硫酰氟对高大平房仓局部虫粮的熏蒸试验

粮食日常保管中有时会遇到仓内局部虫粮现象,分析其原因,和长期使用单一的熏蒸药剂有很大关系。长期用药的单一性,导致部分害虫产生了抗药性,进而导致杀虫不彻底。硫酰氟具有不燃烧、不爆炸、对金属无腐蚀、稳定性好、渗透力强、解吸快和熏蒸时间短等特点,对幼虫、成虫都有较高的毒性,通过抑制害虫对氧的吸收,破坏正常的磷酸盐平衡,阻止脂肪酸的水解,导致害虫失去生存能量而死亡,能有效防治害虫。基于此,本文进行了硫酰氟局部熏蒸杀虫试验。

高密度虫粮入库防治技术

粮食入库前,通过机械除虫、筛下物处理等方法,初步降低害虫密度;粮食入库过程中,采取边入库边施用防护剂局部诱杀等方式,控制害虫孳生蔓延;入库完成后,及时进行熏蒸处理彻底杀灭害虫,保持粮堆无虫状态。

基于GC-MS和电子鼻的面粉中粮虫快速检测方法

储粮害虫会降低粮食及其产品的重量、品质和营养健康指数,并且我国粮虫检测方式仍然以人工检测为主。为满足储粮害虫快速检测的需求,采用气相色谱-质谱联用仪(GC-MS)获得了赤拟谷盗(Tribolium castaneum(Herbst))的主要特定挥发性有机化合物(VOCs),根据这些化合物的性质筛选出多个金属氧化物气敏传感器,并以传感器阵列为核心开发了储粮害虫电子鼻检测装置。该装置采集了赤拟谷盗、被赤拟谷盗侵染的面粉、被长头谷盗(Latheticus oryzae Waterhouse)侵染的面粉3种实验对象的气味信息,提取每条响应曲线的相对变化值和相对积分值作为原始特征矩阵(10×2),使用主成分分析(PCA)和偏最小二乘回归算法(PLSR)对原始特征矩阵进行分析,并通过建立回归预测模型,实现了对面粉中赤拟谷盗和长头谷盗虫口密度的预测。优化后的传感器数量由10个减少至8个,赤拟谷盗样品的两个主成分累计的贡献率为79.4%。基于PLSR的预测模型对面粉中赤拟谷盗的数量有很好的预测效果(校正集:相关系数r=0.88,均方根误差为8.09;验证集:r=0.89,均方根误差为7.75);该预测模型对面粉中长头谷盗的数量也有很好的预测效果(校正集:r=0.94,均方根误差为5.85;验证集:r=0.94,均方根误差为6.08)。研究结果表明:该装置能够满足判别储粮中不同虫口密度样本的基本需要,并且具有可靠的稳定性。

河南工业大学储粮害虫图像数据集

储粮害虫是造成粮食产后损失的重要因素,对粮食害虫早期活动进行检测和监控是减少储粮损失的必要且合适的防控措施。随着人工智能的发展,基于深度学习的图像检测方法在农业领域得到了广泛应用,目前在储粮害虫检测领域的研究相对较少,数据集的质量往往决定了深度学习模型能够学到的知识水平,因此构建专门用于储粮害虫图像检测和计数的数据集具有重要意义。本文提出的数据集GrainPest包含500幅粮虫原始图像、500幅像素级显著目标标注图像、420个害虫检测目标框标注文件和500条粮虫数量数据。数据集涵盖了玉米象、麦蛾、谷蠹、玉米螟、大谷盗、蚕豆象、米象、咖啡豆象、绿豆象、印度谷螟等主要粮食害虫,图像背景涉及小麦、玉米、大米、稻谷、绿豆、蚕豆等常见粮食。由于实际检测中有很多粮食是未感染虫害的,因此数据集还包含了80幅不含害虫目标的纯粮食背景图像,这增加了害虫显著性检测的难度。本数据集提供了一个多样性的粮虫图像基准数据集,旨在促进深度学习在储粮害虫显著性检测、目标检测和粮虫计数方面的研究,为降低粮食储藏损失和保障粮食安全提供支持。

改进的YOLOv5粮虫检测算法

针对粮虫检测中因虫体尺寸小、身体颜色与环境接近、藏匿环境复杂而导致的误检和漏检等问题,提出一种基于深度学习技术的改进YOLOv5粮虫检测算法。该算法通过改进Mosaic模块和特征尺度模块,增强对小目标的感知能力;通过改进卷积模块,在不影响检测速度的同时,增加了检测精度。试验结果表明,相比原算法,改进算法的检测时间降低了4.3 ms,提升了3.2%的检测精度。改进算法解决了粮虫检测中存在的误检、漏检等问题,为进一步研究高效的粮虫检测方法提供了理论参考。

数学形态学方法在储粮害虫图像预处理中的应用

阐述了在粮虫图像处理过程中数学形态学图像预处理的重要性,在此基础上利用Matlab图像处理工具箱中的函数,实现了基于数学形态学的图像预处理和分析,达到了对图像去噪、平滑的目的.计算表明:将数学形态学方法应用于储粮害虫的图像预处理,不仅可以保留图像的边缘特征,视觉效果好,还可以得到较清晰的粮虫特征图像.

粮虫视觉检测技术的现状与展望

针对我国粮情测控发展所面临的技术需求,本文以分析粮虫视觉检测技术研究现状及其存在的问题为基础,结合粮储要求和粮仓实际情况,立足研究粮虫实时检测问题。并以此为目标围绕粮虫图像特征的多样性获取,欠观测条件下粮虫快速分类、多约束条件下粮虫的虫口密度估计等进行研究并做出展望,力求探讨粮虫视觉检测技术的创新点与突破点。为粮虫的实时检测的关键技术提供支撑从而达到提高粮虫防治水平的根本目的,这将对完善粮虫实时检测技术和实现粮食安全管理具有重要意义。

近红外高光谱成像技术检测粮仓米象活虫

为了准确地统计出仓储害虫的密度,需对储粮活虫和死虫进行有效地判别。该文研究开发一个900～1 700 nm的近红外高光谱成像系统来检测仓储小麦活虫。用液氮低温猝死法杀死米象,在其死亡后0～7 d进行高光谱图像采集。随着粮虫死亡时间的延长,粮虫相对光谱反射率逐渐增大,到死后第5天时粮虫的光谱曲线基本趋于稳定。应用相邻波长指数法对1 320～1 680 nm之间的110个波长的高光谱图像进行分析,提取出最优波长为1 417.2 nm。提出双区域连通阈值面积比的区域生长法粮虫活虫判别方法,即当粮虫的双区域连通阈值面积比大于0.5时,应判别为活虫。结果表明,自粮虫死亡后的第2.0天开始,储粮活虫与死虫的训练样本和检验样本全部被正确识别,为实现储粮活虫的计算机视觉实时检测与分类提供依据。

储粮害虫图像识别的研究进展及展望

图像处理技术检测储粮害虫,具有快速、准确、可视化等优点。为了充分利用国内外的研究成果,促进我国在该领域的研究与应用,从内部害虫和外部害虫两个方面,综述了基于可见光、近红外和软X射线3种方法的计算机图像处理技术在储粮害虫自动识别中的研究进展,分析了各种方法的优缺点。提出今后应从新的特征提取、活虫与死虫的识别、早期害虫侵害的检测、动态图像的研究、自动传输机构的研制等方面开展深入研究,以实现粮虫的自动检测。

图像处理技术在粮食害虫识别中的应用进展

在储粮过程中,粮食害虫的监控至关重要。常见粮虫的检测方法主要有人工检测、声音检测、传统机器学习图像处理以及深度学习图像处理等。传统机器学习图像处理检测粮虫的步骤有图像预处理、特征提取及特征分类。深度学习技术包括图像分类和目标检测两大技术,详细介绍了粮虫检测应用的两阶段和单阶段的目标检测算法。研究了使用图像检测技术进行粮虫检测后估计储粮害虫种群密度的方法,包括使用视频监控、特殊分类器等手段来判断活虫、死虫,进一步判断粮虫的种群密度。综述了目前图像处理技术最新的研究方法,并展望了其在粮虫检测未来的发展。

二维小波变换在粮虫图像处理中的应用

提出了用小波变换检测储粮害虫图像边缘的方法,这种方法通过对二维小波变换图像局部极大值的检测得到图像的边缘信息.计算表明,将二维小波变换应用于储粮害虫的图像去噪和边缘检测,不仅可以保留图像的边缘特征,视觉效果好,还可以得到较清晰的粮虫特征图像,为粮虫图像特征提取打下了良好的基础.

一种基于改进的YOLOv3算法在粮虫小目标检测的应用

原始YOLOv3模型被认为适合求解多尺寸的图像目标检测问题,但是对于粮虫小目标检测存在表征能力不足且检测效率较低的问题。本文基于此提出了一种融合GIoU算法的YOLOv3检测模型,一方面使用GIoU算法弥补IoU算法对于两个不相交box无法进行量化的问题,同时使用GIoU对损失函数进行优化,损失函数优化为GIoU损失、置信度损失和分类损失三方面;另一方面使用五种数据增强手段对原始1998张数据集进行数据增强,最终形成大小为9990张的数据集,并使用K-means聚类算法对自制数据集进行聚类分析,聚类出符合粮虫小目标检测的先验框。针对自制的9990张粮虫的数据集进行实验获得了99.43%的mAP和每幅图像0.040 s的检测速度,与原始YOLOv3模型相比,本文所提模型对于小目标的粮虫检测效果得到了很大的提升。

基于奇异值分解与同态滤波的粮虫图像增强

储粮害虫的在线检测是研究的热门领域。由于图像处理技术逐渐成熟,基于图像处理的储粮害虫检测系统得到了广泛的关注。图像增强是特征提取前重要的预处理过程,因此在基于图像处理的检测系统中是最重要的步骤。介绍了同态滤波图像增强方法和矩阵奇异值分解的基本理论,在此基础上提出了基于奇异值分解和同态滤波的粮虫图像增强算法。为了验证方法的有效性在Matlab平台上做了仿真试验,使用本方法增强粮虫图像并和其他方法做了对比,结果表明该方法对于粮虫图像增强是有效且可行的。

小波分析在粮虫图像去噪及边缘检测中的应用

用小波分析法将二维粮虫图像分解为n层,对每个层次都选一定的阈值,对其频率系数从高到低进行阈值量化处理,根据具体需要对二维粮虫图像信号进行重构,可以实现小波分析去噪处理,然后再进行边缘检测,可以得到较清晰的粮虫特征图像.

基于数学形态学的储粮害虫图像预处理

阐述了在粮虫图像处理过程中数学形态学图像预处理的重要性,在此基础上利用Matlab图像处理工具箱中的函数,实现了基于数学形态学的图像预处理和分析,达到了对图像去噪、平滑的目的,并得到了较理想的结果。

基于MATLAB的储粮害虫图像处理方法

在对粮虫图像处理过程中,介绍了Matlab图像处理工具箱中的函数,给出了图像处理与分析的技术实现,边缘检测及轮廓提取,通过形态学方法进行图像特征抽取与分析达到了比较好的效果.

基于小波变换的储粮害虫图像的提取

以基于机器视觉的储粮害虫识别系统中图像轮廓的提取为研究对象,利用小波变换对图像进行不同尺度的小波分解,对得到的小波系数进行不同的处理,从而达到图像轮廓提取的目的。结果表明:利用小波变换对图像进行处理,可以收到良好的效果。运用Matlab语言对二维图像信号进行多尺度多分辨率分析,并很好地应用于粮虫图像轮廓的提取。该研究对粮虫识别及其它图像分析技术具有一定的参考价值。

基于迭代法和连通域的储粮图像粮虫分割算法

提出了一种迭代法与连通域相结合的粮虫分割算法,以实现机器视觉在线检测储粮粮虫系统中储粮图像粮虫的分割.该算法先运用迭代法对粮样图像进行预分割;然后用连通域和粮虫图样的面积作为判别依据将图像进一步分割.算法中以单个粮虫形态阈值平均值作为迭代法的迭代处理,大大加快了算法收敛速度;而连通域方法的运用,有效弥补了迭代法在图像分割中的不足.