陳尚兵 袁建 邢常瑞 鞠興榮 黃金旺

[摘要]計算機技術(shù)的不斷發(fā)展，給人們的生活帶來越來越多的便利，尤其是在機器視覺方面。目前在農(nóng)產(chǎn)品品質(zhì)控制檢測當中機器視覺的應用也變得廣泛。為了充分了解這方面的動態(tài)，文章介紹國內(nèi)外機器視覺技術(shù)在稻米方面的研究動態(tài)，同時指出機器視覺在稻米品質(zhì)檢測方面的不足，并提出展望。

[關鍵詞]機器視覺；稻米；品質(zhì)檢測

機器視覺技術(shù)（Machine Vision Technology）是一個不斷發(fā)展的技術(shù)，目前在農(nóng)業(yè)和食品工業(yè)方面有許多應用，尤其是在農(nóng)產(chǎn)品方面Ⅲ。它代替人眼識別，在計算機軟件上對圖片經(jīng)過處理之后得到數(shù)據(jù)，分析，完成檢測任務；研究采用計算機模擬生物外顯或宏觀視覺功能的科學技術(shù)，數(shù)學、光學、人工智能、神經(jīng)生物學、心理物理學、計算機科學、圖像處理和圖像理解、模式識別等多個領域的交叉學科。通常，計算機視覺檢測系統(tǒng)由以下部分組成：檢測箱、光源、CCD攝像頭、圖像采集卡和計算機軟件系統(tǒng)等（如圖1所示）。如今機器視覺已經(jīng)在農(nóng)業(yè)和食品生產(chǎn)過程當中的得以實踐。在農(nóng)產(chǎn)品品質(zhì)方面，機器視覺技術(shù)對于產(chǎn)品品質(zhì)的檢測包括內(nèi)外部檢測，主要檢測內(nèi)容如表所示。

國內(nèi)外對于機器視覺檢測的許多研究，主要集中在果蔬方面的無損檢測，尤其是在蘋果、馬鈴薯的破損、腐爛、品質(zhì)分級等；同時也有對肉類產(chǎn)品的等級分類。國內(nèi)外運用機器視覺對果蔬類和肉品的研究較多；而糧油方面?zhèn)戎赜诖蠖?、玉米、小麥的研究，對大米研究較少，因為大米的主產(chǎn)區(qū)一般都在亞洲。因此，機器視覺檢測在大米方面的研究必將成為未來的主要趨勢。

米是世界上最主要的糧食作物，每年總產(chǎn)量約占世界谷物產(chǎn)量的1/3，其中我國稻米播種面積是僅次于印度，2004年以來，我國水稻產(chǎn)量呈現(xiàn)連年增長的趨勢。年均產(chǎn)量約占國內(nèi)糧食總產(chǎn)量的1/3，同時也是世界上最大的稻米生產(chǎn)國。水稻是我國主要糧食作物之一，據(jù)最新的數(shù)據(jù)統(tǒng)計，我國水稻播種面積在113340.5千公頃。稻米是我國城鄉(xiāng)居民的主要口糧，全國有60%以上人口以大米為主食，稻米消費量約占全國糧食消費量的40%。隨著稻米產(chǎn)量的增長，人們不再滿足于產(chǎn)量的凈增，更為關注的是稻米外觀品質(zhì)以及稻米食用品質(zhì)，這就要求對稻米生產(chǎn)加工等多重環(huán)節(jié)進行及時檢測。在檢測稻米品質(zhì)方面，目前采用最多的是人工測量方法，通過視覺檢測和感官鑒評得出結(jié)果，因為人為主觀因素的差別，檢測速度和準確率較為低下，造成結(jié)果不一。運用機器視覺技術(shù)檢測，和人工檢測技術(shù)相比，它具有高精確度、高效率、易于重復操作等優(yōu)點。利用機器視覺分級代替人工目測是未來提高檢測效率的必然選擇，因為使用機器視覺技術(shù)可以避免人工檢測主觀因素而造成的誤差。

1機器視覺在稻米品質(zhì)檢測方面的應用

1.1對稻谷品種的鑒別

在稻米收購過程當中識別稻米品種是必不可少的環(huán)節(jié)，原因在于收購站需要根據(jù)不同品種對糧食進行儲藏，機器視覺技術(shù)的運用能夠更好地提高收購人員工作效率。首先要解決的問題就是通過計算機獲得圖像，將籽粒與背景的分離及時處理，避免對檢測造成影響。灰度閥值法、邊緣檢測法以及數(shù)學形態(tài)學方法是常規(guī)的檢測算法。

20世紀90年代以后，國內(nèi)外許多學者使用機器視覺對大米、花生、馬鈴薯、雞蛋等多種農(nóng)產(chǎn)品展開研究。江蘇大學的黃星奕等利用機器視覺技術(shù)，把經(jīng)過處理后的稻米圖像粒形長度、寬度和面積等形態(tài)學特征數(shù)值和R均值、G均值、B均值、H均值、S均值、J均值等顏色特征值，經(jīng)過貝葉斯決策理論建立模型，從而實現(xiàn)對谷類品種識別，識別準確率達到88.3%。同時，黃星奕等在上述成果的基礎上，提取不同品種稻谷的顏色特征值和形態(tài)學特征值，結(jié)合BP神經(jīng)視覺和相似度檢索技術(shù)，建立了稻米品種識別快速檢測數(shù)據(jù)庫。該數(shù)據(jù)庫對于快速識別谷物品種有較好的用處，同時還能夠?qū)ξ醇皶r錄入的品種添加數(shù)據(jù)，因此該數(shù)據(jù)庫有較大的完善空間。喻擎蒼等經(jīng)過數(shù)次實驗，提取稻谷二值圖像輪廓線，對歐幾里德算法進行改進，分析以輪廓線為中心的最大線性距離，能夠?qū)崿F(xiàn)稻谷品種的模糊識別。試驗結(jié)果表明，此方法在辨別浙852、Z94-35、廣陸矮4號三種類型稻米時呈現(xiàn)出不同的結(jié)果，總體而言識別準確度還是很好的。周超等試驗證明通過機器視覺提取不同品種雜交水稻的6個顏色參數(shù)值，以此研究分辨品種的顏色差別。實驗結(jié)果表明對先農(nóng)5號、金優(yōu)桂99和優(yōu)166識別率在90%以上，可以作為分辨一些不同品種雜交水稻的依據(jù)。但是參數(shù)較少，可能在某些程度上有待完善。Ruokui Chang等使用機器視覺技術(shù)獲得水稻三個外觀參數(shù)在評價標準的基礎上，將13種水稻分為3種等級。根據(jù)BP神經(jīng)網(wǎng)絡的使用情況，建立檢測模型，校準模型的相關系數(shù)由外觀確定指標為0.9621。通過使用模型來預測準確度，得出相關性系數(shù)為0.9134，平均相對誤差為5%，預測值和真實值之間的相對誤差較小，因此它可以幫助解決未知品種的水稻預測等級。

1.2稻米裂紋粒識別

稻米裂紋?？梢苑Q為爆腰粒，是指完整稻米粒的胚乳中產(chǎn)生的橫向或縱向裂紋，它是導致稻米在加工過程中發(fā)生破碎而產(chǎn)生碎米的重要原因。裂紋顆粒存在會造成出米率下降，人工感官評價等級降低，含有裂紋粒的成米食用品質(zhì)會變差，商品的使用價值、經(jīng)濟價值會下降；同時裂紋粒也是作為評價稻米干燥工藝是否達標的一個判斷依據(jù)。

1998年，A.J.Cardarelli等研究了稻米破損粒的情況，主要判別依據(jù)是以RGB三分量均值，實現(xiàn)對3種稻米破損籽粒識別，識別率達到80%以上。李棟等采用分形理論對稻谷產(chǎn)生應力進行研究，他們通過電子顯微鏡獲得圖像分析得出稻谷裂紋具有分形特征，由此建立了稻谷應力裂紋模型；建立的模型對稻谷進行動力學分析，得出不同的擴展力對稻谷造成損害不同。張龍等定性定量分析稻米糙米破損程度和裂紋粒程度，大量實驗表明干燥過程當中水分含量和溫度這兩個條件對裂紋粒有一定的影響。這表明可以通過機器視覺對裂紋粒破損程度鑒別，判別溫度，水分等多種條件對儲糧的影響，為獲得最佳的稻米貯藏條件提供一定的依據(jù)。

吳杰在質(zhì)構(gòu)儀上對秈稻的不同破損方式進行模擬力學實驗，同時構(gòu)建機器視覺平臺，獲得裂紋二值化圖像，提取紋理特征參數(shù)、晶體面積比參數(shù)和形態(tài)學特征參數(shù)。建立BP神經(jīng)網(wǎng)絡對顯著特征參數(shù)進行分類識別，設計了不同含水量，不同受力情況下的識別器，識別率均在85%以上。Zhang Q等利用高精度電子顯微鏡對稻米籽粒進行掃描，得到米粒裂紋特征，同時將裂紋粒分割為兩部分，并從微觀方面對裂紋粒進行了研究，但是這種方法對裂紋粒檢測過程較為復雜，不便于裂紋?？焖贆z測識別。

黃星奕等采用構(gòu)建的機器視覺平臺得到稻米爆腰粒圖像，然后通過二值化和小波變換對圖像局部極大值進行檢測，去除圖像噪聲，提取稻米邊緣特征，能夠更好的對稻米爆腰粒進行有效的識別，識別率達到92%以上。鄭華東等實現(xiàn)對單粒米進行光學特性分析基礎上，研制出一套視覺檢測裝置，并基于Visual C++6.0開發(fā)平臺下編制出了大米裂紋檢測系統(tǒng)軟件。經(jīng)過二值化、灰度化，同時對單粒米圖像進行灰度拉伸處理，之后根據(jù)所得圖像的灰度均值繪制均值變化曲線。同時依據(jù)繪制的曲線對其加權(quán)濾波處理，提出了基于灰度均值變化特征的大米裂紋檢測算法，此算法對稻米裂紋能夠得到有效的識別。對5個品種的試驗結(jié)果表明，檢測裝置對6組特殊類大米樣品和5組隨機大米樣品裂紋率的判斷準確率分別為98.37%和97.88%，說明檢測系統(tǒng)對于稻米裂紋粒的識別是可行的。

1.3黃粒米檢測

黃粒米是評定稻米等級的一個重要指標。它形成的原因是大米因為霉菌的作用，發(fā)生顏色變化，從而造成與正常米粒顏色差異，也伴隨著營養(yǎng)成分的損失。尚艷芬依據(jù)黃粒米色澤度與正常米粒的差別，通過RGB色度學原理對黃粒米進行色度判別，選擇最優(yōu)閥值范圍。結(jié)果表明能夠?qū)崿F(xiàn)黃粒米與正常米的篩選甄別，判別率達到95%。根據(jù)這個結(jié)論，一些研究者也對這個程序不斷改進，將其應用于其他方面。孫明等采用MATLAB系統(tǒng)平臺對黃粒米進行檢測，基于獲取的米粒圖像，對原圖像預處理后，通過最大類間方差法（Otsu）獲得最佳閾值，二值化，去除背景，分析特征值，得出黃粒米色調(diào)H值在0～1之間。經(jīng)實驗統(tǒng)計論證，基于色調(diào)值區(qū)分黃粒米與正常米是可行的。王付軍等根據(jù)黃粒米與正常米顏色的差異，正常米粒顯白色，黃粒米顯色偏黃?；赗GB和HSV顏色漸變特點，對獲得的圖像處理后，經(jīng)過多次平行試驗對比分析得出黃粒米的值主要集中在0.1187附近，與正常米存在較大差別。在人工目測和計算機視覺對比試驗的基礎上，得出辨別率在94.97%，因此表明試驗技術(shù)識別還是可行的。

1.4堊白粒檢測

大米堊白是由于稻米在成熟過程中因胚乳組織疏松而形成的不透明部分。堊白因為部位不同，主要分為心白、背白和腹白。目前主要采用GB 1354-2009作為判別堊白粒的依據(jù)，但是一般都是通過人工檢測。盡管我國是稻米生產(chǎn)大國，但對于這方面的檢測仍然存在不足，機器視覺技術(shù)的應用對于提高檢測精度有很重要的影響。2007年，吳彥紅等研發(fā)了一整套的檢測程序，對大米堊白的檢測算法。通過對拍攝的圖像，灰度化、最佳閾值確定、二值化，提取長度、寬度等形態(tài)學特征參數(shù)。并對參數(shù)分析，通過主成分分析，確定最優(yōu)識別條件，從而識別圖像當中的堊白粒。實驗表明，對堊白米粒的識別準確率為94.79%。但是該程序只是對單粒進行拍照，對于過程當中顆粒拍照的穩(wěn)定性有一定的限制。孫翠霞等通過能夠獲得堊白粒圖像的攝像頭獲取大米圖像，為了更好的對粘連粒進行分割，采用雙閾值法對圖像分割，一個是可以實現(xiàn)最大限度分離，計算大米總粒數(shù)；一個是對圖像的堊白粒分割，從而對籽粒粘連情況得到很好的解決。試驗結(jié)果表示，該算法可以針對粘連情況下的堊白度進行很好地識別。王粵等通過HSI亮度圖像1分量的特性檢測大米堊白米，對檢測出的大米，用改進后的最大類間方差法實現(xiàn)更好分析堊白率、堊白度信息。實驗結(jié)果表明，改進后的方法，堊白米粒的檢測精度提高了8%左右，堊白度的檢測精度也相應提高6%左右。

1.5稻米胚芽的檢測

稻米胚芽占稻米比例很小，但是富含多種營養(yǎng)成分，是目前較為重要的營養(yǎng)米。對于胚芽精米來說，最為重要的是留胚率。目前檢測留胚率的方法主要是人工目測為主，但是這種方法受到多種主觀因素的影響，檢測結(jié)果達不到所需的要求，隨著機器視覺的發(fā)展，人們開始研究圖像處理技術(shù)對大米留胚率的檢測。

黃星奕等提出以計算機視覺代替人眼識別檢測稻米胚芽精米。首先獲得圖像，然后將彩色圖像由RGB值轉(zhuǎn)換為HSI值，利用色調(diào)H（Hue）、光強I（Intensity）、飽和度S（Saturation）等多種顏色特性多次分析，并提出以飽和度S作為特征參數(shù)值對胚乳和胚芽實現(xiàn)自動檢測。試驗結(jié)果表明，這種基于機器視覺的檢測方法與人工檢測吻合度達到88%以上。

1.6稻米加工精度檢測

依據(jù)GB/T 5502-2018對大米加工精度進行區(qū)分，因為不同加工精度的大米，其營養(yǎng)成分損失程度是不同的，因此對大米加工精度檢測顯得尤為重要。目前對大米加工精度檢測，采用的傳統(tǒng)方法是通過直接比較和試劑染色法。許俐等通過機器視覺結(jié)合圖像處理技術(shù)與色度學理論，使用日本MG染色法，研究染色后大米的胚芽，胚乳呈現(xiàn)的顏色特征，通過計算胚乳面積所占百分比來得到加工精度。萬鵬通過建立灰度一梯度共生矩陣提取大米圖像的紋理特征參數(shù)，并且使用Fisher判別函數(shù)對大米加工精度判別，實現(xiàn)對四種不同加工精度的大米判別，識別率達到93%以上。之后，萬鵬等通過顏色特征值和BP神經(jīng)網(wǎng)絡相結(jié)合，對大米精度進行判別，以R、G、B、H、S、I作為特征值，構(gòu)建BP神經(jīng)網(wǎng)絡判別精度達到92.17%。但是目前來說，實現(xiàn)工業(yè)化檢測還是有一定難度的。

目前，我國對稻谷整精米率檢測采用的是GB/T 21719-2008，整精米率指整精米占凈稻谷試樣質(zhì)量的百分率。Liu W等采取機器視覺技術(shù)，使用圖像處理檢測大米加工精度，精準檢測稻米樣品，檢測結(jié)果平行度非常好，得出R2=9.9819。尚艷芬等開發(fā)了一套能夠識別整精米和碎米的系統(tǒng)，該系統(tǒng)是通過對米粒形態(tài)學特征參數(shù)值提取，建立模型分析整精米的碎米的差別。借以模型中標準米作為對照，通過偏差計算，分析精度與人工檢測的相關系數(shù)達到0.99。劉丹通過建立三維模型，依據(jù)機器視覺獲得二維圖片，同時結(jié)合三維模型，估算體積，之后通過體積比計算精米率。然后通過多組平行實驗，對整精米和碎米面積、體積以及形態(tài)分析，根據(jù)得到的整精米率的精度分析，最后用圖像處理的方法測定，準確度可以達到98%以上。

2結(jié)論和應用展望

文章基于機器視覺技術(shù)在稻米品種、裂紋粒、黃粒、堊白粒的識別，以及稻米加工品質(zhì)的鑒別等方面做了簡要的論述。機器視覺技術(shù)在國內(nèi)外農(nóng)產(chǎn)品方面的應用較多，如在果蔬類品質(zhì)的判別，但是在稻米領域的實際應用仍然處于探索階段，這方面在未來會有較大的應用前景。

（1）目前對稻米品質(zhì)檢測主要采用的還是人工識別的方法，效率低下，因此需要將機器視覺推向糧食收購現(xiàn)場時亟待解決的問題。同時，采用圖像識別方法對于分析結(jié)果有很好的準確度。

（2）在對稻米品質(zhì)檢測過程當中，需要配合CCD彩色攝像頭獲取圖像，有不同的研究者采用不同的掃描儀獲得圖像，因此獲得檢測條件與精度不盡相同，實驗測定的結(jié)果對品質(zhì)的判別就不同，這是市場需求需要解決的問題，所以有必要制定和推廣稻米品質(zhì)標準檢測裝置，統(tǒng)一規(guī)范。

（3）使用機器視覺對稻谷品質(zhì)測定多數(shù)都是采用靜態(tài)識別，通過顆粒放置于載物臺上，使用圖像處理軟件結(jié)合相關程序，對圖像檢測，判別稻米品質(zhì)。對于動態(tài)與靜態(tài)相結(jié)合的圖片采集和分析，目前在稻米方面研究不多，因此在動態(tài)與靜態(tài)結(jié)合判別多種稻谷品質(zhì)因素是未來研究的一個重要方向。

計算機視覺在稻米品質(zhì)方面的檢測主要集中在實驗室階段，大型儀器測定稻米品質(zhì)現(xiàn)場測定仍處于探索階段，但是隨著計算機技術(shù)和圖像處理技術(shù)的不斷發(fā)展，未來這項技術(shù)一定能夠?qū)Φ久灼焚|(zhì)進行快速、高效判別。