黨 豪，孫福艷，李 苗，呂宗旺，甄 彤

（河南工業(yè)大學 信息科學與工程學院，河南 鄭州 450001）

0 引言

倉儲害蟲威脅糧食等人類生活所需物資，其檢測與分類技術(shù)是儲糧生態(tài)系統(tǒng)中重要的基礎性研究課題，也是我國安全儲糧體系中重點解決的問題之一.傳統(tǒng)的檢測方法主要是扦樣法[1]和誘集法[2].扦樣法受環(huán)境因素影響較小，容易確定害蟲的密度，是國家規(guī)定的糧食倉儲部門標準檢查方法.但扦樣法測出的害蟲密度誤差較大，而且在實際應用中，由于該法扦樣過篩工作量大、勞動強度高、工作環(huán)境差、效率低，難以適應現(xiàn)代化糧食儲藏以及檢疫工作的需要，這些問題也導致了對誘集法的研究[3-4]，但誘集法對不喜歡運動的害蟲效果較差，而且檢測效果受環(huán)境影響較大，測出的結(jié)果不穩(wěn)定并缺乏可比性.

模式識別是研究分類識別理論和方法的一種技術(shù)，是信息科學和人工智能的重要組成部分，主要應用于圖像分析與處理、語音識別、計算機輔助診斷、數(shù)據(jù)挖掘等領(lǐng)域[5].隨著計算機技術(shù)的發(fā)展，將圖形、圖像等模式識別技術(shù)應用于倉儲害蟲的自動識別和分類等研究領(lǐng)域已相當普遍.Vinushree N 等[6]利用模糊c-均值聚類算法對害蟲的檢測和分類問題做了初步研究，通過優(yōu)化目標函數(shù)得到訓練樣本點對核函數(shù)的隸屬度，從而決定樣本點的類屬以達到自動對樣本數(shù)據(jù)進行分類的目的.Betty Martin 等[7]采用矢量量化的方法對害蟲聲音信號進行預處理，繼而研究害蟲的檢測技術(shù).Dai Ting 等[8]應用DSP 技術(shù)和信息融合技術(shù)對倉儲害蟲的智能檢測進行了試探性的研究.QISF 等[9]提出了一種新型無線傳感器技術(shù)應用與糧食害蟲的檢測工作.韓萍等[10]提出了基于混沌優(yōu)化的支持向量機模型參數(shù)自動選擇算法，對儲糧害蟲檢測進行了應用研究.但就研究現(xiàn)狀而言，其識別和分類的準確性和時效性還不能滿足實際需求.作者提出采用混沌優(yōu)化算法和支持向量機算法融合的方法對倉儲害蟲所發(fā)出的一系列聲音進行處理，不僅實現(xiàn)了對害蟲的有效預測，而且能準確地對害蟲進行分類識別.

1 混沌優(yōu)化算法特性分析

混沌優(yōu)化算法（Chaos Optimization Algorithm，COA）是一種新的全局優(yōu)化算法.其理論基礎是混沌的遍歷性，所以利用混沌變量進行優(yōu)化搜索比盲目無序的隨機搜索更具有優(yōu)越性，它可以避免演化算法陷入局部最優(yōu)的缺點.COA 選擇混沌動力系統(tǒng)logistic 映射[11]作為載波的混沌變量，分析logistic 映射的非線性特征.

Logistic 映射具有極其復雜的動力學行為，其數(shù)學表達式為：

其中，μ是控制參數(shù)，當μ=4時，設x∈［0，1］，系統(tǒng)（1）完全陷入混沌狀態(tài)，輸出相當于一個［0，1］之間的隨機數(shù)，且在［0，1］之間具有遍歷性和規(guī)律性，這是混沌系統(tǒng)的基本特征。

考慮一類連續(xù)對象的優(yōu)化問題為:

混沌優(yōu)化算法的基本步驟為：

步驟1:算法初始化，令x=1，x'=1；對式（1）中分別賦i 個具有微小差異的初值，記為xi，n；

步驟2:用式（3）進行載波，將選定的i 個混沌變量xi，n分別引入到式（2）的n 個優(yōu)化變量中，并將混沌變量的變化范圍分別調(diào)至相應的優(yōu)化變量的取值區(qū)間內(nèi)，記為：

式中：b，c 均為常數(shù)，相當于“所調(diào)倍數(shù)”；

步驟3：用混沌變量進行迭代搜索，令xi，n=x′i，n，計算相應的性能指標f（x），令x*=xi（0）與f*=f（0）.如果f（x）≤f*，則f*=f(x)，=xi，否則放棄xi.置x=x+1；

步驟4：如果經(jīng)過步驟3 的若干步搜索f*都保持不變，則按式（4）進行第二次載波.

式中：axi，n+1為遍歷區(qū)間很小的混沌變量，a 必為調(diào)節(jié)常數(shù)，xi*為當前最優(yōu)解.反之，返回步驟3.

步驟5：用二次載波后的混沌變量繼續(xù)迭代搜索.令xi=x″1，n+1，計算相應的性能指標f*（x）.如果，否則放棄xi.置=+1.

步驟6：如果滿足終止判據(jù)則終止搜索,輸出最優(yōu)解x*i，f*.反之返回步驟5.

2 支持向量機的分類特性分析

支持向量機（Support Vector Machine，SVM）是Vapnik 等[12]提出的一類新型機器學習方法，通過尋求結(jié)構(gòu)化風險最小來提高學習機泛化能力，實現(xiàn)經(jīng)驗風險和置信范圍的最小化，從而達到在統(tǒng)計樣本量較少的情況下，亦能獲得良好統(tǒng)計規(guī)律的目的.

SVM 處理線性可分的情況，而對于非線性的情況，SVM 的處理方法是選擇一個核函數(shù)（Kernel Function），通過將數(shù)據(jù)映射到高維空間，來解決在原始空間中線性不可分的問題.文中的支持向量機分類器核函數(shù)采用高斯核函數(shù)（式5），將低維空間線性不可分的聲音信號按照Mercer 定理通過高斯核函數(shù)映射到高維空間如圖1 所示，并在高維空間中構(gòu)造線性可分超平面.

其具體的數(shù)學表達形式為:

圖1 樣本變量由低維空間映射至高維空間模擬圖Fig.1 Simulation diagram of sample variables mapped from low dimensional space to high-dimensional space

式中：xc 為核函數(shù)中心；?為函數(shù)的寬度參數(shù)，控制了函數(shù)的徑向作用范圍.

式中：||ω||2是目標函數(shù)；C 是對樣本分類錯誤懲罰因子，是解決數(shù)據(jù)采集偏斜問題的；ζi是松弛變量，使分類減少損失，更加精確；（xi，yi）是一組訓練樣本.

求解目標函數(shù)的最優(yōu)值（即最小值），要通過拉格朗日乘子法轉(zhuǎn)變?yōu)槠鋵ε紗栴}（即最大值），最終求得其最優(yōu)分類面.其數(shù)學表達形式為式（7）和式（8）：

這樣，在低維不可分情況下，對于每個要判別的訓練樣本x，計算高維空間中的最佳超平面分類判別函數(shù)為[13]：

其中，αi是支持向量xi對應的Lagrange 算子；yi是支持向量xi的閥值（通常為1 或者-1）；l 是訓練樣本總數(shù)；K 是核函數(shù)；f（x）值的正負分別代表不同的類別.

3 基于COA 和SVM 的倉儲害蟲識別系統(tǒng)

主要介紹倉儲害蟲聲音信號的識別和處理過程.試驗中利用糧倉模型中鋪設的聲音傳感器采集害蟲咬動和爬行時的聲音信號，在對采集到的聲音信號進行降噪、再進行幅度歸一化，并從抽樣數(shù)據(jù)中通過去靜音分離出獨立的樣本[14]，然后通過COA 和SVM 算法進行數(shù)據(jù)樣本的處理，從而得出樣本特征，判斷害蟲類別.具體系統(tǒng)結(jié)構(gòu)如圖2 所示.

圖2 系統(tǒng)結(jié)構(gòu)圖Fig.2 The diagram of system structure

3.1 倉儲害蟲聲音信號的采集與處理

害蟲聲音信號采集前要將聲音傳感器鋪設在入糧1 a 后未實施任何保糧措施（如磷化氫環(huán)流熏蒸、防蟲磷噴施等）的試驗糧倉中，糧倉模型如圖3所示.傳感器信號采樣率和采樣位分別為48 kHz和16 bit，倉型選擇高大平房倉，廒間長約52 m，跨度約為18 m，高約為8 m，糧堆高約為6 m.針對研究倉型，聲音信號傳感器布置點位置如圖4所示（僅模擬出一層糧面的傳感器布置情況）：跨度平面布置4 行（每5 m 一個），每行11 點（每5 m一點），共計44 點；每個測點的聲音信號傳感器分設6 層（每1 m 糧堆為1 層），即為S6為表層，S5為中上1 層，S4為中上2 層，S3為中下1 層，S2為中下2 層，S1為底層，共計264 個聲音信號傳感器.

當聲音傳感器在對倉儲害蟲聲音信號進行采集時，不可避免地會被環(huán)境中的噪聲所淹沒.所以，對采集到的原始信號進行降噪對信號采集的準確性是至關(guān)重要的.采用自適應消聲抵消器來對采集到的原始信號進行降噪.令原始輸入信號為y（q），不相關(guān)的噪聲為n（q），理想信號為s（q），自適應抵消器原理如圖5 所示.

圖3 高大平方倉倉型模擬圖Fig.3 Simulation diagram of large flat warehouse

圖4 倉內(nèi)聲音信號傳感器布置圖Fig.4 The layout diagram of voice signal sensors in the warehouse

圖5 自適應抵消器原理圖Fig.5 The principle of the self-adaptive canceller

噪聲傳感器的輸出x（q）經(jīng)數(shù)字濾波器后送入抵消器產(chǎn)生的輸出信號x（q），根據(jù)兩噪聲信號相關(guān)和信號噪聲獨立的特性，利用自適應算法調(diào)節(jié)數(shù)字濾波器的參數(shù)，使得輸出信號z（q）逼近信號源迭加的噪聲n（q），這樣抵消器的輸出信號e（q）逼近被測信號s（q）.去噪前的害蟲聲音信號如圖6 所示，去噪后的害蟲聲音信號如圖7 所示.

這兩種聲音信號均為沒有對害蟲進行分類時（主要為谷蠹和米象的混合聲音信號）的信號樣本.從圖6 和圖7 可以看出：去噪前害蟲聲音信號由于外界噪音和倉內(nèi)微氣流流動的干擾，呈非線性變化，去噪后信號基本呈線性變化趨勢，信號由弱變強，主要集中在68 Hz 附近.對降噪后的信號數(shù)據(jù)進行歸一化處理后，提取聲音信號頻率值較明顯的中間60 位組成倉蟲信號特征向量，對后面的算法實現(xiàn)和分類器的構(gòu)造奠定基礎.

3.2 倉儲害蟲聲音信號識別與分類的算法實現(xiàn)

混沌優(yōu)化算法由于其遍歷性的特點而精度較高，但載波次數(shù)過多，導致效率低，時間長，對于大數(shù)據(jù)處理有一定的弊端.在我國倉儲害蟲主要有幾十種，但每種害蟲的咬噬、運動聲音不同，因此倉儲害蟲分類識別屬于多分類問題.支持向量機利用核函數(shù)解決了數(shù)據(jù)在低維空間中線性不可分的問題，但由于支持向量機是借助二次規(guī)劃來求解支持向量，而求解二次規(guī)劃將涉及m 階矩陣的計算（m 為樣本的個數(shù)），當m 數(shù)目很大時該矩陣的存儲和計算將耗費大量的機器內(nèi)存和運算時間.因此，本文探索性的將混沌優(yōu)化算法和支持向量機進行融合，并運用于糧倉害蟲檢測與分類技術(shù)，其算法步驟為：

步驟1：算法初始化后，利用混沌的遍歷性進行Logistic 映射迭代擾動，用式（3）進行載波，尋找其優(yōu)化變量，求解特征向量a*；

步驟2：對特征向量a*進行整理，計算其樣本分類錯誤懲罰因子C 和函數(shù)的寬度參數(shù)?，利用式（6）進行第二次載波，計算出閥值b；

步驟3：將求出的參數(shù)帶入式（9），繼而得出最佳超平面分類判別函數(shù)f（x）；

步驟4：求出每類害蟲的判別函數(shù)f（x），將信號輸入分類器，開始檢測判別害蟲種類.

利用logistic 混沌映射進行迭代優(yōu)化，迭代軌跡如圖8 所示.

由圖8 可以看出，當μ∈［0，1］，映射為穩(wěn)定的不動點；當μ∈［1，3］，映射有2 個不動點；當μ＝3.5，系統(tǒng)開始進入混沌狀態(tài).

圖6 去噪前的害蟲聲音信號Fig.6 Insect pests’sound signal before denoising

圖7 去噪后的害蟲聲音信號Fig.7 Insect pests’sound signals after denoising

4 結(jié)果分析

選擇糧堆中比較常見的兩種害蟲谷蠹、米象，分別采集了分類后兩種害蟲爬行的聲音信號.不同害蟲咬食糧食或爬行的頻段分布，不同害蟲由于口器結(jié)構(gòu)不同，咬食糧食的聲音頻段也應是不同的[15].谷蠹爬行聲音信號頻譜圖如圖9 所示，米象爬行聲音信號頻譜圖如圖10 所示.

圖8 logistic 映射的迭代軌跡Fig.8 Iterative trajectory of logistic mapping

圖9 谷蠹爬行聲音信號頻譜圖Fig.9 The crawling sound signal spectrum of Rhizopertha dominicas

從兩種聲音信號中各提取50 個聲音信號的特征向量，構(gòu)成一個5×20 的特征向量矩陣，選擇前10 組數(shù)據(jù)，即50 個特征數(shù)據(jù)作為訓練樣本，用高斯核函數(shù)將特征向量從低維空間映射到高維空間，利用混沌的遍歷性進行Logistic 映射迭代擾動，尋求局部最優(yōu)解，再通過變換懲罰因子C 和高斯核函數(shù)參數(shù)K 獲得支持向量的最優(yōu)分類面.選擇兩種聲信號特征向量矩陣的后10 組數(shù)據(jù)即50個特征向量作為測試樣本，確定每個測試樣本的種類，計算分類正確率.對于不同的核函數(shù)K，兩種害蟲信號分類的正確率也會存在相應的差異，具體如表1 所示.

幅值的大小反映了3 種儲糧害蟲活動能量的大小，反映了其爬行活動的劇烈程度.谷蠹在爬行時的聲音頻譜3 個主峰分別在14 Hz、25 Hz、50 Hz 附近，米象在爬行時的聲音頻譜的3 個主峰分別在25 Hz、40 Hz、50 Hz 附近，由它們的蟲體大小差別程度和糧食籽粒之間的氣流流動不同所致，從而導致幅值大小的變化.

表1 不同核函數(shù)K 對聲音信號識別率的影響（谷蠹/米象）Table 1 The influence of different kernel function K on sound signal recognition rate(Rhizopertha dominica/Sitophilus oryzae)

由表1 可知，核函數(shù)對害蟲聲音信號的識別存在一定的影響.當K 取2.5 時，谷蠹的識別率達到了96.7%；當K 取3 時，米象的識別率達到了96.1%.此時，懲罰因子對害蟲識別率的影響如表2 所示.

表2 懲罰因子C 對聲音信號識別率的影響（谷蠹/米象）Table 2 The influence of penalty factor C to sound signal recognition rate (Rhizopertha dominica/Sitophilus oryzae)

隨著懲罰參數(shù)C 值的變化，2 種信號的識別率發(fā)生波動，當C 值達到21時，識別率達到穩(wěn)定狀態(tài)，2 種信號的分類情況最穩(wěn)定，效果最好.

綜上，使用MATLAB7.1 對兩種聲信號進行分類時，設置參數(shù)C=21、K=2.5 和3，結(jié)果如表3 所示.

表3 兩種聲音信號分類結(jié)果Table 3 Classification results of two kinds of sound signal

由表3 可知，利用COA 和SVM 結(jié)合的方法能夠有效地對各種聲信號的特征向量進行訓練和測試，對米象爬行的信號檢測正確率偏低于谷蠹爬行的信號，但總體情況下，分類效果良好，有助于進一步研究倉儲害蟲的檢測與分類.

5 結(jié)論

以糧倉中的儲糧害蟲為研究對象，收集并研究了糧蟲谷蠹/米象的形態(tài)及習性，設計采集裝置采集儲糧害蟲的活動聲信號，分析并對比采集的聲信號特征.利用混沌算法的遍歷性和支持向量機的學習機泛化能力，提出了基于混沌優(yōu)化算法和支持向量機的倉儲害蟲檢測與分類方法，經(jīng)過一系列的模擬仿真，驗證了識別不同種類害蟲聲信號的可行性，取得了較好的識別效果.但關(guān)于聲信號的研究空間廣泛，試驗有待于更深一步的研究，尚有拓展和提高的方面[16]：

（1）儲糧害蟲種類繁多且復雜，害蟲的行為方式多種多樣，每種害蟲的活動行為都會存在一定的差異，本試驗僅以米象和谷蠹的爬行信號為研究對象，不能反映所有的糧蟲活動特征.在未來的研究中，可選用更多種類的糧蟲，采集多種活動聲信號進行研究，為建立儲糧害蟲活動聲音信號特征數(shù)據(jù)庫提供更多的基礎數(shù)據(jù).

（2）儲糧害蟲活動聲信號微弱，易受環(huán)境及設備噪聲的影響，本試驗尚未比較聲音信號在去噪前后的識別率.

（3）算法的融合使得識別和檢測效率和精度顯著增強，但由于模擬中采集的害蟲聲音信號樣本較少，特征向量的提取不夠全面，導致整個系統(tǒng)的性能不夠完善.

［1］GB 5491—1985，糧食、油料檢驗扦樣、分樣法［S］.

［2］姚渭.糧蟲陷阱檢測技術(shù)研究及應用［C］//中國糧油學會首屆學術(shù)年會論文選集（儲藏專業(yè)卷），2000:7-16.

［3］Wilkin D R，F(xiàn)leura-Lessard F.The detection of insects in grain using conventional samplings spears［C］//Proc 5th Int Wkg Conf on Storedproduct Protection.Bordeaux，1990:1445-1450.

［4］徐昉，白旭光，邱道尹，等.國內(nèi)外儲糧害蟲檢測方法［J］.糧油倉儲科技通訊，2001，29（5）：23-26.

［5］劉娟.基于信度函數(shù)分形維數(shù)的模式識別研究［D］.重慶：西南大學，2014.

［6］Vinushree N，Hemalatha B，Vishnu Kumar Kaliappan.Efficient kernel-based fuzzy C-Means clustering for pest detection and classification［C］//2014 World Congress on Computing and Communication Technologies.IEEE Press，2014:179-181.

［7］Betty Martin，Vimala Juliet.Detection of Pest infestation by preprocessing sound using vector quantization［C］//2010 2nd International Conference on Signal Processing Systems（ICSPS）.IEEE Press，2010:219-223.

［8］Dai Ting，Zhang Miao，Zhang De Xian.On the intelligent detection of insects in stored grain［C］//2011 International Conference on Electronic &Mechanical Engineering and Information Technology.IEEE Press，2011:2427-2430.

［9］QI S F，LI Y H.A New wireless sensor used in grain pests detection［C］//2012 International Conference on Control Engineering and Communication Technology.IEEE Press，2012:755-758.

［10］韓萍，張慧檔，孫福艷，等.混沌優(yōu)化的倉儲害蟲聲音信號識別研究［J］.微電子學與計算機，2012，29（2）:36-39，43.

［11］盧侃，孫建華，歐陽容百，等.混沌動力學［M］.上海:上海遠東出版社，1990:24-53.

［12］Vapnik V.The nature of statistical learning theory［M］.New York:Springer-Verlag，1995.

［13］唐發(fā)明，陳綿云，王仲東，等.基于支持向量機的倉儲害蟲聲音識別［J］.華中科技大學學報，2005，33（2）:34-36.

［14］韓萍.倉儲物害蟲聲音的模式識別［J］.計算機工程，2003，29（22）:151-154.

［15］董志杰.基于聲音信號的儲糧害蟲檢測技術(shù)研究［D］.鄭州：河南工業(yè)大學，2013.

［16］張明真.儲糧害蟲活動聲信號識別研究[D］.西安：陜西師范大學，2013.