机器视觉检测技术在稻米方面的应用现状

陈尚兵 袁建 邢常瑞 鞠兴荣 黄金旺

[摘要]计算机技术的不断发展，给人们的生活带来越来越多的便利，尤其是在机器视觉方面。目前在农产品品质控制檢测当中机器视觉的应用也变得广泛。为了充分了解这方面的动态，文章介绍国内外机器视觉技术在稻米方面的研究动态，同时指出机器视觉在稻米品质检测方面的不足，并提出展望。

[关键词]机器视觉；稻米；品质检测

机器视觉技术（Machine Vision Technology）是一个不断发展的技术，目前在农业和食品工业方面有许多应用，尤其是在农产品方面Ⅲ。它代替人眼识别，在计算机软件上对图片经过处理之后得到数据，分析，完成检测任务；研究采用计算机模拟生物外显或宏观视觉功能的科学技术，数学、光学、人工智能、神经生物学、心理物理学、计算机科学、图像处理和图像理解、模式识别等多个领域的交叉学科。通常，计算机视觉检测系统由以下部分组成：检测箱、光源、CCD摄像头、图像采集卡和计算机软件系统等（如图1所示）。如今机器视觉已经在农业和食品生产过程当中的得以实践。在农产品品质方面，机器视觉技术对于产品品质的检测包括内外部检测，主要检测内容如表所示。

国内外对于机器视觉检测的许多研究，主要集中在果蔬方面的无损检测，尤其是在苹果、马铃薯的破损、腐烂、品质分级等；同时也有对肉类产品的等级分类。国内外运用机器视觉对果蔬类和肉品的研究较多；而粮油方面侧重于大豆、玉米、小麦的研究，对大米研究较少，因为大米的主产区一般都在亚洲。因此，机器视觉检测在大米方面的研究必将成为未来的主要趋势。

米是世界上最主要的粮食作物，每年总产量约占世界谷物产量的1/3，其中我国稻米播种面积是仅次于印度，2004年以来，我国水稻产量呈现连年增长的趋势。年均产量约占国内粮食总产量的1/3，同时也是世界上最大的稻米生产国。水稻是我国主要粮食作物之一，据最新的数据统计，我国水稻播种面积在113340.5千公顷。稻米是我国城乡居民的主要口粮，全国有60%以上人口以大米为主食，稻米消费量约占全国粮食消费量的40%。随着稻米产量的增长，人们不再满足于产量的净增，更为关注的是稻米外观品质以及稻米食用品质，这就要求对稻米生产加工等多重环节进行及时检测。在检测稻米品质方面，目前采用最多的是人工测量方法，通过视觉检测和感官鉴评得出结果，因为人为主观因素的差别，检测速度和准确率较为低下，造成结果不一。运用机器视觉技术检测，和人工检测技术相比，它具有高精确度、高效率、易于重复操作等优点。利用机器视觉分级代替人工目测是未来提高检测效率的必然选择，因为使用机器视觉技术可以避免人工检测主观因素而造成的误差。

1机器视觉在稻米品质检测方面的应用

1.1对稻谷品种的鉴别

在稻米收购过程当中识别稻米品种是必不可少的环节，原因在于收购站需要根据不同品种对粮食进行储藏，机器视觉技术的运用能够更好地提高收购人员工作效率。首先要解决的问题就是通过计算机获得图像，将籽粒与背景的分离及时处理，避免对检测造成影响。灰度阀值法、边缘检测法以及数学形态学方法是常规的检测算法。

20世纪90年代以后，国内外许多学者使用机器视觉对大米、花生、马铃薯、鸡蛋等多种农产品展开研究。江苏大学的黄星奕等利用机器视觉技术，把经过处理后的稻米图像粒形长度、宽度和面积等形态学特征数值和R均值、G均值、B均值、H均值、S均值、J均值等颜色特征值，经过贝叶斯决策理论建立模型，从而实现对谷类品种识别，识别准确率达到88.3%。同时，黄星奕等在上述成果的基础上，提取不同品种稻谷的颜色特征值和形态学特征值，结合BP神经视觉和相似度检索技术，建立了稻米品种识别快速检测数据库。该数据库对于快速识别谷物品种有较好的用处，同时还能够对未及时录入的品种添加数据，因此该数据库有较大的完善空间。喻擎苍等经过数次实验，提取稻谷二值图像轮廓线，对欧几里德算法进行改进，分析以轮廓线为中心的最大线性距离，能够实现稻谷品种的模糊识别。试验结果表明，此方法在辨别浙852、Z94-35、广陆矮4号三种类型稻米时呈现出不同的结果，总体而言识别准确度还是很好的。周超等试验证明通过机器视觉提取不同品种杂交水稻的6个颜色参数值，以此研究分辨品种的颜色差别。实验结果表明对先农5号、金优桂99和优166识别率在90%以上，可以作为分辨一些不同品种杂交水稻的依据。但是参数较少，可能在某些程度上有待完善。Ruokui Chang等使用机器视觉技术获得水稻三个外观参数在评价标准的基础上，将13种水稻分为3种等级。根据BP神经网络的使用情况，建立检测模型，校准模型的相关系数由外观确定指标为0.9621。通过使用模型来预测准确度，得出相关性系数为0.9134，平均相对误差为5%，预测值和真实值之间的相对误差较小，因此它可以帮助解决未知品种的水稻预测等级。

1.2稻米裂纹粒识别

稻米裂纹粒可以称为爆腰粒，是指完整稻米粒的胚乳中产生的横向或纵向裂纹，它是导致稻米在加工过程中发生破碎而产生碎米的重要原因。裂纹颗粒存在会造成出米率下降，人工感官评价等级降低，含有裂纹粒的成米食用品质会变差，商品的使用价值、经济价值会下降；同时裂纹粒也是作为评价稻米干燥工艺是否达标的一个判断依据。

1998年，A.J.Cardarelli等研究了稻米破损粒的情况，主要判别依据是以RGB三分量均值，实现对3种稻米破损籽粒识别，识别率达到80%以上。李栋等采用分形理论对稻谷产生应力进行研究，他们通过电子显微镜获得图像分析得出稻谷裂纹具有分形特征，由此建立了稻谷应力裂纹模型；建立的模型对稻谷进行动力学分析，得出不同的扩展力对稻谷造成损害不同。张龙等定性定量分析稻米糙米破损程度和裂纹粒程度，大量实验表明干燥过程当中水分含量和温度这两个条件对裂纹粒有一定的影响。这表明可以通过机器视觉对裂纹粒破损程度鉴别，判别温度，水分等多种条件对储粮的影响，为获得最佳的稻米贮藏条件提供一定的依据。

吴杰在质构仪上对籼稻的不同破损方式进行模拟力学实验，同时构建机器视觉平台，获得裂纹二值化图像，提取纹理特征参数、晶体面积比参数和形态学特征参数。建立BP神经网络对显著特征参数进行分类识别，设计了不同含水量，不同受力情况下的识别器，识别率均在85%以上。Zhang Q等利用高精度电子显微镜对稻米籽粒进行扫描，得到米粒裂纹特征，同时将裂纹粒分割为两部分，并从微观方面对裂纹粒进行了研究，但是这种方法对裂纹粒检测过程较为复杂，不便于裂纹粒快速检测识别。

黄星奕等采用构建的机器视觉平台得到稻米爆腰粒图像，然后通过二值化和小波变换对图像局部极大值进行检测，去除图像噪声，提取稻米边缘特征，能够更好的对稻米爆腰粒进行有效的识别，识别率达到92%以上。郑华东等实现对单粒米进行光学特性分析基础上，研制出一套视觉检测装置，并基于Visual C++6.0开发平台下编制出了大米裂纹检测系统软件。经过二值化、灰度化，同时对单粒米图像进行灰度拉伸处理，之后根据所得图像的灰度均值绘制均值变化曲线。同时依据绘制的曲线对其加权滤波处理，提出了基于灰度均值变化特征的大米裂纹检测算法，此算法对稻米裂纹能够得到有效的识别。对5个品种的试验结果表明，检测装置对6组特殊类大米样品和5组随机大米样品裂纹率的判断准确率分别为98.37%和97.88%，说明检测系统对于稻米裂纹粒的识别是可行的。

1.3黄粒米检测

黄粒米是评定稻米等级的一个重要指标。它形成的原因是大米因为霉菌的作用，发生颜色变化，从而造成与正常米粒颜色差异，也伴随着营养成分的损失。尚艳芬依据黄粒米色泽度与正常米粒的差别，通过RGB色度学原理对黄粒米进行色度判别，选择最优阀值范围。结果表明能够实现黄粒米与正常米的筛选甄别，判别率达到95%。根据这个结论，一些研究者也对这个程序不断改进，将其应用于其他方面。孙明等采用MATLAB系统平台对黄粒米进行检测，基于获取的米粒图像，对原图像预处理后，通过最大类间方差法（Otsu）获得最佳阈值，二值化，去除背景，分析特征值，得出黄粒米色调H值在0～1之间。经实验统计论证，基于色调值区分黄粒米与正常米是可行的。王付军等根据黄粒米与正常米颜色的差异，正常米粒显白色，黄粒米显色偏黄。基于RGB和HSV颜色渐变特点，对获得的图像处理后，经过多次平行试验对比分析得出黄粒米的值主要集中在0.1187附近，与正常米存在较大差别。在人工目测和计算机视觉对比试验的基础上，得出辨别率在94.97%，因此表明试验技术识别还是可行的。

1.4垩白粒检测

大米垩白是由于稻米在成熟过程中因胚乳组织疏松而形成的不透明部分。垩白因为部位不同，主要分为心白、背白和腹白。目前主要采用GB 1354-2009作为判别垩白粒的依据，但是一般都是通过人工检测。尽管我国是稻米生产大国，但对于这方面的检测仍然存在不足，机器视觉技术的应用对于提高检测精度有很重要的影响。2007年，吴彦红等研发了一整套的检测程序，对大米垩白的检测算法。通过对拍摄的图像，灰度化、最佳阈值确定、二值化，提取长度、宽度等形态学特征参数。并对参数分析，通过主成分分析，确定最优识别条件，从而识别图像当中的垩白粒。实验表明，对垩白米粒的识别准确率为94.79%。但是该程序只是对单粒进行拍照，对于过程当中颗粒拍照的稳定性有一定的限制。孙翠霞等通过能够获得垩白粒图像的摄像头获取大米图像，为了更好的对粘连粒进行分割，采用双阈值法对图像分割，一个是可以实现最大限度分离，计算大米总粒数；一个是对图像的垩白粒分割，从而对籽粒粘连情况得到很好的解决。试验结果表示，该算法可以针对粘连情况下的垩白度进行很好地识别。王粤等通过HSI亮度图像1分量的特性检测大米垩白米，对检测出的大米，用改进后的最大类间方差法实现更好分析垩白率、垩白度信息。实验结果表明，改进后的方法，垩白米粒的检测精度提高了8%左右，垩白度的检测精度也相应提高6%左右。

1.5稻米胚芽的检测

稻米胚芽占稻米比例很小，但是富含多种营养成分，是目前较为重要的营养米。对于胚芽精米来说，最为重要的是留胚率。目前检测留胚率的方法主要是人工目测为主，但是这种方法受到多种主观因素的影响，检测结果达不到所需的要求，随着机器视觉的发展，人们开始研究图像处理技术对大米留胚率的检测。

黄星奕等提出以计算机视觉代替人眼识别检测稻米胚芽精米。首先获得图像，然后将彩色图像由RGB值转换为HSI值，利用色调H（Hue）、光强I（Intensity）、饱和度S（Saturation）等多种颜色特性多次分析，并提出以饱和度S作为特征参数值对胚乳和胚芽实现自动检测。试验结果表明，这种基于机器视觉的检测方法与人工检测吻合度达到88%以上。

1.6稻米加工精度检测

依据GB/T 5502-2018对大米加工精度进行区分，因为不同加工精度的大米，其营养成分损失程度是不同的，因此对大米加工精度检测显得尤为重要。目前对大米加工精度检测，采用的传统方法是通过直接比较和试剂染色法。许俐等通过机器视觉结合图像处理技术与色度学理论，使用日本MG染色法，研究染色后大米的胚芽，胚乳呈现的颜色特征，通过计算胚乳面积所占百分比来得到加工精度。万鹏通过建立灰度一梯度共生矩阵提取大米图像的纹理特征参数，并且使用Fisher判别函数对大米加工精度判别，实现对四种不同加工精度的大米判别，识别率达到93%以上。之后，万鹏等通过颜色特征值和BP神经网络相结合，对大米精度进行判别，以R、G、B、H、S、I作为特征值，构建BP神经网络判别精度达到92.17%。但是目前来说，实现工业化检测还是有一定难度的。

目前，我国对稻谷整精米率检测采用的是GB/T 21719-2008，整精米率指整精米占净稻谷试样质量的百分率。Liu W等采取机器视觉技术，使用图像处理检测大米加工精度，精准检测稻米样品，检测结果平行度非常好，得出R2=9.9819。尚艳芬等开发了一套能够识别整精米和碎米的系统，该系统是通过对米粒形态学特征参数值提取，建立模型分析整精米的碎米的差别。借以模型中标准米作为对照，通过偏差计算，分析精度与人工检测的相关系数达到0.99。刘丹通过建立三维模型，依据机器视觉获得二维图片，同时结合三维模型，估算体积，之后通过体积比计算精米率。然后通过多组平行实验，对整精米和碎米面积、体积以及形态分析，根据得到的整精米率的精度分析，最后用图像处理的方法测定，准确度可以达到98%以上。

2结论和应用展望

文章基于机器视觉技术在稻米品种、裂纹粒、黄粒、垩白粒的识别，以及稻米加工品质的鉴别等方面做了简要的论述。机器视觉技术在国内外农产品方面的应用较多，如在果蔬类品质的判别，但是在稻米领域的实际应用仍然处于探索阶段，这方面在未来会有较大的應用前景。

（1）目前对稻米品质检测主要采用的还是人工识别的方法，效率低下，因此需要将机器视觉推向粮食收购现场时亟待解决的问题。同时，采用图像识别方法对于分析结果有很好的准确度。

（2）在对稻米品质检测过程当中，需要配合CCD彩色摄像头获取图像，有不同的研究者采用不同的扫描仪获得图像，因此获得检测条件与精度不尽相同，实验测定的结果对品质的判别就不同，这是市场需求需要解决的问题，所以有必要制定和推广稻米品质标准检测装置，统一规范。

（3）使用机器视觉对稻谷品质测定多数都是采用静态识别，通过颗粒放置于载物台上，使用图像处理软件结合相关程序，对图像检测，判别稻米品质。对于动态与静态相结合的图片采集和分析，目前在稻米方面研究不多，因此在动态与静态结合判别多种稻谷品质因素是未来研究的一个重要方向。

计算机视觉在稻米品质方面的检测主要集中在实验室阶段，大型仪器测定稻米品质现场测定仍处于探索阶段，但是随着计算机技术和图像处理技术的不断发展，未来这项技术一定能够对稻米品质进行快速、高效判别。