小麦籽粒隐蔽性害虫生物光子学精准检测机理及模型

隐蔽性害虫是危害储粮的最主要的害虫类群，其特点在于其幼虫期的严重危害性，当发现成虫时，粮食已遭受严重危害。现有隐蔽性储粮害虫检测方法存在各种局限性，难于有效、可靠的检测卵或幼虫期的害虫。针对这一问题，本项目结合小麦籽粒的隐蔽性害虫检测，开展小麦籽粒内隐蔽性害虫（着重卵期和幼虫期）生物光子学精准检测的基础理论研究，旨在研究小麦籽粒内虫害的自发生物光子辐射（BPE）机理及建模，探寻一种能够进行早期预测隐蔽性虫害发生的快速、无损检测的新方法。研究内容包括寻找小麦籽粒BPE高信噪比探测及数据预处理方法，探索BPE变化与隐蔽性虫害发生的相关性，研究虫害检测特征的提取与分类技术，以顾参数双曲模型及光子统计特性来揭示虫害BPE变化规律。本项目研究不同于以往隐蔽性害虫检测方法，极有可能取得突破性进展，丰富和发展隐蔽性害虫检测理论与方法，为进一步开展隐蔽性储粮害虫BPE检测方法的研究奠定基础。

隐蔽性害虫的早期检测问题是该领域的瓶颈问题之一。本项目着眼于该问题的求解，引入生物光子分析技术，主要研究小麦籽粒自发生物光子辐射(BPE)高信噪比探测及数据预处理方法，探索BPE变化与隐蔽性虫害发生的相关性，研究虫害检测特征的提取与分类技术。在研究中，针对标准工况的定标，通过噪声分析，通过正交实验（3因素、3水平），最终确定标准工况；引入现代信号处理理论，分别采用小波分析技术、时间序列分析技术、自适应滤波方法、功率谱估计方法等对小麦籽粒的BPE数据进行特性分析处理。本课题组发现在标准化工况和确定的数据预处理研究同时，对小麦籽粒的BPE数据进行统计分析，提取特征数据，建立特征空间，结合BP神经网络、LDA、SVM等分类技术进行分类器设计技术研究，结果表明利用BPE数据信息能够有效检测四龄期至蛹期之间的隐蔽性虫害的发生。其科学意义在于本研究探明了小麦籽粒自发生物光子辐射变化与隐蔽性虫害的发生具有内在的相关性。