機(jī)器視覺技術(shù)在大米品質(zhì)檢測中的研究進(jìn)展

張晉寧，金 毅，尹 君

(國家糧食和物資儲備局科學(xué)研究院，北京 100037)

民以食為天，《中國的糧食安全》白皮書中提到“民為國基，谷為民命”[1]。我國超過2/3的人口以大米作為主食，水稻消費(fèi)量占口糧消費(fèi)總量的6成以上[2]。隨著社會的不斷發(fā)展以及人均收入的逐年提高，人們越來越追求高品質(zhì)生活，對優(yōu)質(zhì)大米的需求也在逐年增加，因此快速、準(zhǔn)確分選出高品質(zhì)大米的需求也日益高漲。

隨著信息技術(shù)的發(fā)展，機(jī)器視覺技術(shù)目前已成為農(nóng)業(yè)生產(chǎn)中的一項(xiàng)熱門技術(shù)，廣泛應(yīng)用于農(nóng)產(chǎn)品的外形、性狀、顏色、破損度、新鮮度等質(zhì)量品質(zhì)的檢測[3]，其主要研究目的是為了提升農(nóng)業(yè)生產(chǎn)中各個檢測環(huán)節(jié)的檢測精度[4]。因此，機(jī)器視覺技術(shù)也越來越多滲透進(jìn)農(nóng)業(yè)領(lǐng)域。在農(nóng)業(yè)生產(chǎn)工作中采用先進(jìn)的機(jī)器視覺技術(shù)能夠在相同的工況下，顯著提高農(nóng)業(yè)生產(chǎn)的工作效率和檢測精度[5]。因此將大米品質(zhì)檢測與機(jī)器視覺技術(shù)相結(jié)合，可以更全面、快速、客觀地認(rèn)識大米品質(zhì)，助力我國“優(yōu)質(zhì)糧食工程”的建設(shè)。

本文對國內(nèi)外學(xué)者利用機(jī)器視覺技術(shù)在大米加工品質(zhì)和外觀品質(zhì)的研究現(xiàn)狀進(jìn)行了梳理，介紹了機(jī)器視覺技術(shù)在大米加工品質(zhì)以及外觀品質(zhì)檢測方面的最新研究進(jìn)展，并展望了機(jī)器視覺技術(shù)在大米品質(zhì)檢測領(lǐng)域的發(fā)展前景。

1 機(jī)器視覺技術(shù)

機(jī)器視覺技術(shù)是人工智能發(fā)展的一個重要領(lǐng)域。通常情況下，視覺系統(tǒng)包含硬件與軟件兩部分，其工作過程可分為圖像采集、圖像分析與控制以及輸出3個部分。首先，工業(yè)相機(jī)在恰當(dāng)照明系統(tǒng)的輔助作用下采集目標(biāo)圖像，將三維目標(biāo)物體轉(zhuǎn)換為二維圖像信息；然后，由圖像處理與分析系統(tǒng)對圖像進(jìn)行特征量分析并輸出結(jié)果；最后，根據(jù)輸出信號決定控制單元動作[6]。

通俗地講，機(jī)器視覺技術(shù)就是利用機(jī)器模擬人眼功能的一種信息技術(shù)手段，利用機(jī)器代替人眼來做檢測和控制。獲取圖像后，利用圖像處理技術(shù)提取圖像中的有效信息，并將其轉(zhuǎn)換為數(shù)字信息，使其具有更直觀的表現(xiàn)力。與傳統(tǒng)手工檢測方法相比，機(jī)器視覺技術(shù)可以自動準(zhǔn)確地完成檢測任務(wù)[7]。目前已經(jīng)廣泛地應(yīng)用于工業(yè)[8]、航空航天[9，10]、軍事[11]、農(nóng)業(yè)[12，13]等領(lǐng)域，在國民經(jīng)濟(jì)中發(fā)揮著越來越大的作用[14]。

1.1 國外機(jī)器視覺技術(shù)的發(fā)展

機(jī)器視覺技術(shù)在國外主要經(jīng)歷了誕生、探索和發(fā)展三個階段。誕生階段(20世紀(jì)初期)：機(jī)器視覺技術(shù)早期發(fā)展于歐美和日本等發(fā)達(dá)國家，涉及視頻處理、機(jī)電一體化等相關(guān)技術(shù)[15]；探索階段(20世紀(jì)50～80年代)：機(jī)器視覺在這個階段經(jīng)歷了從缺陷檢測、圖像解析、字符識別的二維圖像識別研究到空間關(guān)系描述、立體視覺理解的三維模型構(gòu)建，并且由David Marr創(chuàng)立了視覺信息處理理論，奠定了機(jī)器視覺和模式化的基礎(chǔ)[16]；發(fā)展階段(20世紀(jì)末至今)：機(jī)器視覺技術(shù)在此階段開始蓬勃發(fā)展，實(shí)現(xiàn)了從淺層學(xué)習(xí)到深層學(xué)習(xí)的跨越。Hinton建立的多隱層人工神經(jīng)網(wǎng)絡(luò)具有的特征學(xué)習(xí)能力，并克服了訓(xùn)練難度[17]。在Krizhevshy等[18]提出AlexNet模型后，深度學(xué)習(xí)算法的性能在圖像識別領(lǐng)域已經(jīng)完全碾壓了傳統(tǒng)機(jī)器學(xué)習(xí)算法[19]。自AlexNet之后，研究者從不同網(wǎng)絡(luò)結(jié)構(gòu)出發(fā)，陸續(xù)提出了各種性能越來越好的神經(jīng)網(wǎng)絡(luò)模型。隨著深度學(xué)習(xí)概念的提出，機(jī)器可以通過訓(xùn)練，自主建立識別邏輯，圖像識別準(zhǔn)確率大幅提升，神經(jīng)網(wǎng)絡(luò)正式進(jìn)入飛速發(fā)展階段，機(jī)器視覺的發(fā)展也進(jìn)入新階段[20]。

1.2 我國機(jī)器視覺技術(shù)的發(fā)展

我國機(jī)器視覺技術(shù)研究起步于20世紀(jì)80年代，研究主要集中在識別、檢測、測量、定位等領(lǐng)域[21]。在現(xiàn)代工業(yè)設(shè)備制造中，通過有損圖像視頻處理和無損視覺圖像檢測2種技術(shù)，可以輕松實(shí)現(xiàn)對工業(yè)產(chǎn)品的二次無損視覺檢測，提升視覺檢測產(chǎn)品質(zhì)量和生產(chǎn)效率。為規(guī)模化生產(chǎn)能力和質(zhì)量提供堅(jiān)實(shí)、可靠的技術(shù)保障[22，23]。在軍事領(lǐng)域衛(wèi)星遙感系統(tǒng)中，通過運(yùn)用機(jī)器視覺技術(shù)分析各種遙感圖像，進(jìn)行自動制圖、衛(wèi)星圖像與地形圖校準(zhǔn)、自動測繪地圖；通過分析地形、地貌的圖像及圖形特征，實(shí)現(xiàn)對地面目標(biāo)的自動識別、理解和分類等，進(jìn)一步夯實(shí)了我國軍事綜合能力和國家安全防衛(wèi)能力[24，25]。在航空航天領(lǐng)域，機(jī)器視覺技術(shù)應(yīng)用于飛行器件的檢測和維修、跑道識別、空中加油識別定位以及目標(biāo)確認(rèn)引導(dǎo)等[26]。由此可見，機(jī)器視覺技術(shù)在各個領(lǐng)域都發(fā)揮著舉足輕重的作用。

2 機(jī)器視覺技術(shù)在大米品質(zhì)檢測中的應(yīng)用

近年來隨著科技的不斷進(jìn)步，機(jī)器視覺技術(shù)在大米品質(zhì)檢測領(lǐng)域中已然成為研究熱點(diǎn)。大米品質(zhì)的研究方法與信息技術(shù)也愈發(fā)緊密，研究重點(diǎn)逐步向計算機(jī)算法轉(zhuǎn)移[27]。

大米品質(zhì)主要包括加工品質(zhì)、外觀品質(zhì)、營養(yǎng)品質(zhì)和蒸煮食味品質(zhì)等[28]。國內(nèi)外學(xué)者利用機(jī)器視覺技術(shù)對大米品質(zhì)檢測主要集中在加工品質(zhì)及外觀品質(zhì)2個方面，具體品質(zhì)指標(biāo)如表1所示。

表1 基于機(jī)器視覺的大米品質(zhì)檢測指標(biāo)

2.1 提升大米加工精度

隨著經(jīng)濟(jì)與社會的發(fā)展和居民生活水平的不斷提高，消費(fèi)者對大米口感和外觀品質(zhì)的要求越來越高，“亮、白、精”的大米成為備受市場青睞的消費(fèi)主流。許多糧食加工企業(yè)對大米進(jìn)行過度加工，不僅造成大米營養(yǎng)成分的過度流失，還造成了糧食的大量浪費(fèi)。因此近年來我國提出了大米適度加工，并修訂了GB/T 1354—2018《大米》[29]，標(biāo)準(zhǔn)中要求大米的加工精度由原來的“一、二、三、四”等級變成了“精碾”和“適碾”。大米加工精度的高低不僅影響大米營養(yǎng)成分，也會對其活性成分和食用品質(zhì)等產(chǎn)生影響[30]。因此，精準(zhǔn)檢測大米加工精度尤為重要，目前檢測方法主要包括直接觀測對照法和染色法[31]。這2種方法主觀性強(qiáng)，準(zhǔn)確率低，受人為因素影響大。

近年來，研究學(xué)者將機(jī)器視覺技術(shù)應(yīng)用到對大米加工精度檢測中。崔雯雯等[32]設(shè)計了大米的計算機(jī)視覺檢測系統(tǒng)對大米圖像進(jìn)行采集，利用Fisher判別法和PNN神經(jīng)網(wǎng)絡(luò)兩種方法通過提取圖像的紋理特征值對4種不同加工等級的大米等級進(jìn)行檢測。實(shí)驗(yàn)結(jié)果表明Fisher判別法準(zhǔn)確率為96.25%，比PNN神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率高6.25%，利用機(jī)器視覺技術(shù)對大米加工精度檢測達(dá)到了較高準(zhǔn)確率。萬鵬等[33]通過圖像處理技術(shù)提取了大米表面的R、G、B顏色值，并根據(jù)R、G、B顏色值計算H值作為大米籽粒的顏色特征值，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)對大米加工精度進(jìn)行評價，準(zhǔn)確率為92.17%。戚超等[34]對VGG16卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，首先使用圖像增強(qiáng)技術(shù)確保數(shù)據(jù)在類之間均勻分布，可提取出更有效的特征。然后利用平衡數(shù)據(jù)集上的超列技術(shù)，使圖像特征更加突出。最后采用極限學(xué)習(xí)機(jī)分類器算法提升大米現(xiàn)實(shí)加工問題的泛化性能。采集4個等級的大米圖像信息作為模型輸入變量進(jìn)行模型訓(xùn)練，改進(jìn)后的模型分級準(zhǔn)確率達(dá)到97.32%，對大米加工精度的分級預(yù)測速度高于85 t/h，也為后續(xù)研制大米加工精度分類在線分級系統(tǒng)提供了理論支持。機(jī)器視覺技術(shù)在對大米加工精度檢測中不僅檢測速度提高而且檢測結(jié)果客觀準(zhǔn)確。

近年來基于神經(jīng)網(wǎng)絡(luò)的機(jī)器視覺有重大發(fā)展，相對傳統(tǒng)特征分類算法有更好的表現(xiàn)。隨著對神經(jīng)網(wǎng)絡(luò)研究的不斷深入，研究學(xué)者也將不斷優(yōu)化改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到對大米加工精度的檢測中。由開始的PNN神經(jīng)網(wǎng)絡(luò)模型、BP神經(jīng)網(wǎng)絡(luò)模型，再到改進(jìn)的VGG16卷積神經(jīng)網(wǎng)絡(luò)模型，通過對網(wǎng)絡(luò)結(jié)構(gòu)、網(wǎng)絡(luò)深度的不斷優(yōu)化，不僅識別精度提高，同時免去了復(fù)雜的人工提取特征值這一步驟。神經(jīng)網(wǎng)絡(luò)依舊在不斷的發(fā)展創(chuàng)新，還有許多可以改進(jìn)的地方。由于神經(jīng)網(wǎng)絡(luò)參數(shù)量龐大，對計算能力的要求高，對于如何選擇合適的超參數(shù)，提高模型運(yùn)算速度，建立更精準(zhǔn)的模型，還需要大量的技術(shù)和經(jīng)驗(yàn)，值得更深入的研究。

2.2 大米外觀品質(zhì)

2.2.1 大米粒型

大米粒型是大米外觀品質(zhì)評價指標(biāo)之一，同時也是影響消費(fèi)者購買大米最直觀因素之一。常規(guī)的大米粒型檢測采用人工測量，隨機(jī)選取完整無損的大米試樣2份，每份10粒，將大米按照頭對頭、尾對尾、不重疊、不留隙的方式，緊靠直尺擺成一行，讀出總長取平均值為大米的長度[35]。該方法耗時長、誤差較大、操作不便，無法達(dá)到快速檢測的目的，準(zhǔn)確率也難以保障。

唐文強(qiáng)等[36]通過掃描儀對大米圖像進(jìn)行采集，利用MATLAB軟件對大米圖像進(jìn)行處理，進(jìn)而對米粒粒型形狀進(jìn)行識別。結(jié)果表明，用周長L=70(像素)為閾值能夠?qū)⒍塘Ｐ兔琢Ｅc長粒型完全識別，但中粒型米粒與其他2種粒型還未能完全識別，后續(xù)如果采用多域值識別，也可能達(dá)到對各種粒型米粒完全識別的效果。通過人為對閾值進(jìn)行選取在一定程度上影響了檢測結(jié)果的準(zhǔn)確性，因此需要通過大量樣品校驗(yàn)從而找到最佳閾值保證檢測精度。商林[37]利用圖像邊緣檢測技術(shù)分析大米粒型，采用自適應(yīng)Canny算法檢測獲得大米的邊緣，通過最小外接矩形反映完整大米的長度和寬度，計算得到長寬比。邊緣檢測獲得的大米粒長和粒寬變異系數(shù)越小，長寬比也更接近于標(biāo)準(zhǔn)值，具有良好的穩(wěn)定性和準(zhǔn)確性。

目前，對大米粒型的判定均為基于傳統(tǒng)的機(jī)器視覺方法，例如閾值的設(shè)定、圖像處理算法的選擇，其中閾值主要依靠于經(jīng)驗(yàn)設(shè)定，造成檢測結(jié)果存在一定的誤差。同時，傳統(tǒng)的機(jī)器視覺方法對外部背景條件較為敏感，在閾值選擇時，會受到光照等因素干擾，影響識別精度。未來可增加算法普適性的研究，提高算法的魯棒性，獲得更高的檢測精度。

2.2.2 大米堊白度

堊白度是指大米中堊白部位的面積占米粒投影面積的百分比，是衡量大米外觀品質(zhì)的重要指標(biāo)之一[38]，也是優(yōu)質(zhì)大米定級指標(biāo)之一[29]。在消費(fèi)市場中堊白度越高，大米的市場可接受度就越低[39]。因此，堊白度的快速檢測在大米定等和市場受歡迎度方面具有重要意義。

Sethy等[40]利用圖像處理技術(shù)對采集的大米樣品圖像進(jìn)行預(yù)處理，再采用K-means聚類法分離大米的堊白部分(如圖1所示)算得堊白面積，與計算的二值圖像中大米的總粒面積做比得到大米的堊白度。Wah[41]利用圖像處理技術(shù)對大米堊白度進(jìn)行檢測分析，對4種不同品種的大米建立基于面積的分布函數(shù)實(shí)現(xiàn)對堊白度的檢測，結(jié)果表明檢測準(zhǔn)確率達(dá)到90%。申聰?shù)萚42]在獲取大米圖像后，利用邊緣檢測得到大米圖像邊緣線條，并對米粒和堊白區(qū)的邊緣曲線進(jìn)行分段處理，建立分段函數(shù)，求出米粒和堊白區(qū)域面積，得到米粒堊白度。此方法無需考慮大米粘連性問題，只需考慮大米堆積問題，提高了大米堊白度的檢測精度。

圖1 大米堊白分割效果圖[40]

余泓慧[43]對采集到的大米外觀圖像和數(shù)據(jù)進(jìn)行預(yù)處理，采用MATLAB軟件對圖像進(jìn)行精度處理，利用邊緣檢測對堊白米的邊界進(jìn)行分離，得到堊白米的輪廓，從而計算出大米堊白的比率。此方法需要人為不斷調(diào)整邊界值及算法以獲得最佳的分離效果。張玲等[44]采用實(shí)驗(yàn)室自制開發(fā)的一種大米外觀品質(zhì)分析系統(tǒng)結(jié)合圖像處理技術(shù)對大米堊白米進(jìn)行測定，通過選取最佳閾值法檢測堊白度，結(jié)果表明堊白度絕對誤差不超過0.25%。

傳統(tǒng)的基于閾值分割法為了確定最佳閾值，一方面需要大量的實(shí)驗(yàn)對閾值進(jìn)行調(diào)整修正，另一方面會受到光照等外部因素的干擾而影響閾值的選取，極大影響了識別精度。陳昊然等[45]提出了一種基于圖像顯著性區(qū)域提取的堊白區(qū)域提取算法，利用大米堊白區(qū)域圖像顯著性的特點(diǎn)，對圖像特征變化邊緣進(jìn)行提取，計算出邊緣像素點(diǎn)個數(shù)以及邊緣的總像素值，從而計算出邊緣像素的平均值作為該區(qū)域的閾值。最后，利用計算得到的閾值對該區(qū)域進(jìn)行分割，分割出整張圖片的堊白區(qū)域，并計算出大米的堊白度。實(shí)驗(yàn)結(jié)果表明，該算法識別準(zhǔn)確率高達(dá)96.76%。相較于閾值分割法受到外在環(huán)境等一些不可避免因素的干擾，該算法具有更好的準(zhǔn)確性和魯棒性。

王正[46]通過迭代式閾值算法得到最優(yōu)閾值，來分割大米的灰度圖像，從而得到大米堊白部分的位置和面積大小該方法能夠有效區(qū)分出堊白部位。迭代式閾值算法是利用迭代思想產(chǎn)生閾值的方法，兼顧區(qū)域分割，所以該方法更具有普適性、靈活性，大幅提高檢測的準(zhǔn)確度。

近年來，隨著卷積神經(jīng)網(wǎng)絡(luò)在圖像分類領(lǐng)域的良好發(fā)展，研究學(xué)者也將其應(yīng)用到對大米堊白的檢測當(dāng)中。林萍等[47]通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型檢測堊白大米，免去了復(fù)雜的特征提取步驟，識別精度達(dá)到了90%。鄧楊等[48]提出了輕量級語義分割網(wǎng)絡(luò)IMUN，實(shí)現(xiàn)對大米上的堊白區(qū)域的像素級分割，進(jìn)而獲取大米的堊白粒率和堊白度，準(zhǔn)確率達(dá)到94.11%。

神經(jīng)網(wǎng)絡(luò)的應(yīng)用解決了閾值分割法等傳統(tǒng)方法無法解決的問題，避免了客觀環(huán)境因素的影響，免去了人工提取大米堊白特征區(qū)域的步驟，在簡化實(shí)驗(yàn)操作的同時提高了檢測的精準(zhǔn)度，成為大米堊白檢測方法的趨勢。

2.2.3 黃粒米

黃粒米是指稻米脫殼后胚乳呈黃色，與正常米粒色澤明顯不同的米粒，黃粒米的存在直接影響大米的食用品質(zhì)和商品外觀。國家標(biāo)準(zhǔn)GB/T 1354—2018《大米》中規(guī)定，黃粒米的質(zhì)量分?jǐn)?shù)不能超過1.0%。黃粒米同正常米粒相比營養(yǎng)成分降低，其對大米的色、香、味均有影響[49]，因此對黃粒米的檢驗(yàn)尤為重要。

郭亦凡[50]將采集到的大米圖像轉(zhuǎn)換成HSI模型，通過黃粒米與正常大米在色調(diào)統(tǒng)計中黃色色度出現(xiàn)頻率明顯不同的特征來設(shè)定閾值并與目標(biāo)比較，從而識別黃粒并計算出黃粒率，該方法與人工檢測結(jié)果對比準(zhǔn)確率達(dá)96.5%以上。此模型默認(rèn)黃粒米與正常大米的色度分布均存在差異，但當(dāng)大米的品種發(fā)生改變時，該特征也會改變，因此算法的有效性還需進(jìn)一步進(jìn)行驗(yàn)證與優(yōu)化。劉良江等[51]將采集到的大米圖像轉(zhuǎn)換為Lab顏色模型從而提取色度特征，并將色度特征采用直方圖進(jìn)行統(tǒng)計。采用主分量分析法將色度統(tǒng)計信息由256維向量降低到10維向量，以這10維向量為輸入，用支持向量機(jī)進(jìn)行分類。最后經(jīng)過訓(xùn)練得到最優(yōu)分類函數(shù)，針對黃粒米的分類正確率達(dá)到98.5%。此算法有很好的穩(wěn)定性和可重復(fù)性。

2.2.4 粘連大米分割

由于大米的品質(zhì)指標(biāo)檢測主要是在實(shí)驗(yàn)室環(huán)境中完成，考慮到在實(shí)際檢測中大米之間通常存在粘連現(xiàn)象，因此研究學(xué)者對粘連大米進(jìn)行了分割，在滿足了實(shí)際檢測需要的同時也保證了大米外觀品質(zhì)指標(biāo)檢測結(jié)果的合理性與準(zhǔn)確性。

Lin等[52]提出了一種基于輪廓形狀特性的節(jié)點(diǎn)匹配算法，實(shí)現(xiàn)了對粘連米粒的分離。利用曲率分析來檢測邊界上的特征接觸點(diǎn)，取曲率曲線的一階導(dǎo)數(shù)來求其局部峰值，計算出的曲率極值對應(yīng)于原始曲線上的接觸節(jié)點(diǎn)邊界。但這種簡單的場景與驗(yàn)粒的實(shí)際應(yīng)用相去甚遠(yuǎn)，限制了米粒樣品的擺放方式，即在成像時要求所有的米粒都要平鋪放在一層。因此，在未來的研究中，應(yīng)考慮更大規(guī)模的多層次觸摸條件，提供一個更加實(shí)用和強(qiáng)大的分割算法。樊蒙蒙等[53]對采集的圖像進(jìn)行PCNN圖像分割，對提取分割后的粘連大米輪廓進(jìn)行高斯平滑，再進(jìn)行harris角點(diǎn)檢測，識別準(zhǔn)確的凹點(diǎn)，從而實(shí)現(xiàn)對粘連堆疊的大米準(zhǔn)確識別。該方法針對情況復(fù)雜、多顆粘連大米，無法高精度識別出凹點(diǎn)，也會誤檢出偽角點(diǎn)。因此對于如何優(yōu)化PCNN的參數(shù)，以及如何精確識別凹點(diǎn)，還需要進(jìn)一步研究。

王粵等[54]根據(jù)粘連米粒的內(nèi)輪廓及外輪廓線上的粘連點(diǎn)的特征，計算各粘連點(diǎn)之間的距離及曲率方向，準(zhǔn)確地判斷出互相配對的最佳粘連點(diǎn)對，實(shí)現(xiàn)了粘連米粒的精確分割。本算法不采用迭代算法，降低了搜索復(fù)雜度，與目前已提出的其他分割算法相比有快速、精確度高等特點(diǎn)。布芳[55]提出了一種針對小目標(biāo)檢測的加強(qiáng)融合低層特征信息的網(wǎng)絡(luò)結(jié)構(gòu)ELFSSD，通過在自行構(gòu)建的大米質(zhì)量檢測數(shù)據(jù)集上進(jìn)行驗(yàn)證，該網(wǎng)絡(luò)模型的平均精度為91.2%，其提出的平角差凹點(diǎn)分割算法對于粘連大米的分割正確率能達(dá)到97%，實(shí)現(xiàn)了很好的分割效果，有助于在實(shí)際環(huán)境中大米的快速檢測。

2.2.5 大米外觀品質(zhì)綜合分級

相較于單一指標(biāo)的檢測，對大米外觀品質(zhì)綜合分級檢測更為滿足市場需求，它是大米品質(zhì)和市場價格確定的重要指標(biāo)之一[56]。因此，大米外觀品質(zhì)綜合分級的研究具有重要的研究意義，國內(nèi)外學(xué)者利用機(jī)器視覺技術(shù)對大米外觀品質(zhì)綜合分級檢測進(jìn)行了大量研究。

Zareiforoush等[57]以模糊推理系統(tǒng)與圖像處理技術(shù)相結(jié)合，開發(fā)出一套決策支持系統(tǒng)，用于精米的定性分級。以碾磨度(DOM)和碎粒率(PBK)為質(zhì)量指標(biāo)，由大米加工專家初步劃分為5個等級，所開發(fā)系統(tǒng)分級結(jié)果與專家確定的分級結(jié)果符合率為89.8%。Mittal等[56]利用圖像處理提取大米圖像的幾何特征，將特征集輸入支持向量機(jī)進(jìn)行多類分類。實(shí)驗(yàn)結(jié)果表明，所選的幾何特征特征具有區(qū)分性，可將顆粒樣品分類為不同類別。根據(jù)所含破碎粒的比例，對樣品進(jìn)行了碾磨缺陷分級，從而對大米質(zhì)量進(jìn)行了綜合分級。支持向量機(jī)(SVM)法需要人為對SVM進(jìn)行選核，設(shè)定容錯等參數(shù)，且參數(shù)值的設(shè)定對結(jié)果有很大的影響，過程較為復(fù)雜，誤差較大。

同時，隨著神經(jīng)網(wǎng)絡(luò)的興起，研究學(xué)者也將神經(jīng)網(wǎng)絡(luò)應(yīng)用到對大米的分級檢測中。王石[58]采用基于BP神經(jīng)網(wǎng)絡(luò)的方法對大米外觀品質(zhì)進(jìn)行檢測，包括對完善粒、堊白粒、黃粒米及碎米粒品質(zhì)的劃分。訓(xùn)練完成后的BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率達(dá)到91.8%。同時研究了基于卷積神經(jīng)網(wǎng)路的大米外觀品質(zhì)檢測方法，將網(wǎng)絡(luò)移動到手機(jī)端后平均檢測精度為85%，為開發(fā)手機(jī)版App奠定了基礎(chǔ)。

馬麗霞[59]、仲偉峰等[60]通過圖像分析與算法提取大米特征數(shù)據(jù)，使用主成分分析法結(jié)合BP神經(jīng)網(wǎng)絡(luò)對大米米粒進(jìn)行了分級識別。實(shí)驗(yàn)結(jié)果表明，該方法可以快速、準(zhǔn)確的識別大米中的完整米、堊白米以及碎米，從而根據(jù)確定的堊白粒率和碎米率自動確定大米的等級。對大米識別的準(zhǔn)確度達(dá)到95%以上并且有效的減少識別所需時間。

由此可見，大部分研究都是通過單視角完成大米圖像的采集，會導(dǎo)致大米部分特征的丟失，造成檢測結(jié)果的不準(zhǔn)確。陳玉琦[61]在前人研究基礎(chǔ)上，考慮用一種基于多視角學(xué)習(xí)的深度模型融合策略，利用圖像采集設(shè)備通過3個角度對大米完成全方位的信息采集，形成多視角的觀測信息，利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型提取特征，基于融合特征利用二分類器區(qū)分目標(biāo)大米中的好米與壞米，以完成大米分級任務(wù)。該研究方法擺脫了圖像數(shù)據(jù)的局限性，對大米圖像進(jìn)行了全方位的分析，同時對于實(shí)際應(yīng)用中的光照變化具備較強(qiáng)的魯棒性。

雖然強(qiáng)大的神經(jīng)網(wǎng)絡(luò)免去了圖像處理過程中人工提取特征的過程，但是在神經(jīng)網(wǎng)絡(luò)隱含層結(jié)點(diǎn)的選擇過程中還依靠經(jīng)驗(yàn)公式，包括模型激勵函數(shù)、損失函數(shù)以及優(yōu)化算法的確定，因此使系統(tǒng)性能具有一定的不確定性。另外，未來的研究中，減少網(wǎng)絡(luò)參數(shù)量，降低計算成本，減輕網(wǎng)絡(luò)的復(fù)雜度也是神經(jīng)網(wǎng)絡(luò)模型進(jìn)一步研究方向。

3 機(jī)器視覺技術(shù)在大米品質(zhì)檢測中存在問題

如今機(jī)器視覺技術(shù)在大米品質(zhì)檢測領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用，取代了人眼感官對大米的加工精度及外觀品質(zhì)的評測，基本達(dá)到了快速、高效以及高精度檢測的目的，但仍存在一些不足：在對大米外觀品質(zhì)進(jìn)行檢測時，大部分研究還是基于傳統(tǒng)的目標(biāo)檢測和分割算法，特征的提取和規(guī)則的制定均依賴于人工和經(jīng)驗(yàn)，且不同的算法有各自的特質(zhì)和適用范疇，不能被廣泛應(yīng)用；大米品質(zhì)的檢測基本處于對外觀品質(zhì)的檢測階段，未實(shí)現(xiàn)大米外觀品質(zhì)和理化品質(zhì)指標(biāo)綜合檢測；利用計算機(jī)視覺技術(shù)進(jìn)行圖像采集多數(shù)研究是在保證高質(zhì)量圖像的理想實(shí)驗(yàn)條件下進(jìn)行，進(jìn)而完成對大米品質(zhì)指標(biāo)的檢測，無法滿足現(xiàn)場實(shí)際需求，評價具有局限性；雖然市場上已經(jīng)有大米外觀品質(zhì)判定儀器設(shè)備，但是其價格昂貴、操作復(fù)雜、便攜性不高，使用環(huán)境有限，未能實(shí)現(xiàn)從實(shí)驗(yàn)室抽樣檢測到在線檢測的技術(shù)突破，研究均處于相同水平重復(fù)階段。

4 展望

在大米品質(zhì)檢測領(lǐng)域，機(jī)器視覺技術(shù)還有很大的發(fā)展空間。隨著計算機(jī)技術(shù)的不斷突破，如卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，可完成特征的自動提取，在很大程度上彌補(bǔ)了傳統(tǒng)算法的不足，算法的準(zhǔn)確率和實(shí)時性都有了很大程度的提高。

未來可以在幾個方面進(jìn)行深入研究：將機(jī)器視覺技術(shù)與其他無損檢測技術(shù)相結(jié)合，例如近紅外光譜分析技術(shù)、電子鼻技術(shù)等，從而更精準(zhǔn)、更全面地實(shí)現(xiàn)大米品質(zhì)綜合指標(biāo)的檢測；消減環(huán)境因素對大米品質(zhì)的特征指標(biāo)提取的干擾影響，以實(shí)現(xiàn)現(xiàn)場作業(yè)不同環(huán)境的需求；研發(fā)簡易、低成本的大米分析軟件也是發(fā)展的必然趨勢，如開發(fā)手機(jī)版的大米外觀品質(zhì)檢測APP；基于對優(yōu)質(zhì)大米需求的不斷增長，對其自動準(zhǔn)確快速評級也是下一步研究方向。另外按照大米品質(zhì)等級供給到不同的消費(fèi)市場，滿足不同消費(fèi)者的不同需求，有助于我國大米進(jìn)入不同類型的國際大米市場，提高我國大米市場的國際競爭力；實(shí)現(xiàn)從實(shí)驗(yàn)室的抽樣檢測到在線檢測的技術(shù)突破。

5 小結(jié)

機(jī)器視覺技術(shù)在大米品質(zhì)檢測中相較于傳統(tǒng)檢測方法有著不可比擬的優(yōu)勢，可以排除人為主觀因素的干擾，能夠?qū)χ笜?biāo)進(jìn)行定量描述，檢測過程不僅實(shí)時高效而且檢測精度高，在大米品質(zhì)檢測領(lǐng)域發(fā)揮了良好的作用。但是由于受到圖像采集、圖像處理軟硬件技術(shù)等一系列的限制，目前的檢測系統(tǒng)還處于實(shí)驗(yàn)階段，暫時未能滿足實(shí)際生產(chǎn)需要，未能實(shí)現(xiàn)從抽樣檢測到在線檢測的突破，還處于相同水平重復(fù)階段，因此有許多技術(shù)難點(diǎn)還需進(jìn)一步深入研究。如增加檢測模型算法的普適性，使檢測系統(tǒng)廣泛應(yīng)用于不同品種的大米品質(zhì)指標(biāo)檢測，利用多融合技術(shù)實(shí)現(xiàn)對大米品質(zhì)的全面檢測，同時提高檢測結(jié)果的準(zhǔn)確性、客觀性等都是未來實(shí)現(xiàn)大米品質(zhì)全方位可在線檢測的研究重點(diǎn)。