测非进食阶段(卵期和蛹期)的虫害，且检测环境要求苛刻，很难实现在线检测。

(5)x射线法。该方法是将小麦暴露于软x射线下，通过对x射线图像的检测揭示粮食籽粒的虫害情况，但该方法很难检测卵期和早期幼虫的发生，同时对工作人员会造成一定的辐射伤害。

技术实现要素：

本发明的目的是提供一种粮食虫蚀粒早期检测方法及装置，用于克服现有五种标准方法检测隐蔽性害虫的缺点，解决二氧化碳产生量方法检测结果不准确，茆三酮氨基酸反应法采用化学试剂并破坏粮食样本完整性，悬浮法检测虫害的种类有限，及x射线法检测不到幼虫早期的虫害、并对工作人员产生辐射伤害的一系列问题。

为解决上述技术问题，本发明提出一种粮食虫蚀粒早期检测方法，包括以下解决方案：

方法方案一，包括以下步骤：

1)将加热后待测的粮食籽粒进行热成像，得到图像i'1；对所述图像i'1进行处理，得到每个籽粒对应的第一图像；

2)提取与每个籽粒对应图像的灰度值相关的特征参数，将所述特征参数进行无量纲处理后，根据建立的分类模型，判断每个籽粒是否染虫。

方法方案二，在方法方案一的基础上，所述分类模型的建立过程包括以下步骤：

a1)将不同虫期的染虫籽粒和正常籽粒作为样本，对所述样本加热后进行热成像，得到图像i1，对所述图像i1进行处理，得到每个籽粒对应的图像；

a2)提取步骤a1)中与每个籽粒对应图像的灰度值相关的特征参数，将所述特征参数进行无量纲处理后，根据主成分分析方法得到s个主成分特征参数；

a3)将所述s个主成分特征参数作为输入节点，将籽粒的染虫状态作为输出节点，根据机器学习的相关算法，建立所述分类模型。

方法方案三，在方法方案二的基础上，步骤2)和步骤a2)中提取的特征参数均包括：计算所述第一图像内部最高n1％的灰度值的平均值，作为第一特征参数，其中0<n1≤100；计算所述第一图像内部最高n1％的灰度值的均方差，作为第二特征参数，其中0<n1≤100；将得到的所述第一图像内部最高n1％的灰度值的平均值，与计算所述第一图像内部最高n2％的灰度值的平均值作差，作为第三特征参数，其中n1+n2＝100，0<n1<100。

方法方案四，在方法方案三的基础上，步骤1)中还包括以下步骤：将冷却后的所述待测的粮食籽粒进行热成像，得到图像i'2，对所述图像i'2进行处理，得到冷却后每个籽粒对应的第二图像；

步骤a1)中还包括以下步骤：将冷却后的所述样本进行热成像，得到图像i2，对所述图像i2进行处理，得到每个籽粒对应的图像。

方法方案五，在方法方案四的基础上，步骤2)和步骤a2)中所述提取的特征参数还均包括：取所述第二图像内部最高m1％的灰度值的平均值，作为第四特征参数，其中0<m1≤100；取所述第二图像内部最高m1％的灰度值的均方差，作为第五特征参数，其中0<m1≤100；将得到的所述第二图像内部最高m1％的灰度值的平均值，与计算所述第二图像内部最高m2％的灰度值的平均值作差，作为第六特征参数，其中m1+m2＝100，0<m1<100。

方法方案六，在方法方案五的基础上，所述机器学习的相关算法包括极限学习机，或bp神经网络算法。

方法方案七，在方法方案四的基础上，对所述图像i'1、图像i1、图像i'2和图像i2进行处理包括以下步骤：

通过设定全局阈值，将图像i'1、图像i1、图像i'2和图像i2转化为只有背景和籽粒的二值图像，将背景分割后的籽粒图像进行距离变换，距离变换后对粘连的籽粒进行分割。

为解决上述技术问题，本发明提出一种粮食虫蚀粒早期检测装置，包括以下解决方案：

装置方案一，包括样品台、热红外相机和加热装置，所述热红外相机用于对样品台上的样本拍摄图像，所述加热装置用于对样品台上的样本进行加热，所述热红外相机连接有图像处理模块，所述图像处理模块包括采集处理单元和判断单元；

所述采集处理单元用于将加热后待测的粮食籽粒进行热成像，得到图像i'1；对所述图像i'1进行处理，得到每个籽粒对应的第一图像；

所述判断单元用于提取与每个籽粒对应图像的灰度值相关的特征参数，将所述特征参数进行无量纲处理后，根据建立的分类模型，判断每个籽粒是否染虫。

装置方案二，在装置方案一的基础上，所述加热装置包括加热板和控制器，所述控制器用于控制加热板对样本进行加热的温度。

装置方案三，在装置方案一的基础上，还包括以下单元：

籽粒成像单元：用于将不同虫期的染虫籽粒和正常籽粒作为样本，对所述样本加热后进行热成像，得到图像i1，对所述图像i1进行处理，得到每个籽粒对应的图像；

特征参数提取单元：用于与每个籽粒对应图像的灰度值相关的特征参数，将所述特征参数进行无量纲处理后，根据主成分分析方法得到s个主成分特征参数；

模型建立单元：用于将所述s个主成分特征参数作为输入节点，将籽粒的染虫状态作为输出节点，根据机器学习的相关算法，建立所述分类模型。

装置方案四，在装置方案三的基础上，所述特征参数提取单元包括：用于计算所述第一图像内部最高n1％的灰度值的平均值，作为第一特征参数，其中0<n1≤100；计算所述第一图像内部最高n1％的灰度值的均方差，作为第二特征参数，其中0<n1≤100；将得到的所述第一图像内部最高n1％的灰度值的平均值，与计算所述第一图像内部最高n2％的灰度值的平均值作差，作为第三特征参数，其中n1+n2＝100，0<n1<100的单元。

本发明的有益效果是：本发明提取加热后待测粮食籽粒热成像的单个籽粒图像，提取与每个籽粒对应图像的灰度值相关的特征参数，无量纲处理后，作为已建立的分类模型的输入，并根据所述分类模型的输出，判断每个籽粒是否染虫。本发明仅采集粮食籽粒的热图像，就能进行不同种类隐蔽性虫害的幼虫早期检测，检测结果准确，成像过程中不会破环籽粒的完整性、不需要任何化学试剂、不会产生任何有害物质，并且，本发明所提出的检测方法的工作过程均由计算机自动完成，不需要人工参与，不会影响工作人员的健康，是一种绿色无损的检测技术。

附图说明

图1是一种粮食虫蚀粒早期检测装置示意图；

图2是本发明建立分类模型的过程流程图；

图3是本发明的粮食虫蚀粒早期检测方法流程图。

具体实施方式

由于虫害在生长的各个阶段都伴随着呼吸作用，导致热产生，从而使粮食籽粒温度升高。因此，当采集粮食籽粒表面的温度图像时，隐藏于粮食籽粒内部的隐蔽性害虫就能被探测到。此外，粮食籽粒内部由于虫害的发生和生长，其内部营养成分，如蛋白质、水分、淀粉、脂肪含量等均会发生改变，这些物质的改变也会导致籽粒在加热和冷却过程中产生热图像的差异。因此，本发明提出采用热成像技术实现粮食籽粒隐蔽性害虫的早期检测。

下面结合附图对本发明的具体实施方式作进一步的说明。

为了得到粮食籽粒的热图像，采用的粮食虫蚀粒早期检测装置如附图1所示。该装置主要由样品台、热红外相机、图像处理模块、加热装置构成。其中，热红外相机通过第一支架与样品台平行安装，且距离样品台40-50mm左右。加热装置包括加热板和温度控制器，加热板转动安装在第二支架上，加热板与样品台平行，且可以围绕第二支架水平转动至红外热相机拍摄的视场位置，其高度距离放置于载物台上的粮食籽粒表面10mm左右。为了控制加热板的温度，使用带有pid控制功能的温度控制器，将加热板的温度范围控制在10-90℃。

图像处理模块包括图像采集卡和计算机，图像采集卡用于将加热后待测的粮食籽粒进行热成像，计算机用于对热成像进行处理，得到每个籽粒的图像，提取与每个籽粒对应图像的灰度值相关的特征参数，将所述特征参数进行无量纲处理后，作为已建立的分类模型的输入，并根据分类模型的输出，判断每个籽粒是否染虫。

分类模型包括以下单元：

籽粒成像单元：用于将不同虫期的染虫籽粒和正常籽粒作为样本，对样本加热后进行热成像，得到图像i1，对图像i1进行处理，得到每个籽粒对应的图像；

特征参数提取单元：用于与每个籽粒对应图像的灰度值相关的特征参数，将特征参数进行无量纲处理后，根据主成分分析方法得到s个主成分特征参数；

模型建立单元：用于将s个主成分特征参数作为输入节点，将籽粒的染虫状态作为输出节点，根据机器学习的相关算法，建立分类模型。

具体的，分类模型的建立过程为：

1)将染虫籽粒和正常籽粒作为样本，取不同虫期的虫蚀粒k1粒，每10粒为1组，共分k1/10组，即得到k1/10个虫蚀粒样本；取正常粒k2粒，每10粒为1组，共分k2/10组，即得到k2/10个正常粒样本。将得到的k1/10+k2/10个测试样本放置于温度为t0的保温箱内，使其具有相同的初始温度。

2)对于每一个样本分别采集加热和冷却后的热图像，包括以下子步骤：

(1)根据热红外相机的安装高度和相机的像面大小，计算出相机在载物台上的视场范围(附图1中样品台上的虚线框所示的范围)，将粮食籽粒平铺于热红外相机的视场范围内。

(2)旋转加热板，使其位于粮食籽粒正上方，且距离籽粒上表面10mm左右，然后调节温度控制器，将加热板温度控制于t1，并在t1温度下将粮食籽粒加热t1时间。其中加热板温度t1和加热时间t1随粮食籽粒不同种类变化，可根据实验效果确定最佳值。

(3)将加热板旋转至离开相机视场位置，同时使用热红外相机对籽粒进行热成像，该图像经图像采集卡后送入计算机，记为图像i1。

加热后的粮食籽粒在自然环境中冷却t2时间，将冷却后的温度记为t2，使用相机对t2温度下的粮食籽粒进行热成像，经图像采集卡后送入计算机，记为图像i2。其中t2和t2随粮食籽粒不同种类变化，可根据实验效果确定最佳值。

3)对采集的图像进行处理，分别对图像i1、图像i2进行分割，将图像分为背景和粮食籽粒两个部分，并将背景图像的像素值置为0，属于粮食籽粒的像素值置为1。分割过程如下：

(1)寻找图像像素的灰度最大值imax和最小值imin，然后计算中值m：

m＝(imax-imin)/2

(2)以该m值为阈值，将图像分成两部分p1和p2，分别计算两部分图像的像素灰度的平均值p1和p2，计算p1和p2的均值m1：

m1＝(p1+p2)/2

(3)若|m1-m|<m，则m1就是全局阈值，否则令m＝m1，重复步骤(2)，直到满足|m1-m|<m为止，这里m为允许的误差容限，根据图像内容而定。

经过上述步骤后，将原始热图像转化为只有背景和粮食籽粒的二值图像。从而实现籽粒和背景的分割，分割后的图像进行距离变换，然后使用分水岭算法对单个籽粒进行分割，将分割出单个粮食籽粒的图像与原图像相乘，由此，将原热图像中互相粘连的粮食籽粒互相分离，同时将背景像素灰度值置为0。

4)计算每个籽粒对应图像的灰度值相关的特征参数，参数如下：

(1)t1温度下每一个籽粒内部所有像素灰度值的平均值，记为x1；

(2)t1温度下每一个籽粒内部所有像素灰度值的均方差，记为x2；

(3)t1温度下每一个籽粒内部像素灰度值的最大值-最小值，记为x3；

(4)t1温度下每一籽粒内部最高5％的像素灰度均值，记为x4；在该温度下，每一籽粒灰度值按照从高到低取n1个灰度值，n1个灰度值占籽粒所有灰度值的比例为5％；

(5)t1温度下每一籽粒内部最高5％的像素灰度的均方差，记为x5；

(6)t1温度下每一籽粒内部最高5％的像素灰度的均值-其余95％的像素灰度的均值，记为x6；其余95％的灰度值为n2个，(n1+n2)个灰度值为t1温度每一籽粒的所有灰度值；

(7)t1温度下每一籽粒内部最高10％的像素灰度均值，记为x7；

(8)t1温度下每一籽粒内部最高10％的像素灰度的均方差，记为x8；

(9)t1温度下每一籽粒内部最高10％的像素灰度的均值-其余90％的像素灰度的均值，记为x9；

(10)t1温度下每一籽粒内部最高20％的像素灰度均值，记为x10；

(11)t1温度下每一籽粒内部最高20％的像素灰度的均方差，记为x11；

(12)t1温度下每一籽粒内部最高20％的像素灰度的均值-其余80％的像素灰度的均值，记为x12；

(13)t2温度下每一个籽粒内部所有像素灰度值的平均值，记为x13；

(14)t2温度下每一个籽粒内部所有像素灰度值的均方差，记为x14；

(15)t2温度下每一个籽粒内部像素灰度值的最大值-最小值，记为x15；

(16)t2温度下每一籽粒内部最高5％的像素灰度均值，记为x16；在该温度下，每一籽粒灰度值按照从高到低取m1个灰度值，m1个灰度值占籽粒所有灰度值的比例为5％；

(17)t2温度下每一籽粒内部最高5％的像素灰度的均方差，记为x17；

(18)t2温度下每一籽粒内部最高5％的像素灰度的均值-其余95％的像素灰度的均值，记为x18；其余95％的灰度值为m2个，(m1+m2)个灰度值为t2温度下每一籽粒的所有灰度值；

(19)t2温度下每一籽粒内部最高10％的像素灰度均值，记为x19；

(20)t2温度下每一籽粒内部最高10％的像素灰度的均方差，记为x20；

(21)t2温度下每一籽粒内部最高10％的像素灰度的均值-其余90％的像素灰度的均值，记为x21；

(22)t2温度下每一籽粒内部最高20％的像素灰度均值，记为x22；

(23)t2温度下每一籽粒内部最高20％的像素灰度的均方差，记为x23；

(24)t2温度下每一籽粒内部最高20％的像素灰度的均值-其余80％的像素灰度的均值，记为x24；

对每一样本中的10粒籽粒，分别计算上述24个特征参数，然后对于每一个参数计算所有10个籽粒的平均值，作为该样本的24个特征参数，对所有k1/10+k2/10个样本进行上述特征参数的提取，得到每一样本的24个参数。

4)使用标准化处理方法对每一样本的特征参数进行无量纲处理，然后计算24个特征参数间的相关程度，并使用主成分分析法提取累计贡献率达到0.95的s个主成分特征参数，将s个主成分特征参数作为输入节点，将籽粒的染虫状态作为输出节点，虫蚀粒的输出值设为1，正常粒的输出值设为0，根据机器学习的极限学习机、bp神经网络、支持向量机等方法，建立分类模型。

分类模型建立后，如图3所示，本发明的粮食虫蚀粒早期检测方法包括如下步骤：

1)从保温箱内选取相应粮食品种的未知虫蚀状态的待测粮食籽粒n粒，将籽粒平铺于样品台上热相机的视场范围内，由于相机视场大小固定，所以n根据粮食品种而定，若粮食籽粒较大，则n较小，反之则较大；

2)旋转加热板使其位于待测籽粒正上方，温度控制器控制在温度t1下，将粮食籽粒加热t1时间，然后使用相机进行热红外成像，得到图像i'1；移开加热片，使籽粒自然冷却t2时间，至环境温度t2，然后使用相机进行热成像，得到图像i'2，对图像i'1和i'2分别进行背景分割和粘连籽粒分割，得到每个籽粒的第一图像和第二图像。

3)分别提取每一籽粒的24个特征参数x1-x24，将特征参数进行无量纲处理后，使用主成分分析法提取累计贡献率达到0.95的s个主成分特征参数，作为已建立的分类模型的输入，并根据分类模型的输出，判断每个籽粒是否染虫，当输出值为1时判定籽粒染虫，输出值为0时判定籽粒没有染虫，为正常粒。

4)对于待测样本中的n个籽粒重复步骤3)，最终得到染虫籽粒个数n1，由此得到待测样本的虫蚀率r：

本发明所提检测方法对检测环境无特殊需求，粮食籽粒的加热时间和冷却时间一般均在5分钟以内完成，相比于传统检测方法，其检测时间大大缩短。检测方法的工作过程均由计算机自动完成虫蚀粒的检测和计数，不需要人工参与，检测结果较为客观。

本发明针对目前粮食籽粒隐蔽性害虫的早期精准检测问题，提出了一种基于热成像技术的粮食籽粒隐蔽性害虫的早期、无损、非接触、快速、绿色检测新方法。本发明首先将虫蚀样本和正常样本加热和冷却，得到两个温度变化过程的热图像，然后通过背景分割和粘连籽粒分割实现粮食籽粒的分离。在此基础上，提取每个样本两幅热图像的24个特征参数，通过主成分分析方法得到与虫蚀状态关联程度较高的主成分。最后将主成分作为模型输入，虫蚀状态作为输出，建立虫蚀粒检测的分类模型。基于该模型，任意输入待测样本的热图像，通过特征提取和优化实现虫蚀粒及染虫率的准确检测。本发明所提的虫蚀粒检测方法在操作过程中不会破环籽粒的完整性、不需要任何化学试剂、不会产生任何有害物质，因此是一种绿色、无损、早期虫蚀粒检测新技术。

本发明的粮食虫蚀粒早期检测装置中的图像处理模块，实际上是基于本发明的粮食虫蚀粒早期检测方法的一种计算机解决方案，即一种软件构架，可以应用到处理器中，上述装置中的图像处理模块即为与方法流程相对应的处理进程。由于对上述方法的介绍已经足够清楚完整，而本实施例声称装置的中的图像处理模块实际上是一种软件构架，故不再详细进行描述。