计算机视觉在大米加工精度检测中的应用

李心悦，黄文雄，周 娜，杨会宾，王 彪，牛家铎，邓华平，罗小虎

(1.国粮武汉科学研究设计院有限公司，湖北 武汉 430079； 2.衢州市库米赛诺粮食机械制造有限公司，浙江 衢州 324000； 3.江南大学，江苏 无锡 214122)

长期以来，大米加工企业为了迎合市场“漂亮、好吃”的需求，对大米进行过度加工，不仅造成膳食纤维、维生素等营养物质的流失，还增加了水电能耗，碎米率上升，出米率降低，造成稻米资源浪费。而且，长期食用精细主食，有可能出现膳食纤维、维生素和矿物质等营养素缺乏，对身体健康有潜在的危害。

“十三五”期间国家加大对大米适度加工研究的投入，科学引导人们从“吃得好”向“吃得营养”、“吃得健康”转变。最新的《大米》国家标准(GB/T 1354—2018)首次对大米的加工精度设置上限，引入“精碾”和“适碾”的概念，逐渐引导消费者走出“精米白面”的饮食消费误区。因此，快速、准确的大米加工精度检测技术对于碾米企业的生产加工环节非常重要。

采用计算机视觉，即图像分析技术检测大米的加工精度是近年的一个热门研究方向，我们对图像分析技术在大米加工精度检测方面应用的研究成果进行综述，以期为大米外观品质在线检测的发展提供参考。

1 计算机视觉

计算机视觉是用摄影机和电脑代替人眼进行识别，用计算机进一步做图像处理，得到更适合人眼观察或传送给仪器检测的图像。图像处理的流程主要包括图像获取、图像预处理、特征提取、图像检测、分割及高级处理[1]。图像获取，即通过照相机拍摄图像。图像预处理，即在对图像进行特征提取之前，先进行预处理，旨在消除图像中存在的无关或者会影响最终识别效果的信息，恢复可靠的信息，使后续处理步骤中能得到更准确的信息。特征提取是指从图像中提取各种凸显差异大的特征，如局部特征点的检测等。图像检测是指从已知图像中检索出需要的某个子图像。图像分割是指有时为了提取更有价值的信息，以方便对图像进行继续处理，就需要先对图像进行分割。例如，可以分割多幅图片中含有特定目标的图像信息，也可以将图像中分属不同物体的像素区域分开。到高级处理阶段时，图像已经被处理成很小的数据了，这个阶段的任务主要是验证数据是否符合要求，以评估下一目标的姿态、体积，并对目标进行分类和识别。

随着计算机技术的快速发展，图像处理技术已广泛应用于粮食行业。基于图像处理技术的大米外观检测仪能够检测稻米品质指标，根据米粒表面颜色检测大米的垩白粒率、垩白度、不完善粒、黄粒米等指标，利用米粒长度差别检测大米的整精米率、碎米率等指标，具有快速、准确、客观的优点，且重复性和再现性好[2-3]。相关行业标准《LS/T 6104—2012粮油检验稻谷整精米率测定 图像分析法》和国标《GB/T 35865—2018粮油检验稻谷整精米率测定 图像分析法》分别于2012年和2018年颁布实施。

2 大米加工精度

2.1 大米加工精度的定义及标准

大米加工精度是指碾磨后的大米表面留皮程度，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和食味品质的主要因素。加工精度越高，米粒表面残留糠皮量就越少，表面光洁度、外观品质、适口性也就越好。

为了推动粮食产业转型升级、提质增效，发展大米的适度加工，最新的《大米》国家标准(GB/T 1354—2018)修订时将GB/T1354—2009《大米》国家标准中“一级”、“二级”加工精度改为“精碾”，“三级”加工精度改为“适碾”。同时，对“加工精度”指标设置上限，加工精度标准样品米的制定要求为：“精碾：背沟基本无皮、或有皮不成线，米胚和粒面皮层去净的占80%～90%；或留皮度在2.0%以下。适碾：背沟有皮，粒面皮层残留不超过五分之一的占75%～85%，其中粳米、优质粳米中有胚的米粒在20%以下，或留皮度为2.0%～7.0%[4]。”

2.2 大米加工精度的传统检测方法

常规的大米加工精度的测定方法为染色观察法，利用米粒皮层、胚与胚乳等不同组织成分对染色基团分子的亲和力不同的原理，使染色后的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，通过与标准米样比对鉴定出样品米的加工精度等级。国标《米类加工精度异色相差分染色检验法(IDS法)》(GB/T 18105—2000)采用IDS染剂，染色后大米皮层和胚为绿色，糊粉层为紫色，胚乳为桃红色，该法所呈颜色与日本MG染色法相同。然而染色观察法受到光照条件、视力、情绪等诸多因素以及各种染色参数的影响，且操作繁琐、效率低、误差大，不能满足快速、客观检测的需要。现行的国标《粮油检验 大米加工精度检验》(GB/T 5502—2018)增加了基于图像处理技术的仪器辅助检测法和仪器检测法，使用伊红Y-亚甲基蓝染色剂，染色后的米粒皮层、胚与胚乳分别呈现蓝绿色和紫红色，再通过对比观察法、仪器辅助检测法、仪器检测法确定大米加工精度。

3 基于计算机视觉的加工精度检测

3.1 染色法

大米表面的留皮部分和胚乳部分的颜色差异并不明显，肉眼识别较困难，对于计算机也有同样的问题存在，为便于计算机识别，会对待测大米样品进行染色。与计算机相连的相机拍摄染色米样的反射图像，计算机采集到图像后对其进行一系列的处理，提取分析所需的特征值，应用色度学理论分析识别出米粒表面留皮部分和胚乳，计算各部分面积占比，得出米样的加工精度。

许俐等[5]先采用日本MG染色法，强化米粒糠层与胚乳间的颜色差异，再用计算机图象处理技术代替感观评定，结合CIE 1931标准色度学系统原理，采用不同分区来获取米粒不同组成部位的面积，根据胚乳面积与大米图像总面积的百分比确定大米的加工精度等级。

田庆国[6]采用酚红石碳酸染色，染色后大米胚乳颜色为红白色 ,而留皮部分为红紫色，采用计算机处理技术，利用CIE 1931标准色度学系统原理测定了大米加工精度等级，并用江苏吴江国家标准米生产基地生产的标准米建立大米碾白数据库。2018年北京东孚久恒仪器公司与日本企业合作，在图像分析方法研究基础上，研发了大米加工精度检测仪[7]。检测前大米样品采用伊红Y-亚甲基蓝染色法染色，皮层和胚乳分别呈现蓝绿色和紫红色2种不同色系，适用于仪器图像分析颜色特征。通过该仪器的测定能得出米粒样品具体的留皮度，重复性、再现性良好。

3.2 直接法

染色法较之人工感官评定法客观、精确，但图象分析过程中像素颜色判别的准确性受到染色方法的影响较大,染色过程容易产生测量误差。通过计算机视觉直接观察大米表面留皮度的技术不断发展。利用图像识别技术直接检测大米的加工精度时，首先获得大米籽粒图像，再对大米图像进行预处理，提取大米籽粒的特征值，再根据特征值判别大米的加工精度。

Fant等[8]1994年时提出利用灰度值原理进行图像分割作为直接图像识别测量大米加工精度的可能方法。黄奕星等[9]参考该研究，利用CCD摄像机获取大米透射图像，通过计算机分析，总结出大米样品平均灰度与米粒留皮程度之间的关系，实现大米留皮率的预测。其中，大米样本厚度和光源是影响计算机图象处理的两个关键因素。

用计算机图像处理法测定大米的加工精度时，垩白米对留皮率的图像检测有较大的干扰，张浩等[10]通过研究发现，采用改变图像扫描条件和调整分割闽值能有效消除垩白米的影响。

在实际应用中，色选机可以作为大米留皮度的检测设备，从而自动判定大米加工精度，并控制加工精度达到要求的大米直接进入下一工段，加工精度没有达到要求的大米进入下一道碾米工序[11]。

3.3 基于颜色特征的图像分析

应用图像处理技术测大米加工精度时，无论是染色法还是直接法，都需要对获取的图像进行特征提取，最常使用的是提取颜色特征进行图像分析。

张浩等[12]开发了一套检测系统，利用图像处理技术测定未经染色的大米留皮率，图像分析在RGB色彩模式下进行，发现若直接用R、G、B作为分割图像的判别标准，很难准确将糠皮和胚乳部分分割，以图像像素的R-B值作为特征值则能很好的区分胚乳和糠皮区域。同时研究了大米加工精度图像采集的最佳条件，发现在图像采集过程中，光源、背景、分辨率、图像增强以及储存格式等因素是影响大米图像质量的重要因素[13]。当以蓝色为背景时，胚乳及糠皮部分的R-B值分别小于0和大于0，因此当由糠皮边缘的像素过渡到胚乳部分的像素时，R-B特征值出现突变，将大米图像的R-B特征值矩阵转化为灰度图像后，图像中糠皮边缘的位置能获取明显的边缘信息，有利于图像分割。

万鹏等[14]提出了基于颜色特征和BP神经网络判别大米加工精度的方法，根据大米表面留皮度随碾磨程度变化，进而表现出色泽的变化，结合图像处理技术对大米籽粒表面的颜色进行分析提取颜色特征值。检测的主要流程为：获取大米籽粒的RGB图像→图像迭代分割→二值图像小区域消除→大米图像背景分割→大米籽粒颜色特征值提取→颜色特征值空间转换→计算大米籽粒的颜色特征值→大米加工精度识别。在提取特征值时将颜色特征值提取区域按面积用不同半径的同心圆平均分成5份，提取各子区域的R、G、B颜色值，并根据R、G、B颜色值计算H值作为大米籽粒的颜色特征值；以大米籽粒颜色特征值H值作为输入，构建BP神经网络对大米加工精度进行判别。对4种不同加工精度大米样品籽粒检测的平均准确率为92.17%。

3.4 基于纹理特征的图像分析

当对大米图像进行分析提取特征值时，除了提取颜色特征，还能通过提取图像的纹理特征来进行图像分析。

万鹏等[15]研究了利用灰度-梯度共生矩阵对采集到的不同加工精度大米的图像进行分析，提取图像的纹理特征参数，并采用逐步判别法构建 Fisher 判别函数组对大米样品的加工精度进行检测分类。

崔雯雯等[16]提出了基于纹理分析的大米加工等级检测方法，设计了大米的计算机视觉检测系统，获取4个不同加工精度等级大米标准样的图像，采用灰度-梯度共生矩阵的纹理分析方法提取图像的纹理特征值，采用Fisher判别法和PNN神经网络对大米加工精度进行检测判定。结果表明：Fisher判别法和PNN神经网络对4种不同加工精度等级的大米样品检测判定的正确率分别是96.25%和90.00%。

4 展望

采用图像分析处理方法进行大米加工精度检测，具有定量、准确、客观等特点，能够完全克服不同检验人员的感官差异造成的误差。图像分析技术在大米加工精度检测中的应用使得大米加工精度在线检测成为可能，碾米工段通过加工精度的在线检测设备的及时反馈，能动态调控碾米程度防止过碾，大米适度加工能够最大限度的保留大米表面的营养成分，降低能耗，降低碎米率，提高出米率，助力节粮减损，建设 “无形良田”。随着计算机技术的迅速发展，图像识别在线检测大米加工精度的设备有望运用于绝大部分的大米生产线。