机器视觉技术在大米品质检测中的应用进展

机器视觉技术在大米品质检测中的应用进展作者：万鹏,龙长江,任奕林来源：《湖北农业科学》2012年第05期摘要：综述了应用机器视觉技术在大米粒形、加工精度、垩白、整精米率等方面进行检测的研究动态，并指出了机器视觉技术在大米品质检测中的不足，为进一步应用机器视觉技术提供参考。

关键词：机器视觉技术；大米；品质检测中图分类号：ＴＰ３９１．４文献标识码：Ａ文章编号：0439－８114（２０12）05－0873-04ＡｐｐｌｉｃａｔｉｏｎＰｒｏｇｒｅｓｓｏｆＭａｃｈｉｎｅＶｉｓｉｏｎＴｅｃｈｎｏｌｏｇｙｉｎｔｈｅＱｕａｌｉｔｙＩｎｓｐｅｃｔｉｏｎｏｆＲｉｃｅＷＡＮＰｅｎｇ，ＬＯＮＧＣｈａｎｇ－ｊｉａｎｇ，ＲＥＮＹｉ－ｌｉｎ（ＣｏｌｌｅｇｅｏｆＥｎｇｉｎｅｅｒｉｎｇ，ＨｕａｚｈｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ４３００７０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｒｅｓｅａｒｃｈ dynamic ｏｆｍａｃｈｉｎｅｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙ was reviewed from the aspects ｏｆｒｉｃｅｖａｒｉｅｔｉｅｓ，ｇｅｒｍ，ｃｒａｃｋ，ｙｅｌｌｏｗｇｒａｉｎｒｉｃｅ，ａｎｄｓｏｏｎ；ａｎｄｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆｔｈｅｍａｃｈｉｎｅｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙｉｎｒｉｃｅｑｕａｌｉｔｙｉｎｓｐｅｃｔｉｏｎ were proposed for its ｆｕｒｔｈｅｒａｐｐｌｉｃａｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｍａｃｈｉｎｅｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙ；ｒｉｃｅ；ｑｕａｌｉｔｙｉｎｓｐｅｃｔｉｏｎ我国是世界上最大的稻米生产国，稻米年产量常年保持在１．８亿ｔ左右，占世界稻米总产量的１／３，居世界第一位［１］。

我国也是大米消费大国，有近２／３的人口以大米为主食，全国大米年消费总量保持在１．３５亿ｔ左右［２］。

我国的水稻研究在世界上处于领先地位，但是在国内外贸易、加工和消费等领域中仍然存在诸多问题［３，４］。

我国曾经是世界三大稻米输出国之一，但是由于我国大米的品质不高，再加上大米的生产标准、质量技术标准、检验检疫技术等与发达国家存在较大差距，在相当程度上影响了我国大米在国际市场上的竞争优势，大米的年出口量已退居六七位。

２００８年以来，随着世界稻米产量的下降，各国对大米出口配额进行调整，导致国际大米的价格出现了疯涨，而我国出口的大米因品种不稳定、品质较差，在国际市场上竞争力较低，市场份额逐渐减小。

为了提高大米的品质，不但需要选育优质的稻米品种，还需要加强大米品质的检测。

但是，由于我国对大米品质的检测研究起步较晚，同时也缺乏方便简单的检测方法和快捷准确的检测仪器，在对大米品质进行检测的过程中，主要依靠人工识别、感官评定等方法进行检测，这些方法主观性较强，准确度较低，可重复性较差，工作效率也较低，因此在实施过程中的有效性受到了质疑［５］。

机器视觉（Ｍａｃｈｉｎｅｖｉｓｉｏｎ）又称计算机视觉，是指利用计算机实现人的视觉功能，是研究采用计算机模拟生物外显或宏观视觉功能的科学和技术，是一门涉及数学、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、图像理解、模式识别等多个领域的交叉学科［６］。

机器视觉技术在农业上的应用研究始于２０世纪７０年代末期，主要进行的是植物种类的鉴别、农产品品质检测和分级等。

随着计算机软硬件技术、图像处理技术的迅速发展，它在农业上的应用研究有了较大的进展［７，８］。

目前，大部分的大米品质检测指标根据国家标准采用人工进行检测，容易产生许多问题。

随着机器视觉技术的发展和在农产品无损检测领域的广泛应用，采用机器视觉技术对大米的品质进行检测，不仅能够提高大米品质的检测效率，而且能够克服主观因素的影响，降低检测误差，使得大米品质的检测变得更加快速和准确［９］。

１基于机器视觉技术的大米品质检测装置基于机器视觉技术的大米品质检测系统由检测箱、检测台、光源、ＣＣＤ图像传感器、镜头、图像采集卡和计算机系统等几个部分组成［１０，１１］（图１）。

大米品质检测系统是一个内空的箱体，箱子的底部是检测台，顶部为光源和摄像头；检测箱内表面粘贴有背景纸，使光在箱体内形成均匀的漫反射，避免样品在检测时形成镜面反射。

光源提供样品检测照相时所需的亮度，为了提供充足的光线，同时尽量消除光源照射样品时在背景上产生的阴影，通常选用环形荧光灯管作为光源［１２］。

ＣＣＤ图像传感器是获取数字米粒样品图像的关键部件之一，它将大米图像由光信号转换为表示Ｒ、Ｇ、Ｂ颜色值的模拟电信号，并输入图像处理设备进行后续处理［１３］。

计算机软件系统用于对采集到的数字图像进行分析、处理和识别，实现对特定目标的检测、评价等［１４］。

２基于机器视觉技术的大米粒形检测大米的粒形是实现大米分级和质量检测的最基本参数。

根据《ＧＢ１３４５－１９８６大米》中的规定，评价大米质量的检测指标主要有加工精度、不完善粒、杂质、碎米等，这些检测指标与大米的粒形直接或间接相关。

由于人工评价是通过肉眼观察对大米粒形进行评价，因此受检测环境、视觉生理、视觉心理等诸多因素以及评价人员对大米标准理解程度不同的影响，即便是同一份大米样品，很难保证大米粒形检测结果的稳定，而采用计算机视觉技术进行检测则可以有效避免主观因素的影响，保证大米粒形检测结果的准确性［９，１５］。

中国农业大学孙明等［１６］借助于ＭＡＴＬＡＢ图像处理工具箱对大米粒形进行测定。

首先定义单粒大米子粒的粒长（Ａ）与粒宽（Ｂ）的比值为粒形，检测时先求出大米粒的椭圆离心率Ｒ，通过公式：■＝ｓｑｒｔ■将大米子粒的椭圆离心率转变为长宽比Ａ／Ｂ，即求出大米子粒的粒形。

试验结果表明，该方法具有操作简单、检测速度快、重复性好的优点。

武汉工业学院张聪等［１７］提出了一种基于计算机图像分析识别大米破碎粒的方法，即先采用数码相机获取大米图片，再对大米图片进行分析处理。

识别时先将大米图像的边缘曲线变换为极坐标形式，再结合大米粒形的一般形状，用椭圆模板定位米粒，获得一组与米粒平移、旋转和尺度无关的形状描述数据，再运用小波变换提取奇异点及特征参数。

试验结果表明，该方法简单有效，用于米粒定位与识别时的可信度高。

同时，刘光蓉等［１８］也研究了通过扫描仪获取大米的图像，再采用计算机图像处理技术将彩色图像转化成灰度图像并进行进一步的处理，最后获得大米子粒的二值图像，然后利用八邻域分析法提取大米图像的轮廓。

试验结果表明，这种方法的检测效果良好。

此外，袁佐云等［１９］还提出了采用最小外接矩形计算大米粒形的方法。

包晓敏等［２０］分析了采用Ｒｏｂｅｒｔｓ算子、Ｓｏｂｅｌ算子、Ｐｒｅｗｉｔｔ算子、模板匹配法和快速模糊边缘检测法对大米粒形进行边缘检测，并通过对大米图像的分割试验验证了快速模糊边缘检测法最为有效。

３基于机器视觉技术的大米加工精度检测大米加工精度是指大米背沟和粒面留皮程度，即糙米皮层被碾去的程度。

大米的加工精度是决定大米外观质量的主要因素，加工精度越高，米粒表面残留糠皮量就越少，胚乳表面光洁度、口感、外观品质也就越好。

我国国家标准规定各类大米按加工精度分等级［９］。

因此，大米加工精度的检测具有十分重要的意义。

传统大米加工精度的测定有多种方法，国标中规定大米加工精度的判定采用试剂染色法［２１］，通过染色剂使米粒胚乳和胚乳表面残留糠皮呈现不同的颜色差异便于肉眼观测，该方法受到光照条件、视力、情绪等诸多因素以及各种染色参数的影响，操作繁琐、效率低、误差大，不能满足快速、客观检测的需要。

河南工业大学张浩等［２２］研究了机器视觉技术结合数字图像处理技术检测大米加工精度的方法，首先获取大米的图像，利用米粒区域和背景区域的亮度差异将大米图像转化为灰度图像，再利用边缘检测函数求出分割阈值，将米粒从背景中分割出来，并计算米粒区域的面积；然后利用米粒区域中糠皮部分和胚乳部分Ｒ－Ｂ特征值差异，将大米图像分解为Ｒ、Ｇ、Ｂ分量图，以Ｒ－Ｂ矩阵代替大米图像，再将Ｒ－Ｂ矩阵转化为灰度图，用边缘检测函数求出分割阈值把糠皮部分分割出来，计算糠皮部分面积。

最后测得大米留皮率为米粒糠皮部分面积与米粒区域面积之比。

江苏理工大学许俐等［２３］将计算机图像处理技术与色度学理论相结合研究了大米加工精度的自动检测方法。

检测时先将大米染色，然后采用机器视觉系统获取大米图像，再根据染色后大米的胚乳、皮层以及胚芽所呈现的不同颜色特征，采用不同的区分方法获取米粒不同部位的面积即像素的个数，然后根据胚乳面积与大米图像总面积的百分比计算大米的加工精度。

此外，无锡轻工大学田庆国［２４］根据色度学原理，采用图像处理技术对染色后的大米进行检测，识别大米的加工精度，并建立了大米染色后的颜色值与加工精度之间的数据库。

西华大学的刘建伟与日本岐阜大学的三轮精博［２５］合作研究大米加工精度与碾白程度之间的关系时，采用改良后的大米精度鉴定ＮＭＧ溶液，按照品红石碳酸溶液染色法（ＧＢ５５０２－８５）对大米进行染色获得米粒表皮呈绿色、糊粉层呈蓝色、胚乳呈蓝红色的大米样品，米粒干燥后采用测色色差计检测样品的颜色计算大米的加工精度。

４基于机器视觉技术的大米垩白检测垩白是指稻米粒胚乳中不透明的部分。

垩白之所以不透明是因为稻米子粒中淀粉粒排列疏松，颗粒间充气引起光线折射所致。

按其发生部位可将垩白区分为腹白、心白和背白等类型。

通常用垩白粒率、垩白大小和垩白度等概念描述稻米的垩白状况。

垩白是衡量稻米品质的重要性状之一，不仅直接影响稻米的外观品质和商品品质，而且还影响稻米的加工品质和蒸煮食味品质［９，２６］。

黑龙江农业工程职业学院于润伟等［２７］研究了采用机器视觉技术和图像处理技术检测稻米垩白的方法。

先用机器视觉装置获取大米的原始图像，再采用图像处理方法对大米图像进行预处理，然后应用大津算法自动选取分割阈值对稻米图像进行两次分割，分别得到大米子粒的二值图像和垩白区域的二值图像，再根据区域内部像素点的联通性，将不同区域分别进行标记，计算出子粒数和垩白粒数，同时计算出二者对应的面积（像素点个数）。

研究结果表明，该算法的自动检测结果与人工检测相关性大于９０％。

中国农业大学侯彩云、日本东京大学Ｓｅｉｉｃｈｉ等［２８］采用微切片三维图像处理系统对大米的品质特性进行探索性研究，结果表明借助于三维可视化技术分析大米的微切片，不仅可以观察大米垩白部分内部的组织结构以及在蒸煮过程中的变化，还可以利用灰度直方图定量计算出垩白米粒中各部分垩白的面积和体积。

同时，侯彩云等［２９］还利用自行研制开发的机器视觉图像处理系统对大米的垩白度及垩白粒率进行检测，试验结果表明所研制的装置具有客观、准确、快速和重现性好等特点，在大米的快速分等定级中具有良好的应用前景。

江苏大学黄星奕等［３０］研究了采用遗传神经网络计算大米垩白度的方法。