曹斌芳１，邓志宏１，罗大喜２，聂方彦１
（１．湖南文理学院物理与电子科学学院，湖南 常德 ４１５０００；２．常德市广积米业有限公司，湖南 常德 ４１５０００）
摘要：为了提高稻米质量检测精度，提升企业运营效率，构建了基于图像处理技术的大米质量在线检测信息系统。根据国家粮食生产标准，采用数字图像处理技术对稻米的外观特征进行识别与分析，获取整精米率等关键参数，设计信息系统软件记录和分析相关参数，并在线提供给其他部门使用。经现场测试运行，该系统能较好地满足企业的检测要求，较传统人工分析参数检测准确率提高了７．８％，为企业的现代化管理提供了有力的支撑。
教育期刊网 http://www.jyqkw.com
关键词 ：稻米质量；图像处理；参数检测；信息系统
中图分类号：TP274 文献标识码：A 文章编号：0439－８114（２０15）04－0963-04
DOI:10.14088/j.cnki.issn0439-8114.2015.04.050
收稿日期：２０１４－０５－１５
基金项目：湖南省科技计划项目（２０１２ＳＫ３１３１）；湖南省常德市科技计划项目（２０１２ＺＸ３１）
作者简介：曹斌芳（１９７９－），女，陕西澄城人，讲师，硕士，主要从事复杂工业过程控制与优化、计算机测量与控制等方面的研究，（电话）１５２７４９２９５２４（电子信箱）ｃａｏ＿ｂｆ＠１６３．ｃｏｍ。
稻米是世界上最主要的粮食作物之一，中国是世界上最大的稻米生产国，产量占到世界总产量１／３，居世界首位［１］。中国的水稻研究在世界上处于领先地位，但是大米的质量和口感等方面还存在诸多不足［２］，同时消费群体对于优质稻米的要求不断提升。在粮食流通和生产过程中，对进行大米品质检测与分析具有十分重要的意义，粮食安全是当前人们关注的热点问题。目前，中国粮食企业中大米品质外观指标的检测，主要是质检员通过肉眼观测，再填写纸质质检单。人工检测存在效率低、精度低、可重复性差等问题，可能导致指标不达标的大米流向市场，损害了消费者的健康和权益，同时人工检测难以满足企业生产经营中的快速批量检测的要求，而且纸质质检信息在企业中流转不畅、极易出错，降低了企业的运营效率。
从２０世纪７０年代末，研究人员开始在植物种类的鉴别、农产品品质检测和分级等领域进行图像处理技术应用的探索。随着信息技术的快速发展，图像处理技术在农业各个领域中均取得了诸多的重要进展［２－４］。在粮食企业生产中，稻米外观是用来判别大米类型、品种、级别等的直观指标，也是企业质量控制中的一项关键质量指标。在大米品质检测方面，国内外学者进行了许多研究，提出了许多的图像处理技术方法，并研发了多种不同类型的检测设备［４－７］。研究者利用不同方法研究了基于机器视觉对稻米的垩白度及垩白粒率、黄粒米等检测参数［５－７］，取得了一定的效果，但是仍然存在着精度较低，检测参数速度偏慢等问题。同时已有研究讨论如何在企业信息管理中进行信息的利用与整合。为此，本研究基于大米的形态和外观参数，采用了基于熵的阈值法和改进的分水岭分割检测算法，分别检测整精米率和垩白粒率，然后基于色度学分离出黄粒米，并进行相关参数的统计，再进行光度和亮度的评估，最后将检测参数送入设计的企业质量检测信息系统，供地磅、财务和仓储等其他部门使用。
１ 大米外观质量标准
根据中华人民共和国国家标准ＧＢ１３５４－２００９《大米》［８］，大米被分为４个品种：籼米、粳米、籼糯米、粳糯米。按照质量等级，籼米与粳米分为一级、二级、三级、四级；籼糯米与粳糯米分为一级、二级、三级。大米的外观品质主要包括大米色泽、垩白粒和米粒形状等指标，均是质量检测的基本项目，其中黄粒米、矿物质、色泽和气味为强制性指标，表征了大米重要的商品性状。大米在采购原粮、生产完成以及商品退货等企业业务活动中都要进行相关的检验，其具体过程大致如下：
１）扦样。根据标准扦样法进行逐批扦样，取得原始样品２ ０００ ｇ左右，且标示样品。
２）分样。对每批原始样品分样，混合后分取两份，每份约５０ ｇ用于检验，其余样品标示保管好作为留样或备份。
３）检验样品。对两份样品分别检验，结果取算术平均值。①水分检测：称取一定量的样品，磨碎，烘箱法测定水分含量；②整精米率检测。按照国家标准，不足该批米平均长度的３／４视为非整米，称量算出百分比；③不完善粒检测。按照标准选出待测样品的不完善粒，称重算出百分比；④黄粒米检测。按照标准选出待测样品的黄色米粒，称重算出百分比；⑤垩白粒检测。按照标准选出待测样品胚或部分胚是乳白色，称重算出百分比；⑥光度检测。感官与标样对照光洁度或反光度。
４）出具检验报告。根据中国现行的标准，优质大米的基本指标［８］如表１所示，是粮食加工企业必须检验项目。
２ 基于ＯｐｅｎＣＶ技术的图像采集系统
基于图像技术进行大米质量检测是一种快速便捷的方法，系统主要包括光源、镜头、摄像机、板卡和分析处理软件。该系统针对稻米静态图像进行采集，经过适当的处理和分析，获得相关的关键参数。大米外观质量图像采集系统由计算机、采集台、摄像头、托盘组成，采集台上方横柱装有摄像头，托盘放置在下层，采集箱为封闭状态，以排除外界光线的干扰，托盘中间的黑色区域，大小为２００ ｍｍ×２８０ ｍｍ，用于放置待检测米粒。摄像头的分辨率为２ ５９２×１ ９４４，像数为８００万像素，实际拍摄视野为１５０ ｍｍ×１８０ ｍｍ，可分辨的稻米精度为０．１ ｍｍ。以粳米为例，长度为５．０～５．５ ｍｍ，粒型为１．５～２．０ ｍｍ。考虑光源尺寸及散热，摄像机到稻米的距离为１２０ ｍｍ。本研究所使用的ＯｐｅｎＣＶ（Ｏｐｅｎ ｓｏｕｒｃｅ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ｌｉｂｒａｒｙ ）是由一系列函数和少量类构成的开源计算机视觉库，主要实现图像处理和计算机视觉方面的通用算法，用于对图像进行一些高级处理。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。ＯｐｅｎＣＶ包括了实时光线追踪和三维显示墙等。在Ｉｎｔｅｌ的性能库团队的帮助下，ＯｐｅｎＣＶ完成了核心代码机器算法，并且在俄罗斯团队的努力下得到了优化。本研究利用计算机视觉技术对大米粒形的检测方法进行研究，并根据大米的粒形特征研究了大米中破碎米或整精米的检测方法。利用计算机视觉技术对大米样品图像进行处理，其框图如图１所示。大米的检测参数存入数据库中，供后续信息系统使用。
大米图像特征包含大小特征、形状特征、颜色特征和纹理特征，本研究结合这４种特征，计算了整精米率、垩白粒率、黄粒米率等关键参数。大小特征参数用于表征稻米米粒的大小尺寸，其中包括周长、面积、长度、宽度等。在采集静态图像时，大米常会出现粘连现象，而且由于环境等多种原因图像会受到噪声干扰。本研究首先采用ＯｐｅｎＣＶ函数库中ｖｏｉｄ ｃｖＳｍｏｏｔｈ函数对图像利用高斯滤波进行降噪处理；再使用形态学对图像进一步处理，形态学重构算子有保持图像集合特征的性质，形态学开运算能消除图像中尖峰和孤岛，与闭运算可填补图像中的小孔和间隙相结合，将三者结合可以构成形态学开闭运算滤波器。这使得既可滤除图像中的噪声点，又使对象区域具有连续性，且不会导致图像的失真和产生新的特征。该系统中使用形态学滤波函数ｖｏｉｄ ｃｖＭｏｒｐｈｏｌｏｇｙＥｘ完成这个操作，然后使用二维最小局部交叉熵阈值法进行二值化操作［９］，统计获得大米粒形态特征，按照国家标准计算出整精米率。基于垩白粒图像区域中垩白部分白色不透明这一物理先验特征，使用多阈值分割方法获得垩白粒区域［１０］，将垩白粒区域分成３个标记区域［１１］，通过形态学分水岭方法分割垩白粒图像，提取得到区域间的垩白区域。再将背景置为黑色［７］，米粒颜色不变，然后将其从ＲＧＢ颜色空间转化为Ｌ*ａ*ｂ*颜色空间，结合色度和面积阈值来判定每颗米粒是否为黄粒米，从而获得黄粒米率并在图中标记。将人工检测结果与计算机检测结果比较，准确率提升了７．８％，检测员劳动强度有较明显下降，检测速度大幅度提升。
３ 粮食质检信息管理系统设计
粮食质量检测是粮食企业日常经营生产活动中的重要环节，不仅影响到企业的运营效率，而且与用户的利益和社会的需求密切相关，受到政府监管部门的高度关注。目前，稻米的外观质量检测主要采用人工肉眼识别进行，误差偏大，效率较低等问题，特别是收购季节时无法满足需要，同时企业信息化管理中也亟需及时获取稻米品质参数。结合企业实际需要，设计了包括５大功能模块的信息管理系统，如图２所示。系统设计符合ＳＯＡ（Ｓｅｒｖｉｃｅ ｏｒｉｅｎｔｅｄ ａｒｃｈｉｔｅｃｔｕｒｅ）设计理念，实现质检信息公司内流通。稻谷的外观参数通过图像采集系统处理获得，水分含量通过烘箱烘烤后按标准操作获得，食味值通过日本佐竹公司米粒食味计（型号：ＲＣＴＡ１１Ａ）测试获得。系统操作风格一致，保证操作的简易性，良好的可理解性，按部门和职位设计了操作权限控制系统。系统还提供了多种系统管理工具，如自动程序更新、定时数据备份功能和用户异常访问检测等。
３．１ 系统功能模块
１）进货检验模块。原粮进货检验是企业产品质量控制的入口，涉及质量本身和采购价格的确定。该功能主要针对原粮进货检验并提供数据操作界面，包括稻谷检验、面粉检验、面粉补填质检、大米检验等，并可以对数据进行新增、删除、查询、更新等可视化操作。包装检验主要检测采购部采购的各种包装的参数是否符合相关的技术要求，如尺寸、重量、色泽等，并通过图像采集系统采集图片存档。退回产品检验包括退回产品质检通知单和退回产品检验历史记录。退回产品可能有质量问题或者其他问题，首先由营销部回收从客户退回的产品，然后将退回产品送至质检部质检，检测客户提出的退回原因是否属实。
２）日常检验模块。普查检验包括4类检验：稻谷普查检验、米类普查检验、面条普查检验和面粉普查检验。①普查检验主要是针对仓库里的稻谷、米类、面条、面粉进行全面的阶段性的检验，检验产品的生虫、色泽、水分、黄粒米、气味等实际情况，便于及时了解仓库产品质量，以便更好管理；②生产检验是生产过程中对半成品或者成品进行检验，并记录检测值。生产部转换生产品种或者原料变动后，先生产出少量产品，送质检部质检，质检合格，再批量生产，否则改善不足之处重新生产。当生产过程中抽检发现异常时，发生产异常通知单通知生产部，并进行记录；③抽样检验包括３个子模块：抽样记录、抽样质检、抽样质检历史记录。抽样检验主要是配合上级领导来公司进行产品抽样质检。操作流程为首先登记来抽样的单位、抽样时间、抽样品种、经手人等信息，再进行检测，并做好记录保留备查；④普米检验，检测方法按照国家标准进行。
３）出货检验模块。出货检验的功能与生产检验的成品检验一致，主要保证出货产品的质量。
４）检验模块。质检报表汇总包括普米报表和原粮报表，以原粮报表为例说明。原粮报表包括：面粉收购报表、稻谷收购报表、普米收购报表。选择好起始时间与结束时间，即可获得相应报表，并可导出汇总信息。
５）认证记录模块。送外质检包括两个子功能模块，即送外质检和送外检验历史记录。送外质检主要就是定期的选择一些产品送到相关单位去检验，保证粮食产品符合规定要求。配方管理包括生产配方和生产配方历史记录，主要提供上传及下载功能。企业的配方资料属于保密资料，因此在设计配方管理这个模块时，应充分考虑到了其安全性，防止资料被窃取。在客户端上传数据时，采用将文件转换成二进制流后，进行３层ＤＥＳ加密后，再保存到数据库中，读取时进行相反操作。体系文件和质量标准都是公司分类保存各类资料电子档，供授权需要使用的部门查看浏览。
３．２ 系统设计与运行效果
信息系统面向．ＮＥＴ框架设计采用ＭＶＣ的设计方式，开发语言采用Ｃ＃＋ＡＳＰ．ＮＥＴ，使用ＳＱＬ Ｓｅｒｖｅｒ ２００８作为后台数据库。系统采用的是Ｂ／Ｓ（服务器／浏览器）架构，Ｂ／Ｓ架构是目前主流管理系统广泛采用的架构，实现了客户端零安装、零维护，使用浏览器直接实现远程访问。从层次结构来看，．ＮＥＴ框架包括３个主要组成部分：公共语言运行时（Ｃｏｍｍｏｎ ｌａｎｇｕａｇｅ ｒｕｎｔｉｍｅ）、服务框架（Ｓｅｒｖｉｃｅｓ ｆｒａｍｅｗｏｒｋ）和上层的两类应用模板——传统的Ｗｉｎｄｏｗｓ应用程序模板（Ｗｉｎ ｆｏｒｍｓ）和基于ＡＳＰ．ＮＥＴ的面向Ｗｅｂ的网络应用程序模板（Ｗｅｂ ｆｏｒｍｓ和Ｗｅｂ ｓｅｒｖｉｃｅｓ）。ＳＱＬ Ｓｅｒｖｅｒ ２００８允许在使用Ｍｉｃｒｏｓｏｆｔ ．ＮＥＴ和Ｖｉｓｕａｌ ｓｔｕｄｉｏ开发的自定义应用程序中使用数据，在面向服务的架构（ＳＯＡ）和通过Ｍｉｃｒｏｓｏｆｔ Ｂｉｚ Ｔａｌｋ Ｓｅｒｖｅｒ进行的业务流程中使用数据，提供一个可信、高效率的智能数据平台。
以精米质检操作功能页面为例，在时间文本框中可以选择需要查询的时间段，点击搜索按钮，即可获得相应时间段精米的质检信息。点击详情栏目中的查看连接按钮，可查看质检的详细信息，主操作页面如图３所示，详细信息页面如图４所示。
４ 小结
粮食企业生产经营中，稻米的视觉特征与稻米品质属性密切相关，目前的人工检测方法不能满足需要。图像分割是进行大米形态参数测量的关键环节，为提高测量的准确性和算法的鲁棒性，提出了一种结合先验知识的改进图像处理方法。针对现场大米质量对比试验，表明基于图像处理技术的方法比传统人工检测速度更快，有更准确的测量效果，检测出来的参数直接进入质量检测信息系统，供企业其他部门使用。该系统目前在某粮食企业中得到了较好的应用，有效地提高了企业的运行效率，增加了企业效益。
教育期刊网 http://www.jyqkw.com
参考文献：
［１］ 万 鹏，龙长江，任奕林．机器视觉技术在大米品质检测中的应用进展［Ｊ］．湖北农业科学，２０１２，５１（５）：８７３－８７６，８８６．
［２］ 黄星奕，李 剑，姜 松．基于计算机视觉的稻谷品种识别技术的研究［Ｊ］．江苏大学学报（自然科学版），２００４，２５（２）：１０２－１０４．
［３］ 凌 云，王一鸣，孙明基，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．
［４］ 王静娜，贺园园，陈雄飞，等．机器视觉在农产品品质检测和采收包装中的应用［Ｊ］．农机化研究，２０１１（７）：１８６－１８９．
［５］ 常若葵，张伟玉，崔 晶．基于机器视觉的大米外特性评价［Ｊ］．农机化研究，２００９（１２）：１４９－１５１．
［６］ 高希端，孟超英，籍保平．机器视觉在稻米整精米率快速计算中的应用［Ｊ］．食品科学，２００７，２８（５）：２６８－２７２．
［７］ 祝晓芳，侯彩云，芮 闯．基于计算机图像处理技术的黄粒米检测系统研究［Ｊ］．粮油食品科技，２００８，１６（４）：６－８．
［８］ ＧＢ１３５０－２００９，中华人民共和国国家标准稻谷［Ｓ］．
［９］ ＮＩＥ Ｆ Ｙ， ＧＡＯ Ｃ， ＧＵＯ Ｙ Ｃ ，ｅｔ ａｌ． Ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ ｍｉｎｉｍｕｍ ｌｏｃａｌ ｃｒｏｓｓ－ｅｎｔｒｏｐｙ ｔｈｒｅｓｈｏｌｄｉｎｇ ｂａｓｅｄ ｏｎ ｃｏ－ｏｃｃｕｒｒｅｎｃｅ ｍａｔｒｉｘ［Ｊ］． Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１１，３７（５）：７５７－７６７．
［１０］ 周显青，白国伟，张玉荣，等．基于数字图像处理技术整米和碎米含量检测［Ｊ］．粮食与饲料工业，２０１１（９）：１－５．
［１１］ 房国志，徐建东，王 全，等．基于形态学分水岭的垩白米粒检测方法［Ｊ］．光电子·激光，２０１０，２１（４）：５６９－５７１．
（责任编辑 屠 晶）