基于圖像處理的谷物檢測與識別方法研究進展

郭敏秦昕馬苗

(陜西師范大學計算機科學學院，西安 710062)

基于圖像處理的谷物檢測與識別方法研究進展

郭敏秦昕馬苗

(陜西師范大學計算機科學學院，西安 710062)

基于圖像處理的谷物檢測與識別方法不僅效率和準確率高而且勞動強度小，具有廣闊的應用前景。從谷物蟲害檢測與識別、谷物成分檢測、谷物品種識別與分類以及谷物品質檢測與分級等方面綜述了基于近紅外圖像、軟X射線圖像、可見光圖像的谷物檢測與識別方法的研究進展，分析了各種方法的優缺點，提出了未來基于圖像處理的谷物檢測與識別方法的研究方向以及發展趨勢，以期能充分利用國內外的最新研究成果，推進國內在該領域的研究步伐。

谷物檢測與識別 圖像處理 近紅外 軟X射線 可見光

在人口眾多的中國，糧食問題關系國計民生，每年，國內市場上流轉的商品糧有上億噸，國際市場上流通的進出口糧食有幾千萬噸，糧食的質量問題尤為重要。谷物中的雜質、霉變以及蟲害等都會嚴重影響谷物品質，為了減少損失，保證糧食質量，需要對這些影響谷物品質的參數進行準確、高效的檢測。近10年來，圖像檢測法一直是谷物檢測與識別領域的研究熱點，并且隨著計算機軟硬件、圖像處理技術的迅速發展，圖像檢測法在谷物檢測與識別領域的研究與應用已有了很大發展，它不僅效率和準確率高而且勞動強度小，應用前景十分廣闊。基于國內外近年的研究成果，綜述了基于近紅外圖像、軟X光圖像和可見光圖像的谷物檢測與識別方法研究進展以及未來研究所面臨的問題和研究方向，以期能充分利用國內外的最新研究成果，推進國內在該領域的研究步伐。

1 基于圖像處理的谷物檢測與識別方法

1.1 基于近紅外圖像的谷物檢測與識別

近紅外光(NIR)是波長在700～2 500 nm之間的電磁波，某些有機化學物質會在該譜區顯示特定的光學特性。近紅外圖像檢測法能對眾多形態的物質直接進行測量，其譜圖穩定，且比較容易獲取，在試樣準備和檢測識別過程中都能節省大量時間。目前，在谷物檢測與識別方面，近紅外圖像檢測法主要被用來進行蟲害檢測與識別、霉變檢測以及成分檢測等。

1.1.1 蟲害檢測與識別

蟲害是降低谷物質量的主要因素，從20世紀90年代初起，基于近紅外圖像的儲糧害蟲檢測成為研究熱點［1－2］。國外相關研究起步較早，研究的重點主要集中在近紅外光成像波段的選擇上。

1996 年，Ridgway等［3－4］開始使用近紅外反射光自動識別麥粒鉆蛀害蟲。它的原理是:麥粒內部化學成分和物理結構的改變導致蟲蛀麥粒與正常麥粒之間的圖像有較大區別。使用1 202 nm近紅外光成像時，蟲蛀麥粒和正常麥粒的圖像區別明顯，前者圖像有一塊很大的亮斑，而后者圖像則一律為暗色。隨后，Ridgway等［5］又使用700～1 100 nm 的近紅外反射光檢測麥粒內部的谷象幼蟲和蛹，設計出的982～1 014 nm和972～1 032 nm波長分類模型對侵染麥粒的識別率都在96%以上。研究結果表明，在成像系統中使用982 nm和1 014 nm結合的濾光片，可在降低成像設備成本的同時極大地提高檢測麥粒鉆蛀害蟲的效率。

在實際應用方面，Ridgway 等［6－7］結合已有研究成果建立了檢測麥粒鉆蛀害蟲的機器視覺系統，提高圖像質量的同時降低了成像設備成本。試驗發現，用模版消除對蟲害檢測的干擾，就可定位麥粒內部最重要的亮斑，然后運用閾值來確定亮斑是否和幼蟲的侵染有關。該方法識別率為85%，超過了人眼78%的識別率，且比人眼發現侵染的時間提前7周左右，為蟲害的處理爭取到大量時間。為使圖像的效果更明顯，更具識別性，2003年，他們經過試驗得出:增強亮斑的最好方法是自歸一運算，通過加權平均算法定位亮斑，并使用開發出的最優化程序，使得對蟲蛀麥粒的識別率超過了95%。

此外，利用近紅外圖像還能檢測出鉆蛀害蟲的蟲齡。2003年，Maghirang等［8］利用近紅外圖像檢測儲存期超過2個月、具有各種蟲態的麥粒，將麥粒內的米象(包括死蟲和活蟲)按形態和幼蟲大小分為活蛹、大型幼蟲、中型幼蟲和小型幼蟲，結果發現檢測的準確率分別是94%、93%、84%和63%。

1.1.2 霉變檢測

谷物霉變會產生各種毒素，導致人和家畜中毒甚至死亡，因此霉變檢測也是谷物檢測的一個重點。

Dowell等［9］使用可見和近紅外反射及透射光譜來檢測單粒玉米中的伏馬菌素，因為只有玉米的不良霉素率大于10－4和小于10－5時才能被正確區分是否受到侵染，所以試驗檢測效果具有一定的局限性，但此結果為后續的相關研究提供了可行性參考。

2003 年，Pettersson 等［10］研究了近紅外透射設備檢測麥粒脫氧雪腐鐮刀菌烯醇(DON)的性能。主成分分析(PCA)和偏最小二乘回歸(PLSR)計算結果表明影響DON檢測的因素有11至13個，具體數量由所用的波長范圍決定，最好的回歸模型波長范圍是670 ～1 100 nm，斜率是0.949，相關系數是0.984，標準誤差是38 μg脫氧雪腐鐮刀菌烯醇/kg。

2009年，Fernández－Iba珘nez等［11］評估了用近紅外圖像檢測法快速檢測黃曲霉素B1(AFB1)的效果，試驗對152個試樣感染AFB1的情況進行了分析，結果不僅證明了使用此法快速檢測谷物AFB1效果的優良性，而且得到了檢測玉米和大麥中AFB1的最優預測模型。

1.1.3 谷物成分檢測

在谷物成分檢測方面，常規化學分析具有較高的準確度和可靠性，而且還是許多近代儀器分析技術的基礎。但是，無論是化學分析還是儀器分析，其試樣的預處理、試驗本身的耗時以及對物料的破壞又是許多場合所不允許的。近紅外圖像檢測法則能以它的快速、準確和實時性，及時反饋有關信息，彌補這一缺陷。

Dowell［12］用近紅外圖像區分單粒硬質小麥的玻璃質，同人工識別的效果基本一致，證明了使用近紅外方法進行谷物成分檢測的可行性。Maghirang等［13］用近紅外光譜和可見光譜測量麥粒的硬度，通過使用PLSR分析光譜發現，在預測麥粒硬度時，對預測模型貢獻最大的波長與蛋白質、淀粉以及色差有關，而且550～1 690 nm比950～1 690 nm的波長預測效果好。

在實際應用方面，2009年，Tallada等［14］發明了一種檢測玉米品質的單籽粒近紅外設備，能使育種者快速選出有用的種子。同時檢測設備與PLSR結合使用，可不同程度的檢測出玉米中天然蛋白質、色氨酸、賴氨酸、油以及可溶性糖等成分的含量。

綜上所述，近紅外圖像檢測法已迅速從一種實驗室方法演化為進行各種定性和定量分析的主要工具，因為它能直接測量各種形態的物質，所以試樣的準備工作較容易，從而節省出大量時間。但它的實時應用卻受到光譜自身條件的限制并且需要復雜的校正過程，從上面所述的近紅外圖像谷物檢測法研究成果可明顯看出:光譜范圍、預處理以及回歸方法都須謹慎選擇，對微成分的低敏感度、冗長的校正過程都會限制此法的應用，但值得一提的是像小波變換和人工神經網絡之類的分析技術在建立正確的校正模型方面具有巨大潛力。

1.2 基于軟X射線圖像的谷物檢測與識別

軟X射線波長大約為1～100 nm，它能量小、穿透力弱，適用于掃描低密度材料，在谷物蟲害檢測方面有廣泛的應用。非破壞性軟X射線圖像檢測法能夠直接、快速地檢測谷物的許多內在缺陷，所以，從1961年起，軟X射線圖像檢測法就成為美國化學分析學會的官方方法，用于檢測谷物或種子中的鉆蛀害蟲［15］。

軟X射線圖像檢測法檢測谷物蟲害的主要原理是當谷粒受到害蟲侵染后，谷粒密度下降使成像有所變化。近年來，在谷物檢測領域軟X射線圖像檢測法的研究主要集中于改進X射線檢測設備，使其產生高清、低噪圖像，以便區分密度差小的區域。

為提高檢測的自動化程度，Haff等［16］設計了檢測小麥谷象侵染的高分辨率X射線實時成像系統。試驗把實時成像系統所成數字圖像與X射線所成膠片圖像進行比較，結果發現，使用膠片圖像識別蟲蛀麥粒的平均識別率為90.2%，使用數字圖像的平均識別率為84.4%，僅考慮3齡幼蟲以上的蟲害時，兩組圖像的錯誤率都降到2%以下。實際上，數字圖像實時處理系統能否代替膠片圖像進行谷物蟲害檢測取決于很多因素，諸如糧食儲存時間、設備造價等，所以它的應用性還有待研究。

算法和硬件設備的結合成為軟X射線谷物蟲害檢測法的一大進步，Karunakaran等［17］設計了應用自動分類算法的數字化X光系統，識別被不同蟲齡米象侵染的麥粒。基于直方圖特征模型、紋理特征模型等的統計分類器和BP神經網絡對受不同蟲齡米象侵染的麥粒的識別率均在95%以上，同直方圖特征相比，紋理特征的使用使分類器對麥粒侵染的識別度有所提高。基于組合特征模型的線性函數參數分類器和BP神經網絡對上述麥粒的識別率在98%以上。

2007年，Fornal等［18］另辟蹊徑，將 50 顆麥粒按6行8列再加2粒的形式排列，粘在一張7 cm×6.5 cm ×0.1 mm 的紙上，在谷像產卵后的第 3、5、7、10、20、30天分別用X射線照射后成像，研究發現，谷粒中谷象卵產后5 d即可用軟X射線檢測出來，同時試驗得出了麥粒受侵染程度和受侵染時間之間的關系式，這一結果對預測麥粒的受侵染時間意義重大。

目前，軟X射線設備的價格較高且運行速度較慢，導致軟X射線圖像檢測法在谷物檢測方面的應用受到了很大限制，所以未來研究的主要任務是采用平價設備及提高設備運行速度。

1.3 基于可見光圖像的谷物檢測與識別

可見光圖像檢測法出現較早，較前述兩種方法發展成熟。它通常使用CCD攝像機將所要識別的目標和背景以圖像形式記錄下來，對圖像進行處理和分析后實現糧蟲檢測與識別、谷物品種識別與分類。

1.3.1 糧蟲檢測與識別

糧蟲的可見光圖像檢測一直都是國內外研究的重點。2002年，Ridgway等［19］提出一種用于檢測麥粒中甲蟲成蟲及麥角病的機器視覺方法。此方法對人工準備的試樣中麥角病檢測率為87%，鋸谷盜成蟲檢測率為100%，對兩個包括多種害蟲的商用試樣的檢測率分別為89%和96%。

國內在糧蟲識別及分類方面的成果比較突出。邱道尹等［20］實現了基于機器視覺的儲糧害蟲智能檢測系統，實現了儲糧害蟲在線檢測中圖像信息的實時采集與傳輸，與已開發的圖像處理、分析和識別軟件包配合，能以95%以上的識別率檢測出糧倉中常見的9種害蟲。該系統主要由取樣傳送機構、均勻光照室和視覺系統3部分組成，取樣機構利用負壓將檢測點的谷物吸入取樣器，傳送機構控制谷物試樣單層傳送給視覺系統;光照室可為CCD攝像機的視區提供均勻、恒定的無影光照;視覺系統可實時采集谷物試樣的序列圖像信息，并由計算機進行處理與識別，此系統的可行性已由現場試驗驗證。

同時，邱道尹等［21］設計了基于機器視覺的儲糧害蟲智能檢測系統軟件部分。該軟件通過計算機視覺、圖像處理與模式識別技術相結合，對糧倉中常見的糧蟲進行快速檢測與準確分類，并能實時給出任意檢測點的糧蟲種類、密度等信息。

2008年，張紅濤等［22－23］應用物元可拓集合方法實現儲糧害蟲的自動分類。提出用聚類數評價函數自適應確定聚類數目，用模糊C均值(FCM)進行聚類分析。引入粗集理論中屬性重要度的概念，自動確定糧蟲特征的客觀權重，對糧倉中危害嚴重的9類糧蟲進行了可拓分類，識別率達到93%。

1.3.2 谷物品種識別與分類

可見光圖像檢測法主要是根據谷粒的各種特征，結合模式識別和神經網絡等技術來實現谷物的識別與分類。2002年，Yun等［24］提出區分大米外觀特征的算法和機器視覺系統，所提出的算法能夠對大米外觀特征進行正確分類。機器視覺系統的整個過程包括供料、圖像獲取、圖像分析以及卸料4個步驟，分類200粒大米僅需2 s時間。

2005年，何勝美等［25］利用小麥籽粒的20個形態特征和12個顏色特征對來自中國4個地區7個春小麥品種共28個試樣進行識別與分類。研究表明，應用籽粒的形狀特征和顏色特征能對小麥的品種和來源地進行有效識別，品種正確識別率在95%以上，來源地的正確識別率平均為87.5%，試驗中將每幅圖片20粒小麥各特征的平均值作為一個觀測值，能更真實反映小麥籽粒的特征并方便實際操作，從而提高識別效果。研究中首次提出用離心率和等價半徑兩個新的特征來刻畫小麥籽粒形態，豐富了小麥籽粒圖像識別的研究。對同一品種不同栽培地的識別結果表明，籽粒外觀形態和顏色對外部生長環境非常敏感，進一步肯定和補充了國外的研究工作。

2008年，Manickavasagan等［26］運用單色相機機器視覺系統識別了8種加拿大西部小麥，這8種小麥處于4個不同的濕度水平，系統根據不同品種小麥灰度圖像的灰度值差異對小麥品種進行識別，所有小麥濕度不同時，二次判別函數的識別準確率在92%以上，線性判別函數的識別準確率在95%以上;不考慮試樣的濕度差異時，二次判別函數和線性判別函數的識別準確率分別為89.8%和85.4%。

Chen等［27］根據外部特征鑒別5種玉米品種，從所得的玉米彩色圖像中共提取17個幾何特征、13個形狀特征及28個顏色特征，使用逐步判別分析得到2個最優特征集，作為分類器的輸入，建立BP神經網絡分類器。試驗對5種玉米的平均分類準確率達到90%。與此同時，權龍哲等［28］為實現外觀相似的不同玉米品種的有效鑒別，提出了K－L變換與最小二乘支持向量機相結合的玉米品種鑒別方法，并且確定了較為合理的狀態空間維數(L=3)，使正確識別率達到95.3%。以上2種鑒別玉米品種的方法都運用圖像特征進行分類，但因兩者獲取特征數據的方法和所用分類器不同，故分類效果存在差異。

1.3.3 谷物品質檢測與分級

在谷物品質檢測及識別方面，國內外學者應用可見光圖像處理技術對谷物胚芽、色澤、粒型、不完善粒、霉變等特征識別進行了深入研究。

2000年，黃星奕等［29］提出了用機器視覺系統代替人眼對大米胚芽進行自動識別的方法。通過對大米胚芽顏色特征的分析研究，提出以飽和度S作為特征參數進行胚芽和胚乳的識別，從而實現了對大米留胚率的自動檢測。

2007年，吳彥紅等［30］研制了一套大米外觀品質檢測裝置，并設計了對大米裂紋、堊白、破碎等外觀品質的檢測算法。檢測系統對裂紋米粒的識別準確率為96.41%，對堊白米粒的識別準確率為94.79%，而對整精米的識別準確率為96.20%。

王志軍等［31］綜合利用圖像處理以及人工神經網絡技術，實現小麥品質評價自動化。應用分水嶺算法開發圖像分割處理軟件，分割小麥圖像以提取出完整小麥顆粒，利用所提取的每顆小麥的24個圖像特征參數(12個形態學特征參數、12個色澤參數)，采用人工神經網絡BP算法建立起小麥粒徑外觀品質評價模型。多次建模運算證明，該方法對小麥粒徑外觀品質評價的平均準確率可達93%，且穩定性較高。

2009年，劉瓔瑛等［32］根據稻米形態特點設計稻米動態圖像采集系統時，選用背景差分法對米粒動態圖像進行目標分割，實現了運動狀態下稻米圖像特征提取，對提取的特征進行多結構神經網絡訓練，完成了透明整米、堊白米、黃米和碎米的區分。

在國外，Pearson［33］發明了高速、價廉的基于圖像的谷物分選裝置，此裝置將CMOS彩色圖像傳感器同可編程門陣列(FPGA)結合，能檢測并分離有輕微顏色差異或者微小缺陷的谷物，系統的吞吐率較高，裝置部件的價格也較低廉，所以裝置的適用性很強。

硬件環境的優化有助于提高谷物圖像檢測法的精度，成芳等［34］探討了光源波長、放大率、背景對谷物檢測效果的影響。通過測定和分析發現:在黑白圖像識別系統中采用815 nm的濾光片有助于充分發揮CCD的響應性能，并為檢測時區分正常與霉變谷物提供最大的對比;而彩色圖像識別系統應采用在可見光波段具有足夠輻射強度的全色光源。在采用20～25 mm的鏡頭延長管時，放大率最優。檢測霉變和芽谷時，采用白背景比黑背景的識別精度高。

1.3.4 其他方面

目前，國內對可見光谷物圖像檢測法的研究重點還包括圖像預處理、特征提取以及特征優化分析等方面，谷物品種信息集的建立以及硬件方面的探索也有所涉及。

在圖像處理方法方面，2003年，張紅梅等［35］利用數字圖像處理方法，根據儲糧害蟲圖像的灰值游程矩陣自動提取圖像的紋理特征。該方法為外部形態相近或近緣種儲糧害蟲的分類提供了比較穩定的特征值，有利于機器進行自動快速分類。

2006年，廉飛宇等［36］使用小波變換對儲糧害蟲的高維圖像矢量進行壓縮，圖像的高頻部分對應圖像邊緣和輪廓，較好地壓縮和表征了害蟲圖像的特征，再利用支持向量機對儲糧害蟲進行分類，具有良好的分類性能和魯棒性，克服了傳統模式識別技術在儲糧害蟲圖像識別上的局限性，提高了識別率。

郝建平等［37］在建立谷物品種種子信息集方面的工作比較突出，建立了中國當代玉米品種的種子重要形態性狀基礎信息集。這個含有9 650個玉米粒的19 300幅彩色圖像的數據庫，明確了籽粒各個形態性狀的變化規律，為玉米粒的形態研究與應用提供了比較系統全面的數據。

2 各種圖像檢測方法比較

不同的圖像檢測法各有優缺點。表1對其優缺點進行了總結。

表1 3種圖像檢測法的優缺點

3 總結與展望

國外在谷粒內部蟲害檢測、谷粒成分檢測、谷物霉變檢測等方面做了大量研究，國內的研究主要集中在可見光谷物檢測法方面，在自動取樣裝置、圖像預處理、特征優化分析和分類識別方面取得了大量研究成果。目前，國內外基于圖像的谷物檢測法已有不少極具實用性的研究成果，有的已應用到實際操作中，使工作效率成倍提高［38］，但仍有許多技術問題有待解決，未來的研究仍然面臨很多問題:谷物大多是低值消費品，所以要降低檢測設備的成本;使用圖像檢測法對谷物的多個品質指標進行檢測時，目前多采用串行算法，處理速度較慢，所以迫切需要研究谷物品質自動識別中多種圖像處理算法的并行實時處理方法，以提高效率，增強實用性;基于圖像的谷物蟲害自動檢測法在識別準確率和效率方面還有待提高，且目前所進行的研究幾乎都是在特定條件下進行的，運動狀態及自然條件下自動檢測方法不夠成熟;當害蟲種類增加后，在線谷物害蟲檢測系統的檢測速度、害蟲的特征系數等參數也會相應的提高，從而增加系統的復雜程度，影響識別率，因此需要對各類害蟲建立完備的特征數據庫。

在逐步解決上述問題的過程中，可以預見，未來基于圖像的谷物檢測與識別方法的發展趨勢是采用多種技術相結合的組合式方法，從多個角度獲取的相關信息相互進行實證檢驗，以提高精度和效率，這將使農業技術水平進一步提高;同時隨著谷物檢測與識別技術的完善與成熟，谷物檢測與識別設備將真正在日常農業生產中得到應用，從而滿足人們對糧食質量提出的越來越高的要求。

［1］Paliwal J，Wang W，Symons S J，et al.Insect species and infestation level determination in stored wheat using near－infrared spectroscopy［J］.Canadian Biosystems engineering，2004，46:7.17 －7.24

［2］Singh C B，Paliwal J，Jayas D.S，et al.Near－ infrared spectroscopy:applications in the grain industry［C］.ASABE Annual Meeting，Edmonton，Canada，Paper number 06189，2006

［3］Ridgway C，Chambers J.Detection of external and internal insect infestation in wheat by near－infrared reflectance spectroscopy［J］.Journal of the Science of Food and Agriculture，1996，71(2):251 －264

［4］Ridgway C，Chambers J.Detection of insects inside wheat kernels by NIR imaging［J］.Journal of Near Infrared Spectroscopy，1998，6(1):115 －119

［5］Ridgway C，Chambers J，Cowe I A.Detection of grain weevils inside single wheat kernels by a very near infrared twowavelength model［J］.Journal of Near Infrared Spectroscopy，1999，7(4):213 －221

［6］Ridgway C，Davies R，Chambers J.Imaging for the high －speed detection of pest insects and other contaminants in cereal grain in transit［C］.ASABE Annual Meeting，Sacramento，California，USA，Paper number 013056，2001

［7］Davies E R，Ridgway C，Chambers J.NIR detection of grain weevils inside wheat kernels［C］.International Conference on Visual Information Engineering，2003:173 －176

［8］Maghirang E B，Dowell F E，Baker J E，et al.Automated detection of single wheat kernels containing live or dead insects using near－ infrared reflectance spectroscopy［J］.Transactions of the ASAE，2003，46(4):1277 －1282

［9］Dowell F E，Pearson T C，Maghirang E B，et al.Reflectance and transmittance spectroscopy applied to detecting fumonisin in single corn kernels infected with fusarium verticillioides［J］.Cereal Chemistry，2002，79(2):222 －226

［10］Pettersson H，Aberg L.Near infrared spectroscopy for determination of mycotoxins in cereals［J］.Food Control，2003，14(4):229－232

［11］Fernández－Iba珘nez V，Soldado A，Mart?nez－Fernández A，et al.Application of near infrared spectroscopy for rapid detection of aflatoxin B1 in maize and barley as analytical quality assessment［J］.Food Chemistry，2009，113(2):629 － 634

［12］Dowell F E.Differentiating vitreous and nonvitreous durum wheat kernels by using near－ infrared spectroscopy［J］.Cereal Chemistry，2000，77(2):155 － 158

［13］Maghirang E B，Dowell F E.Hardness measurement of bulk wheat by single－kernel visible and near－infrared reflectance spectroscopy［J］.Cereal Chemistry，2003，80(3):316 －322

［14］Tallada J G，Palacios－ Rojas N，Armstrong P R.Prediction of maize seed attributes using a rapid single kernel near infrared instrument［J］.Journal of Cereal Science，2009，50(3):381－387

［15］Haff R P，Pearson T C.An automatic algorithm for detection of infestations in X－ray images of agricultural products［J］.Sensing and Instrumentation for Food Quality and Safety，2007，1(3):143 －150

［16］Haff R P，Slaughter D C.Real－time X － ray inspection of wheat for infestation by the granary weevil，sitophilus granarius(l.)［J］.Transactions of the ASAE，2004，47(2):531 －537

［17］Karunakaran C，Jayas D S，White N D G.Soft X － ray inspection of wheat kernels infested by sitophilus oryzae［J］.Transactions of the ASAE，2003，46(3):739 －745

［18］Fornal J，Jelinski T，Sadowska J，et al.Detection of granary weevil Sitophilus granarius(L.)eggs and internal stages in wheat grain using soft x － ray and image analysis［J］.Jour-nal of Stored Products Research，2007，43(2):142 －148

［19］Ridgway C，Davies E R，Chambers J，et al.Rapid machine vision method for the detection of insects and other particulate bio － contaminants of bulk grain in transit［J］.Biosystems Engineering，2002，83(1):21 －30

［20］邱道尹，張紅濤，陳鐵軍，等.基于機器視覺的儲糧害蟲智能檢測系統硬件設計［J］.農業機械學報，2003，34(1):86－87

［21］邱道尹，張紅濤，陳鐵軍，等.基于機器視覺的儲糧害蟲智能檢測系統軟件設計［J］.農業機械學報，2003，34(2):83－85

［22］張紅濤，朱齊亮，毛罕平，等.基于可拓理論的儲糧害蟲分類方法研究［J］.計算機應用研究，2008，25(6):1710－1712

［23］張紅濤，毛罕平.基于FCM離散化的粗集權重在糧蟲可拓分類中的應用［J］.農業機械學報，2008，39(7):124－128

［24］Yun H S，Lee W O，Chung H，et al.A computer vision system for rice kernel quality evaluation［C］.ASABE Annual Meeting，Chicago，Illinois，USA，Paper number 023130，2002

［25］何勝美，李仲來，何中虎.基于圖像識別的小麥品種分類研究［J］.中國農業科學，2005，38(9):1869－1875

［26］Manickavasagan A，Sathya G，Jayas D S，et al.Wheat class identification using monochrome images［J］.Journal of Cereal Science，2008，47(3):518 －527

［27］Chen X，Xun Y，Li W，et al.Combining discriminant analysis and neural networks for corn variety identification［J］.Computers and Electronics in Agriculture，2010，71(S):S48 － S53

［28］權龍哲，祝榮欣，雷溥，等.基于K－L變換與LS－SVM的玉米品種識別方法［J］.農業機械學報，2010，41(4):168－172

［29］黃星奕，吳守一，方如明，等.計算機視覺在大米胚芽識別中的應用［J］.農業機械學報，2000，31(1):62 －65

［30］吳彥紅，劉木華，楊君，等.基于計算機視覺的大米外觀品質檢測［J］.農業機械學報，2007，38(7):107－111

［31］王志軍，叢培盛，周佳璐，等.基于圖像處理與人工神經網絡的小麥顆粒外觀品質評價方法［J］.農業工程學報，2007，23(1):158 －161

［32］劉瓔瑛，丁為民，沈明霞.基于背景差分法的稻米動態圖像檢測識別［J］.浙江農業學報，2009，21(4):403 －406

［33］Pearson T.Hardware－ based image processing for high －speed inspection of grains［J］.Computers and Electronics in Agriculture，2009，69:12 －18

［34］成芳，劉兆艷，應義斌.谷物視覺檢測系統的硬件環境［J］.中國食品學報，2005，5(3):80 －85

［35］張紅梅，韓萍.倉儲物害蟲分類識別中紋理特征的提取［J］.計算機工程與應用，2003，39(1):218 －219

［36］廉飛宇，張元.基于小波變換壓縮和支持向量機組的儲糧害蟲圖像識別［J］.河南工業大學學報(自然科學版)，2006，27(1):21 －24

［37］郝建平，楊錦忠，杜天慶，等.基于圖像處理的玉米品種的種子形態分析及其分類研究［J］.中國農業科學，2008，41(4):994 －1002

［38］胡桂仙，王建軍，王小驪，等.糧油品質檢測評價新技術的研究進展及展望［J］.中國糧油學報，2011，26(3):110－113.

Research Progress of Grain Detection and Recognition Method Based on Image Process

Guo Min Qin Xin Ma Miao
(School of Computer Science，Shaanxi Normal University，Xi'an 710062)

Grain detection and recognition method based on image process is efficient，accurate and low labor intensity，so it has wide application prospect.In order to utilize foreign and native new research findings and improve the research in this field in China，the research progress of grain detection and recognition method based on image process is summarized.The methods include near infrared reflectance image process，soft X －ray image process and visible light image process.The methods are used in grain insect detection and recognition，grain ingredient detection，grain variety recognition and classification，grain quality detection and grading.The superiority and inferiority of each method are analyzed，and it is expected to present further key research work through the latest research results both at home and abroad.

grain detection and recognition，image process，near infrared reflectance，soft X － ray，visible light

S126

A

1003－0174(2012)04－0123－06

國家自然科學基金(10974130)，中央高校基本科研業務費專項資金(GK200901006)

2011－06－17

郭敏，女，1964年出生，教授，信號處理和模式識別