在稻谷生产和储藏过程中，传统的稻谷外观品质检测方法主要是通过人工自主识别，即通过人眼结合对照的直观分析进行鉴别。人工检测和评估的方法不仅耗时耗力，而且结果也基本受到专业检测人员主观性的影响。由于检测人员的主观性以及不同地区造成的判断标准的差异，使得快速、自动、准确的检测稻米外观品质成为行业的发展趋势。
本研究通过引入卷积神经网络和图像处理技术，自主设计了一套基于机器视觉技术的大米外观品质快速自动检测系统。本研究通过将NIR和RGB图像叠加生成五通道图像数据，并采用Watershed算法和Otus自适应阈值函数相结合的方法对图像进行预处理。对样本中的不同颗粒进行标记，放入卷积神经网络中进行训练。通过选择最优的训练模型，对水稻籽粒进行分类并对表型数据进行分析，实现对水稻外观品质的检测。
实验结果表明，该系统的分辨率可达92.3 %。该系统在稻米外观品质检测过程中，不仅减少了因检测环境不同导致的主观性问题、大样本量导致的视觉疲劳以及检测人员的个人因素，而且显著提高了检测精度，增强了稻米外观品质检测效率和等级判定。从而实现了稻米外观品质的自动化、科学化、精确化检测，成为传统检测方法的良好替代品，对大米产业的发展具有积极意义。
图1 系统的整体结构框架。系统包括暗箱、条形光源、五通道摄像头、抽屉式载台、秤架、背光板、控制模块、计算机等。
图2 系统的物理图。
图3 细分效果对比图。（A） 手动阈值分割（阈值190）。（B） 手动阈值分割（阈值200）。（C） 手动阈值分割（阈值210）。（D） 自适应阈值分割。
图4 水稻预测效应。（a） 完成。（二）病变。（三）霉菌。（四）不成熟。
图5 检测时间比较。
图6 测量精度比较。
文献来源：He Y, Fan B, Sun L, Fan X, Zhang J, Li Y, Suo X. Rapid appearance quality of rice based on machine vision and convolutional neural network research on automatic detection system. Frontiers in Plant Science. https://doi.org/3389.2023/fpls.1190591.
鄂公网安备42018502003245号 网站地图
