在稻谷生產和儲藏過程中，傳統的稻谷外觀品質檢測方法主要是通過人工自主識別，即通過人眼結合對照的直觀分析進行鑒別。人工檢測和評估的方法不僅耗時耗力，而且結果也基本受到專業檢測人員主觀性的影響。由于檢測人員的主觀性以及不同地區造成的判斷標準的差異，使得快速、自動、準確的檢測稻米外觀品質成為行業的發展趨勢。
本研究通過引入卷積神經網絡和圖像處理技術，自主設計了一套基于機器視覺技術的大米外觀品質快速自動檢測系統。本研究通過將NIR和RGB圖像疊加生成五通道圖像數據，并采用Watershed算法和Otus自適應閾值函數相結合的方法對圖像進行預處理。對樣本中的不同顆粒進行標記，放入卷積神經網絡中進行訓練。通過選擇最優的訓練模型，對水稻籽粒進行分類并對表型數據進行分析，實現對水稻外觀品質的檢測。
實驗結果表明，該系統的分辨率可達92.3 %。該系統在稻米外觀品質檢測過程中，不僅減少了因檢測環境不同導致的主觀性問題、大樣本量導致的視覺疲勞以及檢測人員的個人因素，而且顯著提高了檢測精度，增強了稻米外觀品質檢測效率和等級判定。從而實現了稻米外觀品質的自動化、科學化、精確化檢測，成為傳統檢測方法的良好替代品，對大米產業的發展具有積極意義。
圖1 系統的整體結構框架。系統包括暗箱、條形光源、五通道攝像頭、抽屜式載臺、秤架、背光板、控制模塊、計算機等。
圖2 系統的物理圖。
圖3 細分效果對比圖。（A） 手動閾值分割（閾值190）。（B） 手動閾值分割（閾值200）。（C） 手動閾值分割（閾值210）。（D） 自適應閾值分割。
圖4 水稻預測效應。（a） 完成。（二）病變。（三）霉菌。（四）不成熟。
圖5 檢測時間比較。
圖6 測量精度比較。
文獻來源：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.
鄂公網安備42018502003245號 網站地圖
