机器视觉技术在大米品质检测中的应用进展

万鹏,龙长江,任奕林

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）05－0873-04

Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒｅｓｓ ｏｆ Ｍａｃｈｉｎｅ Ｖｉｓｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ ｔｈｅ Ｑｕａｌｉｔｙ Ｉｎｓｐｅｃｔｉｏｎ ｏｆ Ｒｉｃｅ

ＷＡＮ Ｐｅｎｇ，ＬＯＮＧ Ｃｈａｎｇ－ｊｉａｎｇ，ＲＥＮ Ｙｉ－ｌｉｎ

（Ｃｏｌｌｅｇｅ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｈｕａｚｈｏｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｗｕｈａｎ ４３００７０， Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ： Ｔｈｅ ｒｅｓｅａｒｃｈ dynamic ｏｆ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ ｔｅｃｈｎｏｌｏｇｙ was reviewed from the aspects ｏｆ ｒｉｃｅ ｖａｒｉｅｔｉｅｓ， ｇｅｒｍ， ｃｒａｃｋ， ｙｅｌｌｏｗ ｇｒａｉｎ ｒｉｃｅ， ａｎｄ ｓｏ ｏｎ； ａｎｄ ｔｈｅ ｓｈｏｒｔｃｏｍｉｎｇｓ ｏｆ ｔｈｅ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｉｎ ｒｉｃｅ ｑｕａｌｉｔｙ ｉｎｓｐｅｃｔｉｏｎ were proposed for its ｆｕｒｔｈｅｒ ａｐｐｌｉｃａｔｉｏｎ．

Ｋｅｙ ｗｏｒｄｓ： ｍａｃｈｉｎｅ ｖｉｓｉｏｎ ｔｅｃｈｎｏｌｏｇｙ； ｒｉｃｅ； ｑｕａｌｉｔｙ ｉｎｓｐｅｃｔｉｏｎ

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（Ｍａｃｈｉｎｅ ｖｉｓｉｏｎ）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（ＧＢ ５５０２－８５）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。先采用机器视觉系统提取垩白米的图片，然后采用数字图像处理技术提取米粒的垩白区域与胚乳非垩白区域的交界区域内的像素，再采用遗传算法建立一个人工神经网络识别系统对这部分交界区域内的像素进行识别。试验结果表明，采用机器视觉系统的检测结果与人工检测结果的误差小于０．０５。

此外，凌云等［３１］提出了一种基于分形维数的垩白米检测算法。孙明等［３２］采用了ＭＡＴＬＡＢ软件开发平台构造了基于计算机视觉的大米垩白检测算法，完成了对大米垩白参数、垩白度以及垩白粒率的测定。吴建国等［３３］从实际应用出发，采用计算机和扫描仪结合开发了机器视觉系统的垩白测定软件。而曾大力等［３４］利用视频显微镜对大米粒进行扫描，结合计算机图形分析，直接计算大米的垩白大小和透明度，初步探讨了视频显微扫描技术在大米垩白分析中的应用。湖南农业大学萧浪涛等［３５］开发了基于微软Ｗｉｎｄｏｗｓ ９８平台的大米垩白度测定软件Ｃｈａｌｋｉｎｅｓｓ １．０，该软件与计算机和图像扫描仪相结合能够组成一套高效的大米垩白度测定系统。

５基于机器视觉技术的整精米率检测

整精米是指糙米碾磨成国家标准一级大米时米粒产生破碎，其中的完整米粒以及长度达到完整精米粒平均长度４／５以上（含４／５）的米粒。整精米率是指整精米占净稻谷试样质量的百分率，它是稻米加工品质优劣的指标，是稻米贸易中商家最关注的内容，与碾米厂的经济效益密切相关。正确识别整精米是检测整精米率的关键。目前整精米率主要采用人工方法进行检测，该方法难以满足对稻米品质快速、准确的检测要求［９，３６］。

中国农业大学尚艳芬等［３７］开发了一套基于机器视觉技术的整精米检测系统用于识别整精米和碎米。该方法通过提取并分析稻米的粒长、粒形等特征参数，提出了同一品种并在同一生长条件下生长的大米粒形具有相似性的前提假设，据此求得标准米，再通过偏差计算、粒长、粒形分析等对整精米和碎米进行识别。采用该方法开发的整精米识别系统对整精米和碎米识别的准确率与人工检测结果的相关系数可到达０．９９。

于润伟等［３８］首先通过图像识别系统采集大米的原始图像，再采取动态阈值分割等图像处理方法把米粒图像变成二值图像，然后根据区域内部像素的连通性计算出单个米粒的像素个数；再根据先期计算的整精米长度／面积比换算出米粒长度，最后根据米粒长度判断整精米和碎米。研究结果表明，该算法的自动检测与人工检测的相关性大于９９％，可用于整精米的自动检测。

６问题和展望

机器视觉技术在农产品的品质检测方面具有广泛的应用，国内外的学者在此领域进行过广泛研究。但机器视觉技术在大米品质检测领域的应用尚处于起步阶段，仍有许多等待解决的技术问题，需要进一步深入研究。

１）目前的大米品质检测装置多为静态检测装置，即将大米放于检测箱中通过机器视觉系统获取图片或通过扫描仪获取图片，大米相对于摄像头静止不动；获取图像之后再采用计算机软件系统对图像进行分析处理。这种检测方法效率低下，因此，动态地获取大米图像并进行分析检测是下一个要解决的难题。

２）采用机器视觉系统检测大米品质时，多采用的是串行化算法，即先获取大米图像，然后采用某种算法对大米图像进行处理，再检测大米的某项品质指标；之后再采用某种算法对大米图像处理大米的另一项品质指标，这种检测方法在处理群体米粒图像时极大地影响了检测速度，因此开发并行处理算法对大米图像进行分析检测可以有效提高机器视觉系统的工作效率。

３）目前对大米品质指标进行检测分析时缺少统一的检测装置，有的研究者采用ＣＣＤ摄像头获取大米的图像进行分析检测，而有的研究者采用扫描仪获取图像进行分析检测，检测装置不同、检测条件不一致难以达到相同的检测结果，因此有必要研制具有实用价值的大米品质检测装置，使基于机器视觉技术的大米品质检测能够具有统一的标准。

总之，伴随着计算机科学技术的迅速发展，机器视觉技术在大米品质检测中的应用将越来越广泛。

参考文献：

［１］ 庞乾林．稻米知识纵览［Ｊ］．中国稻米，２００４（３）：４４－４７．

［２］ 刘月好．陈米产生的原因与处理方法［Ｊ］．粮食加工，２００４（１）：３０－３１．

［３］ 庄丽娟，刁慕容．中国谷物外贸格局与发展趋向分析［Ｊ］．中国农垦经济，２００４（８）：２５－２６．

［４］ 山世英，彭玉珊．我国农产品出口遭遇技术性贸易壁垒的原因及对策［Ｊ］．山东农业大学学报，２００４，６（２）：４１－４３．

［５］ 李里特．粮油产品规格化、标准化是农业现代化的迫切任务［Ｊ］．中国粮油学报，２００１，１６（５）：１－５．

［６］ 刘传才．图像处理与计算机视觉［Ｍ］．厦门：厦门大学出版社，２００２．

［７］ 赵晓霞．计算机视觉技术在农业中的应用［Ｊ］．科技情报开发与经济，２００４，１４（４）：１２４－１２６．

［８］ 熊利荣，陈 红，丁幼春．机器视觉技术在农产品破损检测上的应用［Ｊ］．农机化研究，２００５（５）：２０４－２０５．

［９］ 李天真，周柏清．基于计算机视觉技术的稻米检测研究［Ｊ］．粮食与食品工业，２００５，１２（４）：５０－５３，５５．

［１０］ 凌云，王一鸣，孙明，等．基于机器视觉的大米外观品质检测装置［Ｊ］．农业机械学报，２００５，３６（９）：８９－９２．

［１１］ 张巧杰，王一鸣，凌云，等．稻谷品质检测技术与装置研制［Ｊ］．现代科学仪器，２００６（１）：１２８－１３０．

［１２］ 赵志强，熊元姣．计算机视觉检测系统的设计方案［Ｊ］．工业控制计算机，２００５，１８（１０）：１－２．

［１３］ 唐向阳，张勇，李江有，等．机器视觉关键技术的现状及应用展望［Ｊ］．昆明理工大学学报（理工版），２００４，２９（２）：３６－３９．

［１４］ 张纪明．基于ＰＣ的机器视觉系统研究［Ｊ］．可编程控制器与工厂自动化，２００６（１１）：１０７－１１０．

［１５］ 任宪忠，马小愚．农产品粒形识别研究进展及其在工程中应用现状［Ｊ］．农业工程学报，２００４，２０（３）：２７６－２８０．

［１６］ 孙明，石庆兰，孙红，等．基于计算机视觉的大米外观品质检测［Ｊ］．沈阳农业大学学报，２００５，３６（６）：６５９－６６２．

［１７］ 张聪，管庶安．基于图像分析的大米形状识别［Ｊ］．粮食与饲料工业，２００６（６）：５－７．

［１８］ 刘光蓉，周红，管庶安．基于图像处理技术的大米轮廓检测［Ｊ］．粮食与饲料工业，２００４（６）：１４－１５．

［１９］ 袁佐云，牛兴和，刘传云．基于最小外接矩形的稻米粒型检测方法［Ｊ］．粮食与饲料工业，２００６（９）：７－８．

［２０］ 包晓敏，汪亚明，黄振堃．计算机视觉技术在大米轮廓检测上的应用［Ｊ］．浙江工程学院学报，２００３，２０（２）：１０４－１０７．

［２１］ 吕季璋，陈效贵，范慕蕙，等．ＧＢ／Ｔ １８１０５－２０００米类加工精度异色相差分染色检验法［Ｓ］．北京：国家质量技术监督局，２０００．

［２２］ 张浩，孟永成，周展明，等．基于图像处理技术大米加工精度的检测研究［Ｊ］．中国粮油学报，２００６，２１（４）：１３５－１３７．

［２３］ 许俐，钱敏娟，方如明，等．大米加工精度的图象识别方法［Ｊ］．农业工程学报，１９９６，１２（３）：１７２－１７５．

［２４］ 田庆国．图像处理技术在大米碾白精度测定中的应用［Ｊ］．粮食与饲料工业，１９９７（１０）：１０－１１．

［２５］ 刘建伟，徐润琪，三轮精博，等．大米加工精度与碾白程度检测的研究［Ｊ］．中国粮油学报，２００４，１９（３）：５－８，６１．

［２６］ 周新桥，邹冬生．稻米垩白研究综述［Ｊ］．作物研究，２００１（３）：５２－５８．

［２７］ 于润伟，朱晓慧．基于图像处理的稻米垩白自动检测研究［Ｊ］．中国粮油学报，２００７，２２（１）：１２２－１２５．

［２８］ 侯彩云，ＳＥＩＩＣＨＩ Ｏ，ＹＡＳＵＨＩＳＡ Ｓ，等．三维图像处理系统在稻米品质检测中的应用研究［Ｊ］．农业工程学报，２００１，１７（３）：９２－９５．

［２９］ 侯彩云，王一鸣，凌云，等．垩白米粒的计算机图像识别［Ｊ］．农业工程学报，２００２，１８（５）：１６５－１６８．

［３０］ 黄星奕，吴守一，方如明，等．遗传神经网络在稻米垩白度检测中的应用研究［Ｊ］．农业工程学报，２００３，１９（３）：１３７－１３９．

［３１］ 凌云，王一鸣，孙明，等．基于分形维数的垩白米图像检测方法［Ｊ］．农业机械学报，２００５，３６（７）：９２－９５，９１．

［３２］ 孙明，凌云，王一鸣．在ＭＡＴＬＡＢ环境中基于计算机视觉技术的大米垩白检测［Ｊ］．农业工程学报，２００２，１８（４）：１４６－１４９．

［３３］ 吴建国，刘长东，杨国花，等．基于计算机视觉的稻米垩白指标快速测定方法研究［Ｊ］．作物学报，２００５，３１（５）：６７０－６７２．

［３４］ 曾大力，藤胜，钱前，等．视频显微扫描技术在稻米垩白研究中的应用［Ｊ］．中国农业科学，２００１，３４（４）：４５１－４５３．

［３５］ 萧浪涛，李东晖，蔺万煌，等．一种测定稻米垩白性状的客观方法［Ｊ］．中国水稻科学，２００１，１５（３）：２０６－２０８．

［３６］ 郭英群．对国家标准中整精米率定义及检测方法的探讨［Ｊ］．粮油仓储科技通讯，２００５（６）：５２－５３．

［３７］ 尚艳芬，侯彩云．整精米自动识别方法的研究［Ｊ］．中国水稻科学，２００４，１８（５）：４６６－４６８．

［３８］ 于润伟，金鲲鹏，朱晓慧． 基于图像识别的整精米自动检测研究［Ｊ］．中国粮油学报，２００６，２１（６）：１４７－１５０．