專利名稱：基于近紅外超光譜成像技術的倉儲害蟲檢測方法和裝置的制作方法
技術領域：
本發(fā)明涉及一種針對倉儲害蟲的檢測方法，特指基于近紅外超光譜成像技術的倉
儲害蟲檢測方法。
背景技術：
我國是世界上最大的糧食生產(chǎn)、儲藏及消費大國，搞好糧食儲藏是關系到國計民 生的大事。全世界收獲后的糧食重量損失約為10_15%，每年儲藏期間的糧食至少有5%為 害蟲所糟蹋。我國的國庫儲糧損失率為0.2%左右，這是一項了不起的成就。但是，為此付 出的代價也是巨大的，特別是殺蟲劑的大量使用。為了確保糧食的安全儲藏，儲糧每年至少 要使用殺蟲劑進行一次熏蒸殺蟲，許多地方要熏蒸兩次，甚至更多，這不僅增加了開支，對 糧食和環(huán)境的污染也日趨嚴重，而且害蟲的抗藥性水平快速提高。造成這種狀況的一個主 要原因是害蟲防治決策缺乏科學性，而害蟲防治決策重要的科學依據(jù)之一就是儲糧害蟲的 準確檢測。我國《糧油儲藏技術規(guī)范》明確規(guī)定，蟲糧等級標準中的害蟲密度統(tǒng)計的是活蟲 的數(shù)量，因此需要對活蟲進行準確檢測。 倉儲害蟲的檢測方法有扦樣法、誘捕法和計算機視覺法。扦樣法是目前我國糧庫 應用最廣、最為傳統(tǒng)的方法，它是按區(qū)分層定點人工/電動扦取糧食樣品，每個檢測點抽取 至少lkg糧食進行人工過篩，過篩后人工識別。該法勞動強度比較大、效率比較低，但該法 屬于被動取蟲，只要存在的糧蟲均可被取出，且成本低廉。誘捕法是利用陷阱或糧蟲生物學 習性，如趨化性、趨光性、趨高性等進行誘捕，應用比較多的是帶誘蟲孔的探管誘捕器。該法 受溫度等環(huán)境因素影響較大、誘捕的蟲種比較單一、測出的結果不穩(wěn)定并與篩檢害蟲密度 缺乏準確的對應關系，另外需要放置大量的誘捕器，成本比較高，從而限制了它的應用。但 該法的勞動強度比較低、工作量相對比較小。 實際上，扦樣法和誘捕法都是由糧蟲鑒別專家借助顯微鏡或直接通過感覺器官利 用蟲子的結構特征和顏色特征，如有無翅膀、頭部大小、鞘翅形狀、斑紋形狀和顏色等進行 鑒別。這就需要檢測人員具有很專業(yè)的分類學知識，另外，糧蟲本身體型非常小，種類非常 多，有些糧蟲之間相似度非常高，因此不可避免地會出現(xiàn)分類誤差。另外，人工識別的效率 比較低，不利于糧蟲檢測的自動化。 計算機視覺法是采用自動/人工抽取糧食樣本，并自動采集糧蟲圖像，然后運用 計算機視覺、圖像處理、模式識別等技術自動識別糧蟲。該法具有準確度高、勞動量小、效率 高、糧蟲圖像可視化、便于和糧庫現(xiàn)有的計算機管理系統(tǒng)相連接等優(yōu)點。近10多年來一直 是糧蟲領域的研究熱點，研究人員在這方面進行了大量的研究，取得了很大的進展。賀貴明 等利用內(nèi)部裝有攝像頭的探測桿攝取糧食及糧蟲影像開發(fā)了糧庫糧蟲智能監(jiān)測系統(tǒng)及方 法(發(fā)明專利號01125651. 6)，該裝置通過求取差分圖像(背景圖像和目標圖像)的閾值 來判斷圖像中是否有糧蟲出現(xiàn)，可對糧蟲計數(shù)和統(tǒng)計，但不能自動確定糧蟲的種類。甄彤、 張紅梅、周龍等用數(shù)碼相機或CCD研究了 l種或3種糧蟲的自動分類，識別種類過少。邱道 尹、張紅濤等針對9類糧蟲研制了糧蟲在線智能檢測系統(tǒng)，目前系統(tǒng)能對糧蟲實時計數(shù)并自動分類，但目前還不能有效地區(qū)分死蟲和活蟲。 計算機視覺法可以實現(xiàn)糧蟲的自動分類，是糧蟲檢測發(fā)展的方向，但目前的計算 機視覺系統(tǒng)最多能對9類糧蟲進行分類識別，還不能辨別出糧蟲的"死""活"，無法克服"假 死"問題，另外識別的種類有待于進一步增加。因此，有必要研究倉儲害蟲自動檢測方法及 其裝置，以自動確定出活蟲的種類和數(shù)量，實現(xiàn)常見倉儲害蟲的準確自動檢測。

發(fā)明內(nèi)容
本發(fā)明的目的是要提供一種基于近紅外超光譜成像技術的倉儲害蟲檢測方法及 其裝置，可自動采集糧食篩下物的近紅外超光譜圖像，依據(jù)最優(yōu)光譜波長的糧蟲近紅外圖 像，分析確定糧蟲活蟲的位置信息，運用糧蟲活蟲的近紅外光譜特征，由識別軟件自動判別 出活蟲的種類，并準確計數(shù)，實現(xiàn)倉儲害蟲的自動檢測。
本發(fā)明的技術方案如下 本發(fā)明所述的檢測裝置由光箱、照明單元、位移單元、光譜成像單元和計算機五部 分組成。其特征在于 所述的光箱為采集盒中的篩下物提供均勻的漫反射光，內(nèi)含玻璃光纖線性燈、位 移臺、光譜成像單元，且光譜相機和玻璃光纖線性燈上、下、左、右、前、后可自由調(diào)節(jié)。所述 的照明單元由內(nèi)含鹵鎢燈的直流可調(diào)光源和Y分支玻璃光纖線性燈構成，為成像單元提供 均勻的近紅外波段的光照。所述的位移單元由位移臺和位移臺控制器組成，位移臺控制器 通過數(shù)據(jù)線與位移臺和計算機相連，接收來自計算機發(fā)出的位移臺控制指令，并向位移臺 發(fā)出驅(qū)動控制命令。所述的光譜成像單元包括銦鎵砷近紅外相機、成像光譜儀和近紅外鏡 頭，垂直安裝在位移臺的正上方，近紅外相機與成像光譜儀和計算機相連，能拍攝采集盒中 篩下物的圖像，將光譜成像數(shù)據(jù)立方體高速傳輸?shù)接嬎銠C。所述的計算機用于圖像采集、處 理、分析和顯示。
本發(fā)明所述的自動檢測方法，其特征在于 (1)利用近紅外超光譜成像裝置采集糧食篩下物的近紅外超光譜圖像，去除數(shù)據(jù) 立方體中CCD "壞點"等噪聲。
(2)提取同時含活蟲和死蟲數(shù)據(jù)立方體的最優(yōu)光譜波長。 (3)對篩下物的最優(yōu)光譜波長圖像進行圖像處理，得到含有糧蟲活蟲目標的二值 化圖像，提取其面積、周長、復雜度等特征參數(shù)，通過糧蟲活蟲識別軟件判別出糧蟲活蟲，統(tǒng) 計糧蟲活蟲的頭數(shù)，并提取出每個活蟲在圖像中的坐標信息。
(4)結合上述活蟲的坐標信息，分割出最優(yōu)光譜波長圖像中糧蟲活蟲的子區(qū)域，提
取糧蟲活蟲的近紅外光譜特征，運用糧蟲種類識別軟件確定出糧蟲活蟲的種類信息。 所述的圖像處理包括圖像獲取、去背景、濾波增強圖像、分割圖像。 所述的糧蟲活蟲識別軟件內(nèi)含高精度的識別模型，可通過神經(jīng)網(wǎng)絡分類器、支持
向量機分類器或模糊分類器等技術，建立所提取的最優(yōu)光譜波長圖像中糧蟲圖像特征參數(shù)
與糧蟲活蟲的關系模型，并保證模型識別精度在95%以上。 所述的糧蟲種類識別軟件內(nèi)含高精度的識別模型，可通過神經(jīng)網(wǎng)絡分類器、支持 向量機分類器或偏最小二乘分析等技術，建立糧蟲近紅外光譜特征參數(shù)與糧蟲類別的關系 模型，并保證模型識別精度在95%以上。
本發(fā)明的效果是(l)本發(fā)明采用近紅外超光譜成像系統(tǒng)對糧蟲進行檢測，判別出糧蟲中活蟲的種類、密度等信息，這在以往文件中都沒有涉及。(2)本發(fā)明利用近紅外成像技術實現(xiàn)了活蟲的自動、準確計數(shù)，計數(shù)準確率為100%，解決了糧蟲"假死"現(xiàn)象給計算機視覺法自動檢測糧蟲所帶來的糧蟲活蟲計數(shù)不準確的難題。(3)本發(fā)明通過糧蟲活蟲的光譜特征進行識別分類，使活蟲的分類正確率達到95%以上。


圖1為本發(fā)明的結構示意圖。 圖中，1-光箱，2-光源，3-位移臺控制器，4-計算機，5-近紅外相機，6-成像光譜儀，7_近紅外鏡頭，S-玻璃光纖線性燈，9-位移臺，10_采集盒。
六具體實施例方式
下面結合圖1對本發(fā)明的具體實施進行說明。 本發(fā)明所述的檢測裝置由光箱1、照明單元、位移單元、光譜成像單元和計算機4五部分組成。所述的光箱1為采集盒10中的篩下物提供均勻的漫反射光，內(nèi)含玻璃光纖線性燈8、位移臺9、光譜成像單元，且光譜相機和玻璃光纖線性燈8上、下、左、右、前、后可自由調(diào)節(jié)。所述的照明單元由內(nèi)含鹵鎢燈的直流可調(diào)光源2和Y分支玻璃光纖線性燈8構成，為成像單元提供均勻的近紅外波段的光照。所述的位移單元由位移臺9和位移臺控制器3組成，位移臺控制器3通過數(shù)據(jù)線與位移臺9和計算機4相連，接收來自計算機4發(fā)出的位移臺9控制指令，并向位移臺9發(fā)出驅(qū)動控制命令。所述的光譜成像單元包括銦鎵砷近紅外相機5、成像光譜儀6和近紅外鏡頭7，垂直安裝在位移臺9的正上方，近紅外相機5與成像光譜儀6和計算機4相連，近紅外相機5的光譜范圍為900-1700nm，其前端是近紅外鏡頭7，能拍攝采集盒中篩下物的圖像，將光譜成像數(shù)據(jù)立方體高速傳輸?shù)接嬎銠C4。所述的計算機4用于圖像采集、處理、分析和顯示。 工作時，確定近紅外相機5的曝光時間及位移臺4的速度，避免圖像失真變形，并進行黑白場的標定，消除近紅外相機5的暗電流噪聲。驅(qū)動位移臺4勻速運行，在穩(wěn)定的條件下進行糧食篩下物的近紅外超光譜圖像采集，并高速傳輸至計算機4。圖像采集完畢后，位移臺9自動復位。利用近紅外超光譜成像裝置采集，去除糧食篩下物的近紅外超光譜圖像中CCD "壞點"等噪聲。提取同時含活蟲和死蟲數(shù)據(jù)立方體的最優(yōu)光譜波長。對篩下物的最優(yōu)光譜波長圖像進行圖像處理，得到含有糧蟲活蟲目標的二值化圖像，提取其面積、周長、復雜度等特征參數(shù)，通過識別軟件判別出糧蟲活蟲，統(tǒng)計糧蟲活蟲的頭數(shù)，并提取出每個活蟲在圖像中的坐標信息。結合上述活蟲的坐標信息，分割出最優(yōu)光譜波長圖像中糧蟲活蟲的子區(qū)域，提取糧蟲活蟲的近紅外光譜特征，運用識別軟件確定出糧蟲活蟲的種類。
權利要求
基于近紅外超光譜成像技術的倉儲害蟲檢測方法，其特征在于，包括的步驟為(1)利用近紅外超光譜成像裝置采集糧食篩下物的近紅外超光譜圖像，去除數(shù)據(jù)立方體中CCD“壞點”等噪聲。(2)提取同時含活蟲和死蟲數(shù)據(jù)立方體的最優(yōu)光譜波長。(3)對篩下物的最優(yōu)光譜波長圖像進行圖像處理，得到含有糧蟲活蟲目標的二值化圖像，提取其面積、周長、復雜度等特征參數(shù)，通過糧蟲活蟲識別軟件判別出糧蟲活蟲，統(tǒng)計糧蟲活蟲的頭數(shù)，并提取出每個活蟲在圖像中的坐標信息。(4)結合上述活蟲的坐標信息，分割出最優(yōu)光譜波長圖像中糧蟲活蟲的子區(qū)域，提取糧蟲活蟲的近紅外光譜特征，運用糧蟲種類識別軟件確定出糧蟲活蟲的種類信息。
2. 根據(jù)權利要求1所述的基于近紅外超光譜成像技術的倉儲害蟲檢測方法，其特征在 于，步驟(3)所述的圖像處理包括圖像獲取、去背景、濾波增強圖像、分割圖像。
3. 根據(jù)權利要求1所述的基于近紅外超光譜成像技術的倉儲害蟲檢測方法，其特征在 于，所述的糧蟲活蟲識別軟件為高精度的識別模型，通過神經(jīng)網(wǎng)絡分類器、支持向量機分類 器或模糊分類器技術，建立所提取的最優(yōu)光譜波長圖像中糧蟲圖像特征參數(shù)與糧蟲活蟲的 關系模型。
4. 根據(jù)權利要求1所述的基于近紅外超光譜成像技術的倉儲害蟲檢測方法，其特征在 于，所述的糧蟲種類識別軟件為高精度的識別模型，通過神經(jīng)網(wǎng)絡分類器、支持向量機分類 器或偏最小二乘分析等技術，建立糧蟲近紅外光譜特征參數(shù)與糧蟲類別的關系模型。
5. 實施權利要求1所述的基于近紅外超光譜成像技術的倉儲害蟲檢測裝置，其特征在 于，由光箱(1)、照明單元、位移單元、光譜成像單元和計算機五部分組成；所述的位移單元 由位移臺(9)和位移臺控制器(3)組成，位移臺控制器(3)通過數(shù)據(jù)線與位移臺(9)和計 算機(4)相連，接收來自計算機(4)發(fā)出的位移臺(9)控制指令，并向位移臺(9)發(fā)出驅(qū)動 控制命令，所述的位移臺(9)安裝在所述的光箱(1)底部；所述的光譜成像單元位于所述的 光箱(1)內(nèi)，垂直安裝在位移臺(9)的正上方，所述的光譜成像單元包括銦鎵砷近紅外相機 (5)、成像光譜儀(6)和近紅外鏡頭(7)，近紅外相機(5)與成像光譜儀(6)和計算機(4)相 連；所述的照明單元由內(nèi)含鹵鎢燈的直流可調(diào)光源(2)和Y分支玻璃光纖線性燈(8)構成， 所述玻璃光纖線性燈(8)位于位移臺(9)的上方，為采集盒(10)中的篩下物提供均勻的漫 反射光；所述光譜成像單元和玻璃光纖線性燈(8)在上、下、左、右、前、后六向自由調(diào)節(jié)，近 紅外相機(5)的光譜范圍為900-1700nm。
全文摘要
本發(fā)明涉及一種針對倉儲害蟲的檢測方法和裝置，自動采集糧食篩下物的近紅外超光譜圖像裝置由光箱、照明單元、位移單元、光譜成像單元和計算機五部分組成，其中光譜成像單元包括銦鎵砷近紅外相機、成像光譜儀和近紅外鏡頭。提取同時含活蟲和死蟲數(shù)據(jù)立方體的最優(yōu)光譜波長，確定出糧蟲中活蟲的頭數(shù)及每個活蟲在圖像中的坐標信息。提取糧蟲活蟲所在的圖像子區(qū)域，運用糧蟲活蟲的近紅外光譜特征，運用識別軟件確定出糧蟲活蟲的種類信息，實現(xiàn)倉儲害蟲的自動檢測。
文檔編號G01N21/27GK101701906SQ20091023507
公開日2010年5月5日 申請日期2009年11月13日 優(yōu)先權日2009年11月13日
發(fā)明者左志宇, 張紅濤, 毛罕平, 韓綠化 申請人:江蘇大學