河南工业硕士开题报告.docx

河南工业硕士开题报告.docx

《河南工业硕士开题报告.docx》由会员分享，可在线阅读，更多相关《河南工业硕士开题报告.docx（11页珍藏版）》请在冰豆网上搜索。

河南工业硕士开题报告

硕士研究生学位论文开题报告

题目：

基于生物光子学的小麦隐蔽性害虫检测研究

院系名称：

信息科学与工程学院

指导教师：

史卫亚

学生姓名：

焦珂珂

学号：

20129258

2013年10月14日

基于生物光子学的小麦隐蔽性害虫检测研究

1、研究背景和意义

维持一定数量、品种和品质粮食储备，是保障国家粮食安全的重要措施。

根据《国家粮食安全中长期规划纲要（2006-2020）》在确保粮食生产的同时，粮食产后数量和质量的安全对保证国家粮食安全同样具有重要的战略意义。

而确保粮食产后数量和质量的安全，需解决粮食产后储存和加工损失严重、转化增值、综合利用率低以及粮食储藏和加工中对质量安全控制不够等问题。

其中有害生物的危害问题是该领域长期以来表现较为突出的问题之一。

由于虫害或其它动物的破坏，世界上每年大约有10-30%的粮食损失。

尤其在2006年、2008年全球一度陷入粮食危机中，2010年受极端天气的影响，小麦严重减产，价格持续上涨，多个国家领导人都对高粮价发出了严重警告，并相继控制粮食的出口[13]。

储粮害虫不仅对小麦减产造成直接的损失，而且害虫的卵和碎片对小麦或面粉的等级和市场价值造成间接影响[12]。

世界主要产粮大国如美国、加拿大、欧盟等，对粮食安全都有很严格的政策标准。

保证国家粮食安全一直是我国农业政策目标的首要任务，不影响并能够促进国家的粮食安全是我国农业政策变迁的标准。

本项目以小麦为代表进行研究，结合我国粮食产后国家粮食储备环节影响粮食数量和质量安全的突出需求，开展新的隐蔽性储粮害虫检测技术的理论基础研究。

小麦是世界各国的重要粮食作物之一，也是我国重要储备的粮食品种，在产后储藏过程中，储粮害虫的危害十分严重。

特别是对于钻进粮食内部的隐蔽性害虫（如玉米象、谷蠹、麦蛾等），对粮食危害极大，由于其隐蔽性强，检测费时费力[2]。

“基于生物光子学的小麦隐蔽性害虫研究”旨在为小麦隐蔽性虫害的生物光子学检测构造一个分类函数或分类模型（即分类器），该模型首先把小麦隐蔽性虫害超微弱发光数据经过数据预处理及特征提取，形成表征小麦（正常或者含虫等）的特征向量，进而使用模式识别中的算法对提取的特征向量进行分类并进行优化。

以实现小麦籽粒的隐蔽性虫害生物光子学检测的模型，为更早的发现粮仓中小麦隐蔽性虫害情况提供有力的依据。

本课题是结合生物光子学、模式识别技术在粮食储藏中的应用，属于交叉学科研究，在生物光子和小麦粮食储备等领域具有开创性的意义。

2、国内外目前研究现状

储粮害虫的检测是一直是粮食储藏部门的研究热点。

储粮害虫的识别和密度的确定是粮食管理人员进行害虫综合防治的必要依据。

因此，许多国内外专家学者致力于这方面的研究，提出了很多有效的储粮害虫检测方法。

2.1小麦隐蔽性害虫的检测。

目前，国内外对粮食害虫检测传统方法有：

取样过筛[14]、诱集检测[15]、声音检测[16]、计算机视觉识别法[17]、电子鼻[27]等。

然而这些方法大多都有一个或多个缺陷，如：

主观性强、有破坏性、准确率低，而且只能检测到粮粒外部的害虫，对粮食内部的害虫，即隐蔽性害虫却无能为力。

而此时粮食害虫的主要危害期（幼虫期）已过，如果能提前检测到粮食内部虫期，就可以为准确确定防止时机提供科学依据，减少储粮损失。

因此隐蔽性害虫检测的主要研究方向应在寻找有效的隐蔽性虫害的检测方法上。

近年来，又相继出现了比较新的的方法有如下几种：

（1）传统检测方法主要有：

剖粒法。

染色法、比重法等，此类方法操作繁琐，效率低，准确性差，往往会低估害虫的危害。

（2）化学检测方法：

茚三酮法、液相色谱尿酸测定法、霉联免疫吸附测定法等。

此方法属于间接性检测方法。

尽管检测精度较高，但由于化学物质的介入，不仅检测时效性不能保证。

成本不易控制，且非绿色无损的检测方法，目前在国际上使用较少。

（3）无损检测新技术

X射线法——利用X射线来检测隐蔽性储粮害虫的感染程度。

X射线能显示出粮粒内部的害虫及其蛀蚀的隧道，在荧光板上呈现出较深的色泽。

X射线法是一种直接的具有无损性的储粮害虫检测方法。

然而X射线主要局限在于不能检测包含虫卵的粮食[19]。

近红外光谱法——该方法是基于对近红外光的吸收与反射的差异,将感染有害虫的麦粒与无虫麦粒区分开来。

根据不同储粮害虫自身体内的C、H、N成分的差异,经NIR扫描后,其反射与吸收的光谱不同来识别不同种类的害虫。

该法对完好粮粒和虫蚀粮粒的鉴别效果较好,而对不同成虫或幼虫,这种反差情况较小的种类鉴别达不到满意的效果,且都是在实验室进行的[20、21]。

CT法——CT通常是一种用于诊断人类疾病的成像技术，它采用多束X射线和相应的软件再现检测目标的横截图像，通过软件迅速识别和量化虫害和麦粒[18]。

然而无论X射线、近红外光谱法还是CT法都存在辐射性、成本高、操作不便等缺点。

因此，探索一种快速、客观、无损、高效的虫害检测方法是十分必要的。

而生物光子分析技术（BPAT）的出现，正好为储粮害虫的检测提供了一种新的思路。

2.2生物光子学的发展及应用

生物光子分析技术是由生物光子学发展而来的，生物光子学（Biophotonics）是基于生物系统的超微弱发光，本世纪八十年代初提出一门新兴的学科。

任何有生命的物质都发射一种强度为10～104Photons／cm2．s的超微弱光子流，其发射光谱覆盖从近红外、可见到紫外的很宽谱区（200～800nm），称之为生物超微弱发光（ultraweakbioluminescence），也称为生物光子辐射。

随着光电子探测技术的发展，关于超微弱发光的研究越来越活跃，近些年普遍被应用到农业、医学、药理学、环境科学等领域[6、7、8]。

在农业方面，例如种子抗性，作物新鲜程度，农药与超微弱发光的关系等方面研究比较多[1、5]。

而对于虫害的检测的研究比较少，目前还处于尝试阶段。

大量实验表明，生物处于逆境时，如病变、受伤、外界环境的改变等，其生物光子辐射都会发生显著变化[10]。

因此通过对生物光子辐射的探索和分析能够获得生物系统内部的微观信息，有助于我们对小麦虫害的识别提出新的依据。

2.3模式识别相关技术的一些应用

本文把生物超弱发光与小麦虫害检测结合，创新性的提出一种新的小麦虫害检测模型。

使用超微弱发光测量仪测量多组含虫小麦和正常小麦的自发光数据，面对测量到的小麦隐蔽性虫害超微弱发光的庞大数据，如何不被它淹没，发现隐藏在这些数据背后的重要信息，从中提取有价值的知识，为决策和战略发展服务，就显得意义重大。

为此，分类器的设计主要是从大量的数据中提取知识的过程，这些知识大都隐藏在数据集中，不容易被人发现，但又是可信的和有价值的。

分类器作用是根据被测对象的信息给该对象赋以一个类别标记，其应用涉及光学字符识别、生物身份认证、药物分子识别、人脸识别、表情识别、语音识别、医学诊断和文本分类等领域。

分类器推广能力定义为利用学习得到的方法不但可较好地解释已知模式对象，而且能对未来现象或无法观测的现象做出正确的预测和判断。

随着数据收集和数据存储技术的快速进步使得数据量的积累越来越大，然而提取有用的信息已经面临巨大的挑战，由于数据量太大，传统的数据分析方法受限，20世纪90年代，数据挖掘技术应运而生，并且近些年来得到了飞速的发展与应用。

数据挖掘为探查和分析新的数据类型以及用新方法分析旧有数据类型提供了令人振奋的机会。

其中分类器的设计经历了从经典分类方法到逐步优化的发展过程。

目前国内外分类器设计主要有以下几种：

（1）决策树分类算法：

也称为贪心算法，采用自顶向下的分治方式构造，它从一组无次序无规则的事例中推理出决策树表示形式的分类规则，是以实例为基础的归纳学习方法。

一般用于对新数据对象的分类或预测。

在实际分析中,决策树还可以应用到其他方面,如生成推理规则,寻找最佳变量等。

（2）贝叶斯分类算法：

基于概率统计学，是一种在先验概率与类条件概率已知的情况下，预测类成员关系可能性的模式分类算法。

经常应用在文本分类，问题分类，故障诊断，金融市场分析等方面。

（3）基于关联规则分类算法：

针对贝叶斯分类算法需要大样本量的缺点，研究者提出了基于关联规则（CBA）的分类算法。

算法通过发现样本集中的关联规则来构造分类器，首先发现规则结论为类标签的所有分类关联规则，然后从已发现的规则中选择分类能力强的规则来覆盖训练集。

在数据挖掘领域内应用较为广泛。

（4）支持向量机（SVM）分类算法：

是建立在统计学习理论VC维理论和结构风险最小化原理基础上的机器学习方法。

它在解决小样本、非线性和高维模式识别问题中表现出许多特有的优势。

目前SVM在模式识别、概率密度、函数估计等方面都有应用，并且在工业领域的应用研究也正逐渐受到研究者的重视。

（5）神经网络算法：

神将网络是一组连接的I/O单元，其中每个连接都与一个权重相关联。

神经网络中最流行的算法是BP算法、Hopfield算法和后向传播算法。

在人工智能、自动控制、计算机科学、信息处理、模式识别等方面都有重大的应用实例。

目前各类分类器根据自身的特征分别应用于不同的领域，而且在经典算法的基础上，根据不同的应用分别进行了各自的改进和优化。

常用的优化智能算法主要有以下几种：

（1）模拟退火算法（SA）

（2）禁忌搜索算法（TS）

（3）遗传算法（GA）

（4）蚁群算法（ACO）

（5）粒子群算法（PSO）等

这些智能算法常用在函数优化、组合优化、控制规划等方面。

他们的共同特点：

都是从任一解出发，按照某种机制，有一定的概率在整个求解空间中探索最优解。

由于他们可以把搜索空间扩展到整个问题空间，因而具有全局优化性能。

3、研究目标与内容

3.1研究目标

本次课题围绕小麦隐蔽性虫害生物光子学检测分类器设计的研究以及优化，目的在于：

1、掌握小麦隐蔽性虫害超微弱发光以及光诱导延迟发光等的测量方法，对不同的小麦隐蔽性虫害情况进行超微弱发光的测量。

2、为小麦隐蔽性虫害生物光子学检测方法设计适合的分类器，根据含虫小麦和正常小麦的发光总结它们的变化机理，通过软件编程与测试，进而分辨小麦完好籽粒与含玉米象幼虫的小麦籽粒。

3、针对所选分类器在某方面的缺点，结合智能优化算法，克服分类器缺点组成混合算法。

3.2研究内容

针对以上研究目标，本课题的研究内容主要包括

1、数据测量

测量时，先将小麦放入暗室中处理一段时间，以去掉环境光对实验的干扰，测量包括正常小麦和含虫小麦两个测量阶段。

测量时间间隔设置为1s，室内温度为（28±2）℃，测量温度为（27.5±0.5）℃，室内湿度为（45±5）%。

2、数据处理、特征提取

小麦籽粒的光子辐射极其微弱，测量过程中还会出现很多噪声（如可见光噪声和电路噪声），要合理的选择测量的时间以免时间间隔选取的过短光子数淹没在随机噪声之中。

首先根据测量得到的含虫小麦的超微弱发光信息，选取合适的去噪方法，常用的降噪方法有：

（1）基于奇异值分解的降噪方法

（2）基于Hilbert_Huang变换的降噪方法

（3）基于小波变换的降噪方法

（4）维纳滤波

（5） Kalman滤波等

不同的方法在不同的应用领域有各自的优劣，选择合适的去噪方法可以使数据处理更容易，结果更精确。

对处理过的数据根据统计学原理提取数据特征组成特征向量，为分类器设计做准备。

3.分类器的选择及其优化

根据得到数据的特点，结合各分类算法的特性选择合适的分类器。

每个分类器有自己的缺点如：

决策树缺乏伸缩性，对噪声较为敏感。

贝叶斯分类器难以处理基于特征组合所产生的变化结果。

支持向量机对大规模样本难以实施，而神经网络最大缺点在于容易陷入局部最优。

针对各分类算法的缺点与不足不断进行改进，并结合适的优化算法进行优化，最终融合成为一个分类效果最好综合分类器。

4、研究方案和实验方法

4.1研究方案

一、了解小麦籽粒特性及玉米象的生活习性，在探究小麦生物光子辐射特性的基础上，搭建合适的高性能探测系统，获取可靠的高信噪比数据信息。

二、针对数据的特点选择适当的方法进行降噪滤波处理。

三、提取降噪后的数据的特征组成特征向量。

四、选择适当的分类方法，并融合智能算法不断进行优化以及改进形成分类器，并对数据进行测试。

具体流程如图1所示

图1项目流程图

4.2实验方法

一、样本制备

主要是制备含玉米象的小麦，在一定的温度湿度条件下，用小麦饲养玉米象成虫一段时间，筛出成虫，得到含有含虫小麦样品。

保证含虫小麦与正常小麦品种相同，湿度相同（玉米象在湿度14%时较为活跃）且都籽粒饱满。

设置实验室温度以免温度幅度变化过大，对实验造成影响。

二、测量仪器

本实验主要采用BPCL超微弱发光测量仪进行含虫小麦的自发发光的测量。

仪器内部保证温度恒定。

设置时间间隔，并用电脑记录实验数据，每种小麦均测量多组数据。

三、软件平台

根据含虫小麦自发发光以及延迟发光的测量数据，选择合适的软件平台设计分类器，并进行仿真测试。

初步准备选取matlab进行分类器的设计、仿真测试。

5、实验条件与进度安排

5.1实验条件

本研究采用BPCL超弱发光测量仪、生化培养箱、温度计等进行实验探究温度、光照条件对小麦隐蔽性害虫的生物光子辐射之间的关系，实验所用的小麦矮抗58或郑麦，各个虫期的害虫为玉米象，仿真平台为matlab。

5.2进度安排

2013年11月－2014年3月进行基础理论学习，研究生物超微弱发光的机理及相关的影响因素，了解玉米象的生活习性和培养方法，掌握各种分类器的设计方法以及改进方法。

收集、阅读、整理相关论文和笔记资料，分析资料，总结相关内容。

2014年4月－2014年9月进行课题实际研究，建立实验方案和进行实验；再根据实验数据，初步设计合适的分类器，并进行仿真测试；基本得出理论结果及一部分实验的结果。

2014年10月－2015年3月根据理论结果，进行系统原型的实现；进一步做验证性实验，得出试验结果，进行分析和评价；撰写研究报告，毕业论文。

6、参考文献

[1]陈胜，黄楚云，李默然.生物超微弱发光及其应用[J].黄石理工学院学报,2006,22（4）:

82-84.

[2]沈兆鹏.隐蔽和非隐蔽储粮害虫检测技术进展[J].粮食储藏，1995,24（5）：

96-99.

[3]董长虹.matlab神经网络与应用[M].北京：

国防工业出版社，2007.

[4]陈国良,庄镇泉,王东生等.遗传算法及其应用[M].北京：

人民邮电出版社,1996.

[5]HidehiroInagaki,ToshiyukiImaizumi,Guang-XiWangetal.Spontaneousultraweakphotonemissionfromrice（OryzasativaL.）andpaddyweedstreatedwithasulfonylureaherbicide[J].PesticideBiochemistryandPhysiology,2007（89）:

158–162.

[6]HidehiroInagaki,ToshiyukiImaizumi,Guang-XiWangetal.Sulfonylurea-resistantbiotypesofMonochoriavaginalisgeneratehigherultraweakphotonemissionsthanthesusceptibleones[J].PesticideBiochemistryandPhysiology,2009（95）117–120.

[7]HugoJ.Niggli,CorinneScaletta,YanYuetal.Ultraweakphotonemissioninassessingbonegrowthfactorefficiencyusingfibroblasticdifferentiation[J].JournalofPhotochemistryandPhotobiologyB:

Biology,2001（64）:

62–68

[8]HongxiaZhao,GuochenLi,QiangzhengLietal.Theapplicationofsuperweakbioluminescenceonfreshnessdegreeofchickenegg[J].JournalofLuminescence2007:

304–306

[9]贾俊平.统计学[M].北京:

中国人民大学出版社,2003.

[10]顾樵.生物光子学[M].北京:

科学出版社，2007.

[11]梁义涛,宋红霞,高宇等.小麦子发生物光子辐射特性的功率谱分析[J]。

郑州大学学报，2013,45

（1）:

86-89.

[12]J.Perez-Mendoza,J.E.Throne,F.E.Dowell,Detectionofinsectfragmentsinwheatflourbynear-infraredspectroscopy[J].JournalofStoredProductsResearch,2003（39）:

305-312.

[13]刘晶.基于世界粮食危机的我国粮食安全问题研究[D].保存地点：

江苏大学，2010.

[14]BobBrader,RachelC.Lee,RudyPlarreetal.Acomparisonofscreeningmethodsforinsectcontaminationinwheat[J].JournalofStoredProductsResearch,2002（38）:

75-86.

[15]DavidW,HagsTrum,PaulWetal.PredictingInsectDensityfromProbeTrapCatchinFarm-storedWheat[J].ElsevierScience,1998（34）:

251-262.

[16]HagstrumDW,FlinnPW,ShumanD.Automatedmonitoringusingacousticalsensorsforinsectsinfarmstoredwheat[J].JEconEntomol,1996,89

（1）:

211-217.

[17]C.Ridgway,E.R.Davies,J.Chambersetal.RapidMachineVisionMethodfortheDetectionofInsectsandotherParticulateBio-contaminantsofBulkGraininTransit[J].BiosystemsEngineering,200283

（1）:

21–30.

[18]J.Chambers,N.J.McKevitt,M.R.Stubbs.Nuclearmagneticresonancespectroscopyforstudyingthedevelopmentanddetectionofthegrainweevil,Sitophilusgranarius（L.）（Coleoptera:

Curculionidae）,withinwheatkernels[J].BulletinofEntomologicalResearch,1984（74）:

707–724.

[19]C.Karunakaran,D.S.Jayas,N.D.G.White.X-rayimageanalysistodetectinfestationscausedbyinsectsingrain[J].CerealChemistry,2003（80）:

553–557.

[20]E.R.Davies,C.Ridgway,J.Chambers.NIRdetectionofgrainweevilsinsidewheatkernels[J].InstitutionofElectricalEngineers,London,UK,2003:

173–176

[21]J.Perez-Mendoza,J.E.Throne,F.E.Dowell,J.E.Baker.Detectionofinsectfragmentsinwheatflourbynear-infraredspectroscopy[J].JournalofStoredProductsResearch,39（2003）:

305–312

[22]C.B.Singh,D.S.Jayas,J.Paliwal.Detectionofinsect-damagedwheatkernelsusingnear-infraredhyperspectralimaging[J].JournalofStoredProductsResearch,45（2009）:

151-158.

[23]LIHui,HUCai-xia,LIYing.ApplicationofthePurificationofMaterialsBasedonGA-BP.EnergyProcedia,17（2012）:

762-769.

[24]XueqiangLiu,XiaoguangChen,WenfuWuetal.Aneuralnetworkforpredictingmoisturecontentofgraindryingprocessusinggeneticalgorithm.FoodControl,18（2007）928–933.

[25]GeorgeKourakos,Aristotelis,Mantoglou.Pumpingoptimizationofcoastalaquifersbasedonevolutionaryalgorithmsandsurrogatemodularneuralnetworkmodels.AdvancesinWaterResources,32（2009）507-521.

[26]LiuKe,GuoWenyan,ShenXiaoliuetal.ResearchontheForecastModelofElectricityPowerIndustryLoanBasedonGA-BPNeuralNetwork.EnergyProcedia,14（2012）1918-1924

[27]H.Zhang,J.Wang.Detectionofageandinsectdamageincurredbywheat,withanelectronicnose[J].JournalofStoredProductsResearch,43（2007）,489–495.