利用机器视觉识别麦粒内米象发育规律与龄期

张红涛，朱 洋，谭 联，张晓东，毛罕平

利用机器视觉识别麦粒内米象发育规律与龄期

张红涛1，朱 洋1，谭 联1，张晓东2，毛罕平2

（1. 华北水利水电大学电力学院，郑州 450011；2. 江苏大学现代农业装备与技术教育部重点实验室，镇江 212013）

研究麦粒内部粮虫生长规律，判断粮虫所处发育龄期，为制定合理的防治措施提供科学依据，具有重要的社会经济价值。该文提出一种基于机器视觉的麦粒内米象变态发育规律及龄期识别研究方法。试验利用Micro-CT获取侵染麦粒投影数据，应用-FDK（-Feldkamp-Davis-Kress）算法重建出侵染粒的二维图像，利用图像分割及形态学方法得到虫体图像。提取了虫体的8个二维特征、4个三维特征、7个不变矩特征和7个基于灰度共生矩阵的显著性纹理特征，构成26维原始特征空间。根据不同龄期虫体特征的变化，研究米象在麦粒内的变态发育规律。利用模拟退火算法（simulated annealing algorithm，SAA）优化虫体原始特征，构建了优化后的10维特征空间。运用人工蜂群算法（artificial bee colony，ABC）优化支持向量机（support vector machine，SVM）的惩罚因子和径向基核函数参数，实现对麦粒内米象所处发育龄期的自动判别。试验结果表明，米象变态发育规律与实际情况一致，且对米象龄期的识别率达到97%，可有效判别出侵染粒中米象所处发育龄期。

机器视觉；算法；粮虫；变态发育；FDK算法；特征提取；龄期识别

0 引 言

粮食生产关乎国计民生，粮食的安全存储同样具有重大意义[1-2]。小麦的种植面积广，产量高，在中国粮食生产和储备中占有重要地位。中国每年因粮虫侵蚀造成的直接经济损失达20多亿元[3-5]。为确保粮食的安全存储，每年都要使用大量杀虫剂对储粮进行熏蒸杀虫，不仅增加了费用，影响食物安全和污染环境，而且会导致害虫的抗药性水平快速提高。害虫防治决策缺乏科学性是导致这种状况的主要原因之一，而害虫防治决策重要的科学依据之一就是储粮害虫的准确检测，只有准确检测，才能进行有目的的防治，因此，麦粒中粮虫的检测和防治工作非常重要而迫切。粮虫在麦粒内部难以检测，这就使得粮虫防治有很大的难度。近年来，麦粒内储粮害虫的检测越来越受到关注，国内外学者也做了大量研究工作[6-7]。

Karunakaran等利用软X射线设计出麦粒侵染自动检测系统，对谷蠹龄期的识别率达到86%，但不包含卵期幼虫[8-9]。Pearson等应用CT成像法检测麦粒内部害虫的侵染，该方法精度较高，但需要在样本中加入植物油以提高图像对比度[10]。Fornala等利用软X射线对不同时期的侵染麦粒照射成像，求出了麦粒侵染程度和侵染时间的关系，但不能检测米象卵期的侵染[11]。Zhang等采用电子鼻传感器阵列判断粮粒内害虫的侵染，该法要求检测样本容器有很好的密闭性[12]。Singh等应用高光谱图像对侵染粒进行检测，该法对判别麦粒内是否有虫的正确率达到85%以上[13-14]。张红涛等提出了分腹沟朝上、朝下和侧向3个姿态对麦粒内害虫的侵染进行自动判别，该法提高了麦粒内部害虫的识别率，但无法检测含卵和低龄幼虫的麦粒[15]。Eliopoulos等通过检测害虫活动产生的声信号来估算谷物中储粮害虫的种群密度[16]。Shi等通过检测正常麦粒和侵染粒产生的不同光子信号，利用GA-BP（BP neural network based on genetic algorithm）技术对2种信号进行识别，正确率达到95%[17]。Mishra等通过分析近红外光谱图和化学成分的改变研究麦粒品质的变化和害虫侵染[18]。Solà等利用q-PCR技术检测大米中的谷蠹并估算其数量，该法对样本中是否有谷蠹的检测正确率达到90%[19]。张红涛等利用Micro-CT检测麦粒内部害虫的侵染，在侵染粒图像重建及可视化方面取得了良好的效果[20-21]。

在判别麦粒是否受到侵染，以及侵染麦粒内部害虫的检测和识别方面，国内外学者运用各类技术做了比较深入的研究，但对麦粒内害虫变态发育规律方面的研究较少，且对卵期和低龄幼虫期害虫的检测和识别未达到理想的效果。试验利用Micro-CT以期实现对麦粒内部米象幼虫的早期检测，根据重建出的侵染粒二维图像，分析麦粒内部米象由卵期至成虫期的变态发育规律，并自动判别麦粒内米象所处的发育龄期。

1 试验材料

1.1 设备来源

试验采用的活虫样本来源于河南工业大学，麦粒采用百农207小麦，所用图像采集设备为江苏大学引进的瑞士SCANCO公司的Micro-CT 100。试验采用的仪器设备如表1所示。

表1 仪器仪表名称

1.2 样本培育

将麦粒在水中浸泡1 h，利用电热鼓风干燥机将麦粒烘干，使含水率保持在15%左右。将一定量的米象成虫和麦粒混合，放入恒温恒湿培养箱（30 ℃，70%相对湿度）培育，3 d后筛出成虫，并将麦粒放入恒温恒湿箱中继续培育。自米象与麦粒混合后的第3、9、17、22、28天分别为米象的卵期、低龄幼虫期、高龄幼虫期、蛹期和成虫期[22]。按此方法培养更多处于各龄期的侵染粒样本，并在每个龄期中挑选100 g样本放入冰箱中保存，部分样本用于米象不同龄期淀粉、水分含量等生化指标的检测，每个龄期50个样本用于米象龄期的分类识别。

1.3 侵染粒投影数据采集

计算机断层显微成像技术（micro computed tomography，Micro-CT）是一种分辨率极高的3D成像技术，它可以分析样本内部显微结构的变化，在生物医学、材料科学等方面得到广泛应用[23-25]。Micro-CT检测系统由5部分组成，分别为X射线探测器、微焦斑X射线源、电控旋转台、图像工作站和控制系统，其系统结构如图1所示。

1.图像工作站 2.控制系统 3.电控旋转台 4.X射线探测器 5.X射线源 6.固定装置

2 试验方法

2.1 侵染粒图像重建及处理

FDK（Feldkamp-Davis-Kress）算法是一种基于锥形束的投影重建算法，具有简单、高效、快速等优点，广泛应用于医学图像重建等方面[26-27]。传统的FDK算法会造成Radon数据缺失，导致一定的偏差，影响图像重建的效果。试验通过引入三维权重函数来补偿轴方向上的缺失数据[21]，从而提高重建图像的保真度，并利用图像分割技术提取出不同龄期的虫体图像，进行二值化处理，以利于后续的米象特征提取。

2.2 虫体特征提取

米象在麦粒内变态发育过程中，其体积、表面积、虫体高度和最大横截面积等会产生一定变化，自身的纹理以及侵染粒切片的纹理也会发生改变，故试验提取了虫体的8个二维形态学特征（虫体高度、最大横截面积、横截面最小外接矩形、等价圆直径、最大横截面周长、离心率、占空比、等效圆半径）、4个三维特征（体积、表面积、复杂度、球形性）、7个不变矩特征（HU矩）以及7个显著性纹理特征（三阶矩、一致性、平滑度、能量、对比度、熵、相关性），共计26个特征[28]。其部分特征定义如下：

2.2.1 二维形态学特征

1）虫体高度

2）虫体最大横截面积

3）横截面最小外接矩形面积

4）等价圆直径

5）最大横截面周长

2.2.2 三维特征

1）体积

2）表面积

3）复杂度

4）球形性

2.2.3 显著性纹理特征

1）三阶矩

2）一致性

3）平滑度

根据求出的纹理特征可得到显著性纹理特征，显著性三阶矩、显著性一致性、显著性平滑度的求取公式为

2.3 虫体变态发育规律研究

利用提取的二维和三维特征，对米象的变态发育规律进行分析。每个龄期选取一定量的样本，根据不同的发育龄期，求取该龄期内样本不同特征的平均值，并通过数据拟合的方法构建虫体特征随着发育龄期的变化方程。

2.4 虫体龄期识别

利用提取的二维特征、三维特征和显著性纹理特征等共计26个特征构成原始特征空间。因数据量太大，存在一定的冗余信息，且处理时间长，故需要选择有效的特征组合。

2.4.1 特征选择

试验利用模拟退火算法对虫体26维原始特征空间进行优化，利用交叉验证识别率构成适应度函数，作为特征选择的依据，其公式为

2.4.2 ABC-SVM理论基础

人工蜂群算法（artificial bee colony algorithm，ABC）是为了解决多变量函数优化问题而提出的一种算法，它根据蜜蜂寻找食物的行为过程，解决了扩展新食物源与在已知食物源周围进行精密搜索之间的矛盾，以一定概率跳出局部极值，很大程度上避免了陷入局部最优，通过各人工蜂的寻优行为，最终使全局最优解凸显出来。支持向量机（support vector machine，SVM）是一种按监督学习的方式对数据进行分类的线性分类器，它的基本模型是在特征空间上找到一个分离超平面，使得不同样本的间隔最大[31-34]。在利用SVM进行分类的过程中，模型参数（惩罚因子和核函数参数）的选择对分类结果有至关重要的作用，惩罚因子表示对误差的宽容度，取值太大容易出现过拟合，取值太小容易出现欠拟合，核函数决定了数据映射到新的特征空间后的分布，取值越大，则支持向量越少。

3 结果与分析

3.1 虫体图像分割

利用-FDK算法及Blackman滤波方法对侵染粒投影数据进行图像重建。该算法在反投影考虑了轴的影响从而引入了三维权重函数，弥补了数据的缺失问题，提高了重建数据的真实度。利用-FDK算法重建的结果如图 2所示。对图2中侵染粒图像进行滤波处理，利用最大类间方差法对图像进行二值处理，得到原图像的二值图[36]。采用连通区域法对图像进行区域标记，得到图像中不同的连通区域，以去除粉尘等小面积区域，消除噪声影响。运用两次边缘抑制的方法对图像边缘进行抑制，分别去除环形采样管和麦粒，利用填充等形态学操作，分割出各龄期虫体的二值化图像，其结果如图3所示。

图2 各龄期重建图像

图3 各龄期虫体二值图像

由图3可以看出，卵期发育至低龄幼虫期，虫体变化不明显。幼虫期发育至蛹期过程中，虫体横截面积变化很大，虫体体积持续增长，并在蛹期达到最大，蛹期发育至成虫期过程中，体积略有减小。

3.2 米象变态发育规律分析

针对每个龄期利用图像采集系统采集50个样本，5个龄期共计250个样本。这里以虫体高度、横截面积、最小外接矩形面积、体积、表面积、横截面周长等6个形态学特征为例对米象变态发育规律进行分析，各龄期特征平均值及标准差如表2所示。其中平均值为米象不同龄期下50个样本的特征值的算术平均值，根据每个龄期下样本特征值的算术平均值，求出不同特征的标准差。由表2可见，由卵期至成虫期过程中，虫体各特征值标准差和波动范围总体上先增大，后保持不变或略有减小，在蛹期为最大。这是由于虫体在卵期及低龄幼虫期体积变化比较小，且此时不存在种群竞争等因素，个体发育较为均衡，故标准差较小。随着个体体积的增大和进食量的增加，高龄幼虫期开始出现种群竞争，部分个体发育受到影响，故标准差逐渐增加，且在蛹期时，标准差达到最大。

表2 各龄期虫体特征平均值及标准差

虫体高度随发育时间的变化不断增加，其变化率先缓慢上升再缓慢下降。其他5个特征的变化规律大体相似，即由卵期发育至低龄幼虫期，特征变化率增加，特征值持续变大。这是由于卵期虫体体积小，进食量小，随着发育时间增长，体积逐渐变大，特征值变化速率缓慢增加。低龄幼虫期到蛹期，特征变化率几乎不变或稍降低，其特征值持续增加并在蛹期达到最大。这是由于虫体由低龄幼虫期变态发育到蛹期过程中，进食量变大，体型发育较快，虫体增长速率也达到最大。蛹期发育至成虫期，特征变化速率为负值，保持不变或略有减小，特征值出现负增长。这是因为虫体体积在蛹期达到最大，进食速率也达到最大，成虫虫体体积比蛹期虫体体积略小，进食速率也较蛹期低。

通过分析表2中虫体各龄期特征平均值数据可以看出，各特征变化与发育时间近似呈指数关系。由卵期发育至低龄幼虫期过程中，特征值变化不明显，高龄幼虫期发育至成虫期过程中，特征值先急剧增加，后缓慢下降。对表2中各特征值进行分析，求得其变化公式为

表3 不同特征下的参数、、值及决定系数

3.3 米象特征选择及龄期识别结果

由于侵染粒体数据中切片数量太多，且不同龄期中未被侵染的麦粒切片的纹理特征变化并不明显，因此定义了显著性纹理特征，表征侵染粒体数据的有效纹理特征，即受侵染切片纹理特征的均值作为侵染粒的整体纹理特征。计算方法为，求出体数据中每张切片的某个纹理特征值，从小到大依次排列，以卵期单个虫体所占切片数量与侵染粒体数据中总切片数量的比值作为提取显著性纹理特征值的比例。这里将比值设定为5%。

表4 基于模拟退火算法的特征选择

由表5的识别结果可知，蛹期样本有1个被误识为成虫期，这是由于虫体生存环境受到影响，发育过程中存在种群竞争等干扰，造成发育不良。低龄幼虫期有2个样本被错分为卵期，造成此现象的原因可能是米象由卵期发育至低龄幼虫期的过程中，侵蚀速率较低，体积变化较小，特征值变化不够明显，才造成分类错误，也可能是个体在发育过程中受到外部环境的干扰，如生存竞争等不可控因素，个体发育受到影响。

表5 米象虫体龄期识别

试验对特征选择前后的识别结果进行了对比，并分析ABC算法优化SVM参数对米象龄期判别的影响，不同方法的识别结果如表6所示。利用米象的26个原始特征作为输入时，运用ABC算法优化SVM参数后，识别率提高了5个百分点。当利用SAA选择的10个特征作为SVM的输入时，优化、参数后的SVM模型的识别率提高了7个百分点。利用了SAA-ABC-SVM技术后，米象龄期的识别率比未进行特征选择及参数优化的SVM模型的识别率提高了11个百分点，运行效率提高了24.5%。结果表明利用SAA-ABC-SVM技术可有效降低特征空间的维数，提高运行效率和分类器模型的识别率。

表6 不同优化方法的识别结果

4 结 论

1）利用Micro-CT获取侵染粒投影数据，应用-FDK算法重建出侵染粒二维图像，利用图像处理的方法分割出虫体图像，并提取了二维、三维和显著性纹理等特征。根据不同龄期的米象虫体高度、体积等特征的变化，分析了侵染粒中米象的变态发育规律，建立了米象由卵期发育至成虫期过程中其体积和表面积等特征与侵染时间的相关关系。米象由卵期发育至低龄幼虫期，生长较为缓慢，体积、表面积逐渐增加，由低龄幼虫期发育至蛹期过程中，体积快速增加，并在蛹期达到最大，由蛹期发育至成虫期，体积和表面积逐渐减小。

2）提出基于机器视觉的麦粒内害虫龄期识别方法。根据提取的26个原始特征，利用模拟退火算法（simulated annealing algorithm，SAA）选择了虫体高度、最大横截面积、最小外接矩形面积、横截面周长、体积、表面积、复杂度、球形性、一致性和平滑度共计10个有效特征。运用人工蜂群算法（artificial bee colony algorithm，ABC）对支持向量机（support vector machine，SVM）参数进行优化。结果表明，人工蜂群算法具有较好的优化效果，该算法运行时间为0.613 s，且识别率达到97%，实现了麦粒内害虫龄期的自动判别。

基于机器视觉的麦粒内害虫变态发育规律研究方法及龄期识别方法，可实现对麦粒内害虫的分析，并自动判别麦粒内害虫所处的发育龄期。

[1]程小丽，武传欣，刘俊明，等. 储粮害虫防治的研究进展[J]. 粮食加工，2011，36(5): 70－73. Cheng Xiaoli, Wu Chuanxin, Liu Junming, et al. Study of different ways to prevent insect pests of stored grain[J]. Grain Processing, 2011, 36(5): 70－73. (in Chinese with English abstract)

[2]王晶磊，肖雅斌，徐威，等. 粮库储粮害虫防治存在问题及前景展望[J]. 粮食与食品工业，2014，21(3): 82－85. Wang Jinglei, Xiao Yabin, Xu Wei, et al. Problems and prospects of pest control of grain storage in grain depot[J]. Cereal & Food Industry, 2014, 21(3): 82－85. (in Chinese with English abstract)

[3]唐柏飞. 我国粮食储藏的现况及发展趋势[J]. 中国粮食经济，2007，26(1): 35－39. Tang Baifei. Chinese grain storage situation and developing trend[J]. China Grain Economy, 2007, 26(1): 35－39. (in Chinese with English abstract)

[4]祁正亚, 黄思华, 阙岳辉, 等. 食品级惰性粉综合防治储粮害虫的研究[J]. 粮食储藏, 2019, 48(1): 33－36. Qi Zhengya, Huang Sihua, Que Yuehui, et al. Study on integrated control of stored grain pests with food-grade insrt powder[J]. Grain Storage, 2019, 48(1): 33－36. (in Chinese with English abstract)

[5]莫国良. 储粮害虫的防治技术研究[J]. 粮食科技与经济，2018, 44(6): 106－107. Mo Guoliang. Research on prevention and control technology of stored grain pests[J]. Grain Science and Technology and Economy, 2018, 44(6): 106－107. (in Chinese with English abstract)

[6]Edoh O K, Mutungi C M, Otieno T O, et al. Quantitative and quality losses caused by rodents in on-farm stored maize: A case study in the low land tropical zone of Kenya[J]. Food Security, 2018, 10(6): 1525－1537.

[7]Batta Y A, Kavallieratos N G. The use of entomopathogenic fungi for the control of stored-grain insects[J]. International Journal of Pest Management, 2017, 64(1): 77－87.

[8]Karunakaran C, Jayas D S, White N DG. Identification of wheat kernels damaged by the red flour beetle using X-ray images[J]. Biosystems Engineering. 2004, 87(3): 267－274．

[9]Karunakaran C, Jayas D S, White N D G. X-ray image analysis to detect infestations caused by insects in grain[J]. Cereal Chemistry. 2003, 80(5): 553－557．

[10]Pearson T C, Toews M D, Campbell J F. Imaging and automated detection of(Coleoptera: Curculionidae) pupae in hard red winter wheat[J]. Journal of Economic Entomology, 2006, 99(2): 583－592.

[11]Fornala J, Jelinskia T, Sadowska J, et a1. Detection of granary weevil sitophilus granarius eggs and internal stages in wheat grain using soft X-ray and image analysis[J]. Journal of Stored Products Research. 2007, 43(2): 142－148．

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

[13]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.

[14]Singh C B, Jayas D S, Paliwal J, et al. Identification of insect-damaged wheat kernels using short-wave near-infrared hyperspectral and digital colour imaging[J]. Computers and Electronics in Agriculture, 2010, 73(2): 118－125.

[15]张红涛, 毛罕平, 剧森, 等. 基于胚部区域特征的麦粒姿态自动识别[J]. 农业工程学报, 2014, 30(14): 163－169. Zhang Hongtao, Mao Hanping, Ju Sen, et al. Automatic posture recognition of wheat kernels based on germ features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(14): 163－169. (in Chinese with English abstract)

[16]Eliopoulos P A, Potamitis I, Kontodimas D C. Estimation of population density of stored grain pests via bioacoustic detection[J]. Crop Protection, 2016, 85: 71－78.

[17]Shi Weiya, Jiao Keke, Liang Yitao, et al. Efficient detection of internal infestation in wheat based on biophotonics[J]. Journal of Photochemistry and Photobiology B: Biology, 2016, 155: 137－143.

[18]Mishra G, Srivastava S, Panda B K, et al. Rapid assessment of quality change and insect infestation in stored wheat grain using FT-NIR spectroscopy and chemometrics[J]. Food Analytical Methods, 2018, 11(4): 1189－1198.

[19]Solà M, L Jonathan G, et al. Detection and quantification of the insect pest,(Coleoptera: Bostrichidae) in rice by qPCR[J]. Journal of Stored Products Research, 2017, 71: 106－111.

[20]张红涛, 裴震宇, 张晓东, 等. 基于Micro-CT的麦粒内害虫侵染研究[J]. 农业工程学报, 2019, 35(3): 274－280. Zhang Hongtao, Pei Zhenyu, Zhang Xiaodong, et al. Research on changes of insect infestation in wheat grain for Micro-computed tomography[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 274－280. (in Chinese with English abstract)

[21]张红涛, 常艳, 谭联, 等. 基于z轴权重的麦粒图像三维重建[J]. 光学学报, 2019, 39(3): 127－135. Zhang Hongtao, Chang Yan, Tan Lian, et al. Three-dimensional reconstruction of wheat grain Images based on z-axis weight[J]. Acta Optica Sinica, 2019, 39(3): 127－135. (in Chinese with English abstract)

[22]李德伟. 基于Micro-CT的麦粒显微图像采集及三维重建研究[D]. 郑州: 华北水利水电大学, 2018. Li Dewei. Research on Microscopic Image Aacquisition and 3D Visualization of Wheat Grain based on Micro-CT[D]. North China University of Water Resources and Electric Power, Zhengzhou, 2018. (in Chinese with English abstract)

[23]Patel V, Issever A S, Burghardt A, et al. MicroCT evaluation of normal and osteoarthritic bone structure in human knee specimens[J]. Journal of Orthopaedic Research, 2003, 21(1): 6－13.

[24]李永贤, 张顺聪, 梁德, 等. 骨质疏松性椎体压缩骨折的Micro-CT影像学参数分析[J]. 中国骨质疏松杂志, 2017, 23(3): 298－302. Li Yongxian, Zhang Shuncong, Liang De, et al. Evaluation of radiographic parameters in osteoporotic vertebral compression fractures with micro-CT[J]. Chinese Journal of Osteoporosis, 2017, 23(3): 298－302. (in Chinese with English abstract)

[25]Badea C T, Drangova M, Holdsworth D W, et al. In vivo small-animal imaging using micro-CT and digital subtraction angiography[J]. Physics in Medicine and Biology, 2008, 53(19): 319－350.

[26]张宾, 张正强, 王洪凯, 等. 基于GPU加速的锥束CT重建算法研究[J]. 计算机工程与应用, 2019, 55(4): 208－213. Zhang Bin, Zhang Zhengqiang, Wang Hongkai, et al, Research on cone-beam CT reconstruction algorithm based on GPU acceleration[J]. Computer Engineering and Applications, 2019, 55(4): 208－213. (in Chinese with English abstract)

[27]Li Liang, Xing Yuxiang, Chen Zhiqiang, et al. A curve-filtered FDK (C-FDK) reconstruction algorithm for circular cone-beam CT[J]. Journal of X-Ray Science and Technology, 2011, 19(3): 355－371.

[28]张红涛, 毛罕平, 邱道尹. 储粮害虫图像识别中的特征提取[J]. 农业工程学报, 2009, 25(2): 126－130. Zhang Hongtao, Mao Hanping, Qiu Daoyin. Feature extraction for the stored-grain insect detection system based on image recognition technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(2): 126－130. (in Chinese with English abstract)

[29]汤伟，胡祥满. 基于模拟退火算法的PID参数优化研究[J]. 组合机床与自动化加工技术, 2018, 21(4): 92－96. Tang Wei, Hu Xiangman. Research on parameters optimization of PID controller based on simulated annealing algorithm[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2018, 21(4): 92－96. (in Chinese with English abstract)

[30]Cheng Zhun, Lu Zhixiong. Research on the PID control of the ESP system of tractor based on improved AFSA and improved SA[J]. Computers and Electronics in Agriculture, 2018, 148: 142－147.

[31]Ebrahimi M A, Khoshtaghaza M H, Mianei S, et al. Vision-based pest detection based on SVM classification method[J]. Computers and Electronics in Agriculture, 2017, 137: 52－58.

[32]Wu Jianxin, Yang Hao. Linear regression-based efficient SVM learning for large-scale classification[J]. IEEE Transactions on Neural Networks & Learning Systems, 2017, 26(10): 2357－2369.

[33]Zidi S, Moulahi T, Alaya B. Fault detection in wireless sensor networks through SVM classifier[J]. IEEE Sensors Journal, 2017: 1－1.

[34]Sukawattanavijit C, Chen J, Zhang H. GA-SVM algorithm for improving Land-Cover classification using SAR and optical remote sensing data[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(3): 284－288.

[35]王春林, 胡蓓蓓, 冯一鸣, 等. 基于径向基神经网络与粒子群算法的双叶片泵多目标优化[J]. 农业工程学报, 2019, 35(2): 25－32. Wang Chunlin, Hu Beibei, Feng Yiming, et al. Multi-objective optimization of double vane pump based on radial basis neural network and particle swarm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 25－32. (in Chinese with English abstract)

[36]覃晓, 元昌安, 邓育林, 等. 一种改进的Ostu图像分割法[J].山西大学学报: 自然科学版, 2013, 36(4): 530－534. Qin Xiao, Yuan Changan, Deng Yulin, et al. An improved method of ostu image segmentation[J]. Journal of Shanxi University (Natural Science Edition), 2013, 36(4): 530－534. (in Chinese with English abstract)

Identifying larval development ofin wheat grain using computer vision

Zhang Hongtao1, Zhu Yang1, Tan Lian1, Zhang Xiaodong2, Mao Hanping2

(1.,,450011,; 2.,,,212013,)

is a weevil growing on diet of wheat grain. Its timely identification and control is essential to safeguarding wheat production. This paper proposes a computer vision-based method to diagnose its larval development inside wheat grain. Afterinfects grains, its subsequent development is divided into egg stage, juvenile stage, elder stage, pupal stage and adult stage. We acquired a sequence of micro-CT projection images of the infested grains and then reconstructed the 2D images using the FDK algorithm. The larvae in the images were mapped out using segmentation and morphological method. Overall, we extracted 26 features to characterize a larva and its development, including morphological features, 3D features, invariant moment and texture features. The metamorphosis ofwas differentiated based on larval height, larval volume, its cross-sectional area, the minimum rectangle method, surficial area and perimeter of the cross section. The partial features simulated using the annealing algorithm composed of optimal features which were calculated by the fitness function, with the initial temperatureset at 150, drop rate at 0.9 and the end temperature at 1.0. Ten features were determined after 10 optimizations and the associated maximum fitness was 90.214 3%. The penalty factorand the kernel function parameterin the support vector machine (SVM) were optimized by the artificial bee colony (ABC) algorithm, in which the initial bee colony size was 20, the times of updates was set to be 50 and the maximum number of iterations was 50. Two parameters were optimized in the range of 0.01-100, and the algorithm was repeated twice to check robustness of the program. We used 250 images to train and test the model. The model correctly identified 97% of the larvae at different developmental stages when the parameters the penalty factor=96.44, and the kernel function parameter=0.01. The results showed that the height oflarva had been in increase in the experiment; its volume, cross-sectional area, size of the minimum rectangle, surficial area and perimeter of cross-section had all asymptotically increased up to the pupal stage, followed by a decline after that. In addition, ABC-SVM correctly identified 97 images. The results presented in this paper indicated that computer vision can be used to identify larval development ofin wheat grain.

computer vision; algorithm; stored-grain pest; metamorphosis low; FDK algorithm; feature extraction; larval stage identification

张红涛，朱 洋，谭 联，张晓东，毛罕平. 利用机器视觉识别麦粒内米象发育规律与龄期[J]. 农业工程学报，2020，36(2)：201－208. doi：10.11975/j.issn.1002-6819.2020.02.024 http://www.tcsae.org

Zhang Hongtao, Zhu Yang, Tan Lian, Zhang Xiaodong, Mao Hanping. Identifying larval development ofin wheat grain using computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 201－208. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.02.024 http://www.tcsae.org

2019-08-27

2019-10-07

国家自然科学基金资助项目（31671580）；河南省科技攻关项目(162102110112)；华北水利水电大学第十届研究生创新课题（YK2018-11）

张红涛，博士，教授，主要从事图像识别、计算机视觉等方面的研究。Email：39583633@qq.com

10.11975/j.issn.1002-6819.2020.02.024

TP391.4；S512.1+1

A

1002-6819(2020)-02-0201-08