小麥圖像檢測技術(shù)研究進(jìn)展

張玉榮 陳賽賽 周顯青

(河南工業(yè)大學(xué)糧油食品學(xué)院，鄭州 450001)

小麥作為一種世界性的糧食作物，也是我國傳統(tǒng)主食的主要原料之一，由于其具有良好的耐儲存性而成為我國的三大儲備糧食之一，做好小麥品質(zhì)的檢測工作對經(jīng)濟(jì)的平穩(wěn)發(fā)展具有重要的現(xiàn)實(shí)意義和戰(zhàn)略意義。隨著信息技術(shù)的迅速發(fā)展，利用圖像檢測技術(shù)對小麥進(jìn)行外觀及品質(zhì)檢測得到廣大學(xué)者的普遍關(guān)注。圖像檢測技術(shù)是將數(shù)字圖像處理技術(shù)和數(shù)字圖像分析、圖像識別技術(shù)相結(jié)合，開發(fā)出的一種能與人腦的部分功能相比擬的技術(shù)，以實(shí)現(xiàn)理解自然景物和環(huán)境的功能［1］。與傳統(tǒng)檢測方法相比，圖像檢測技術(shù)具有速度快、精度高、信息量大、重現(xiàn)性好等優(yōu)點(diǎn)。圖像檢測技術(shù)在小麥質(zhì)量與品質(zhì)的檢測過程中，通常從形態(tài)、顏色和紋理等方面對其進(jìn)行單一指標(biāo)或者綜合評價。目前，該檢測技術(shù)在小麥種類與品種識別、小麥與類似谷物的分類、質(zhì)量分級、不完善粒檢測、角質(zhì)率測定等方面已經(jīng)取得了一定的研究進(jìn)展。

1 圖像檢測技術(shù)在小麥品種與類似谷物檢測中的應(yīng)用研究

圖像檢測技術(shù)應(yīng)用于小麥品種識別和檢測已有30年的歷史，早期的應(yīng)用主要集中在小麥種類與品種識別以及對小麥和類似谷物或雜質(zhì)的識別。這主要是由于待識別籽粒之間存在明顯的形態(tài)或顏色差異，有利于選取特征參數(shù)并進(jìn)行模式識別。

1.1 小麥種類與品種識別的圖像檢測技術(shù)研究

在小麥品質(zhì)等方面的圖像檢測技術(shù)中，種類與品種識別是最早提出并且已經(jīng)比較成熟的研究。由于小麥品種繁多，不同品種和地區(qū)的小麥在形態(tài)、顏色等方面差異顯著，導(dǎo)致了不同國家和地區(qū)對小麥的分類方法也不盡相同。目前，一些小麥主產(chǎn)國通常都按照小麥的皮色、粒質(zhì)和播種季節(jié)對小麥進(jìn)行描述和分類，而我國也是將小麥按皮色分為白麥和紅麥，按硬度指數(shù)分為硬麥和軟麥。在我國小麥粒色鑒別的標(biāo)準(zhǔn)方法中，隨機(jī)取出100粒小麥完整粒，按照GB 1351—2008中紅麥和白麥的規(guī)定，感官鑒別小麥粒色，但該方法繁瑣、費(fèi)時費(fèi)力、主觀性強(qiáng)，而顏色和形態(tài)是圖像檢測技術(shù)容易識別的特征，因此早期的種類與品種識別一般提取差異性比較明顯的形態(tài)和顏色特征參數(shù)進(jìn)行識別。Zayas等［2］以單個小麥籽粒為研究對象，使用圖像檢測技術(shù)分析小麥籽粒圖像，提取了2種紅色硬質(zhì)冬小麥和紅色軟質(zhì)冬小麥的9個形態(tài)特征，將它們從8種其他品種小麥中成功分離出來。鑒于之前的相關(guān)研究，Zayas等［3］又采用長度、寬度、正切、正弦等6個形態(tài)特征參數(shù)，對含有3種紅色硬質(zhì)冬小麥和紅色軟質(zhì)冬小麥的混合樣進(jìn)行識別，識別率為83%～85%，對含有2種紅色硬質(zhì)春小麥和紅色硬質(zhì)冬小麥的混合樣的識別率為77%～78%。國內(nèi)方面，何勝美等［4］提取小麥籽粒的20個形態(tài)特征和12個顏色特征，對來自中國4個地區(qū)的7個春小麥品種共28個試樣進(jìn)行了識別與分類。其研究結(jié)果表明，應(yīng)用籽粒的形態(tài)特征和顏色特征能對小麥的品種和來源地進(jìn)行有效識別，品種識別率均在95.0%以上，來源地的識別率平均為87.5%。研究中還發(fā)現(xiàn)，以圖片籽粒特征為單位(將每幅圖片中20粒小麥各特征的平均值作為一個觀測值)的識別率要高于以單個籽粒特征為單位的識別率。在特征參數(shù)選取和算法優(yōu)化方面，部分學(xué)者也做了一定的探索和研究。樊超等［5－6］利用不同品種的小麥在形態(tài)、顏色和紋理特征上的差異，分別提取了每種小麥的5個形態(tài)特征(周長、面積、矩形度、圓形度、伸長度)、6 個顏色特征(R、G、B、H、S、I分量)和5個紋理特征(能量、熵、對比度、局部平穩(wěn)性、相關(guān)性)共16個特征參數(shù)，建立神經(jīng)網(wǎng)絡(luò)模型將這些參數(shù)作為網(wǎng)絡(luò)輸入應(yīng)用于小麥品種的分類識別，并研究了小麥品種的識別準(zhǔn)確率與品種數(shù)量之間的關(guān)系。研究結(jié)果表明，增加紋理特征后的樣本識別率明顯高于僅使用形態(tài)、顏色兩方面特征參數(shù)時的識別率。此外，隨著小麥品種的增加，分類的準(zhǔn)確率會逐步下降，而利用MIV算法計算出各特征參數(shù)對分類結(jié)果影響的平均值，進(jìn)而使用遺傳算法對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，可有效提高小麥品種分類的準(zhǔn)確性。除此之外，也有一些學(xué)者研究了環(huán)境條件等因素對識別效果的影響。Manickavasagan等［7］在3種不同光照(白熾燈、環(huán)形熒光燈、室內(nèi)熒光燈)條件下根據(jù)小麥灰度圖像的灰度值差異識別了處于4種不同含水量(11%、14%、17%、20%)的8種加拿大西部小麥。研究發(fā)現(xiàn)，在室內(nèi)熒光燈環(huán)境下識別效果最好。當(dāng)所有小麥處于同一水分含量時，該環(huán)境下的總體識別率為96.0%;將每種小麥所有水分含量的圖像混合后識別時，總體識別率只有85.0%，但改進(jìn)后可達(dá)到90.0%。Tahir等［8］認(rèn)為谷物含水量會對籽粒外觀和形態(tài)產(chǎn)生顯著的影響，因此以水分含量作為可變參數(shù)，研究了含水量對小麥和大麥數(shù)字圖像檢測的影響。他們通過設(shè)定不同的水分含量，使用神經(jīng)網(wǎng)絡(luò)分類器和統(tǒng)計分類器分別對單籽粒谷物和整批谷物樣品的籽粒進(jìn)行了識別，結(jié)果顯示谷物含水量對單籽粒圖像分析的影響不大，其圖像特征區(qū)別不明顯，不利于區(qū)分，識別率相應(yīng)較低，但含水量對整批谷物樣品的圖像分析有較大的影響。

1.2 小麥與類似谷物分類的圖像檢測技術(shù)研究

在小麥購銷過程中，異種糧粒會作為有機(jī)雜質(zhì)處理。因此，能否對異種糧粒進(jìn)行準(zhǔn)確識別將影響小麥的品質(zhì)評定。由于大麥、黑麥、燕麥等谷物與小麥外觀特征較為接近，在分類識別中容易發(fā)生誤判的現(xiàn)象，導(dǎo)致對這一領(lǐng)域的研究較種類識別稍晚，并且研究方向偏重識別精度的提高和算法的選取和優(yōu)化。Paliwal等［9］使用圖像分析算法研究了谷物籽粒的長度、形狀和顏色特征，建立了用以區(qū)分加拿大西部紅春麥和琥珀杜倫麥以及大麥、燕麥和黑麥的數(shù)學(xué)模型。研究指出，形狀對籽粒識別影響最大，其次是顏色，長度影響最小。運(yùn)用該算法對上述谷物進(jìn)行分類，加拿大西部紅春麥和燕麥的識別率分別為100%和99%;由于加拿大西部琥珀杜倫麥中的一些未熟粒和皺縮粒容易被錯分為黑麥，一些籽粒比較大的黑麥容易被錯分為加拿大西部紅春麥，這兩種谷物的識別率略低，分別為94%和95%;大麥由于籽粒表面有芒，會影響長度和形狀的識別，但其識別率也達(dá)到了93%。Luo等［10］從谷物籽粒圖像獲取了其形態(tài)和顏色特征，使用兩種統(tǒng)計分類器和一種神經(jīng)網(wǎng)絡(luò)分類器對5種谷物籽粒進(jìn)行分類并對加拿大西部紅春麥的不同破損粒進(jìn)行了識別。對于籽粒的分類以及加拿大西部紅春麥完善粒和破損粒的識別，K近鄰統(tǒng)計分類器和多層神經(jīng)網(wǎng)絡(luò)分類器得出了較好并且相似的結(jié)論。該分類器通過分析提取的15個形態(tài)特征和13個顏色特征，對加拿大西部紅春麥和琥珀杜倫麥以及大麥、黑麥和燕麥的平均識別率分別為 98.2%，96.9%，99.0%，98.2%和 99.0%;通過提取的4個形態(tài)特征和24個顏色特征參數(shù)，對加拿大西部紅春麥完善粒和6種受損粒的平均識別率也達(dá)到了96.7%。Majumdar等［11］以加拿大西部20個種植區(qū)域的紅春麥、加拿大西部琥珀杜倫麥、大麥、燕麥和黑麥作為分析對象，采用23個形態(tài)特征參數(shù)對谷物識別作了深入細(xì)致的研究，采用其中最重要的10個形態(tài)特征對試驗(yàn)組進(jìn)行識別，對上述5種谷物籽粒的識別率分別為 98.9%、93.7%、96.8%、99.9%和81.6%。Zhang等［12］以加拿大西部 30 個種植區(qū)域的紅春麥、大麥和燕麥作為識別對象，通過研究籽粒的紋理特征建立了綜合紋理識別模型，該模型利用灰度共生矩陣提取了8個紋理特征并用多分形模型提取了10個紋理特征，然后結(jié)合BP神經(jīng)網(wǎng)絡(luò)，使上述3種谷物的平均識別率達(dá)到95%。大部分研究在初期都已設(shè)定好要使用的特征參數(shù)，而Choudhary等［13］研究了不同特征組合下的識別精度。研究選取加拿大西部紅春麥、加拿大西部琥珀杜倫麥、大麥、燕麥和黑麥的單個籽粒彩色圖像中提取的形態(tài)、顏色、紋理和小波特征，分析了在單特征模型、兩特征組合模型、三特征組合模型和四特征組合模型下的識別率，并分別用線性分類器和二次分類器比較了不同谷物的分類精度。研究結(jié)果表明，在單特征模型下，采用紋理特征對5種谷物進(jìn)行識別的平均識別率最高，為92.2%;在兩特征組合模型中，采用形態(tài)－紋理這一組合模型時識別的平均識別率最高，為96.3%;在三特征組合模型中，采用形態(tài)－紋理－小波組合模型時對5種谷物的平均識別率最高，為96.9%;當(dāng)綜合采用這四種特征時，總體平均識別率達(dá)97.0%，對上述谷物籽粒的識別率分別可達(dá) 99.4%、99.3%、98.6%、98.5%和 89.4%。此外，利用線性分類器的識別精度要高于二次分類器的識別精度。

1.3 小麥與雜質(zhì)識別的圖像檢測技術(shù)研究

小麥中的雜質(zhì)是指除小麥籽粒以外的其他物質(zhì)，包括篩下物、無機(jī)雜質(zhì)和有機(jī)雜質(zhì)。其中，無機(jī)雜質(zhì)包括砂石、煤渣、磚瓦塊、泥土等礦物質(zhì)及其他無機(jī)類物質(zhì)，有機(jī)雜質(zhì)包括無使用價值的小麥，異種糧粒及其他有機(jī)類物質(zhì)。由于雜質(zhì)與小麥的形態(tài)特征差異明顯，識別較為容易。Zayas等［14］用多元判別分析等模式識別方法區(qū)別混合小麥和非小麥組分，以及非小麥組分中的草籽和石頭。結(jié)果發(fā)現(xiàn)，僅區(qū)分小麥與非小麥組分時，識別效果較好;而在非小麥組分的識別中，其中的四種草籽也能較好識別，但石頭識別效果不佳，在識別時需用物理方法剔除。Paliwal等［15］提取了5種谷物和5種有機(jī)雜質(zhì)的形狀、顏色和紋理共230個特征參數(shù)，并建立神經(jīng)網(wǎng)絡(luò)模型對谷物和有機(jī)雜質(zhì)進(jìn)行了分類識別。結(jié)果表明，不僅是谷物，有機(jī)雜質(zhì)也可以通過圖像分析得到很高的識別率(加拿大西部紅春麥、蕎麥等谷物和一些有機(jī)雜質(zhì)由于特征參數(shù)容易提取，識別率將近100%，而谷殼、麥穗等有機(jī)雜質(zhì)的正確識別率也在90%左右)。研究還指出，綜合利用形態(tài)、紋理和顏色這三類特征建立的模型對樣品的識別率要遠(yuǎn)遠(yuǎn)高于單獨(dú)使用某一類特征建立的模型，但是要控制輸入?yún)?shù)的數(shù)量，因?yàn)檫^多的特征參數(shù)會使分類器的識別能力退化。

2 圖像檢測技術(shù)在小麥質(zhì)量檢測中的應(yīng)用研究

小麥質(zhì)量檢測一般涉及容重、千粒重、不完善粒、硬度指數(shù)、水分、色澤和氣味等指標(biāo)，在我國將容重作為小麥定等指標(biāo)，而不完善粒等指標(biāo)一般也作為小麥質(zhì)量限制指標(biāo)。與小麥品種識別相比，利用圖像檢測技術(shù)進(jìn)行小麥質(zhì)量檢測時需要提取的小麥籽粒特征參數(shù)較多，使用的檢測方法也更多樣化。

2.1 小麥不完善粒的圖像檢測技術(shù)研究

不完善粒是衡量小麥質(zhì)量優(yōu)劣的限制指標(biāo)，是指受到損傷但尚有使用價值的小麥籽粒，包括蟲蝕粒、病斑粒、破損粒、生芽粒和生霉粒，其實(shí)質(zhì)就是小麥的胚或胚乳受到機(jī)械損傷或生理變化和微生物的侵害，導(dǎo)致其種用品質(zhì)和食用品質(zhì)下降的一種變化［16］。此外，在小麥流通過程中，不完善粒含量是小麥增扣量的依據(jù)，且不完善粒對小麥容重有顯著影響，因此對小麥不完善粒檢測技術(shù)的研究對正確評定小麥等級也有著重大的意義。Thomson等［17］通過獲取小麥的三維圖像和小麥籽粒表面反射光強(qiáng)度的圖像，對小麥的兩個不同品種以及小麥正常粒和生芽粒進(jìn)行了識別。研究指出，綜合考慮從兩種圖像中提取出的14個特征參數(shù)，對小麥品種的識別率可達(dá)94%;采用逐步判別分析選擇的4個特征用于正常粒和生芽粒的識別，對生芽粒的識別率為89%，正常粒的識別率為83%。Luo等［18］通過提取小麥籽粒的24個顏色特征和4個形態(tài)特征參數(shù)，分別使用參數(shù)分類器(二次判別分類器)和非參數(shù)分類器(K近鄰分類器)在3種特征模型下對小麥完善粒與6種損傷粒進(jìn)行了識別。結(jié)果表明，顏色特征可有效顯示完善粒與損傷粒之間的特征差異，而形態(tài)特征有助于識別破損和皺縮的小麥籽粒，綜合考慮顏色和形態(tài)特征并使用K近鄰分類器可以較好的對不同籽粒進(jìn)行識別，其對完善粒和6種損傷粒的平均識別率均在90%以上。由于生芽粒、蟲蝕粒等不完善粒的密度等特征與完善粒有明顯差異，而以可見光作為光源進(jìn)行圖像采集難以反映籽粒內(nèi)部特征差異，因此一些學(xué)者以X射線、光譜圖像代替可見光圖像。Neethirajan等［19］根據(jù)小麥生芽粒與正常粒的密度不同，分別獲取其軟X射線圖像并利用Matlab提取出17個主要圖像特征，然后分別用統(tǒng)計分類器和神經(jīng)網(wǎng)絡(luò)分類器對生芽粒和正常粒進(jìn)行識別。結(jié)果表明，軟X射線圖像可以較好地顯示出生芽粒和正常粒的差異，統(tǒng)計分類器對生芽粒和正常粒的識別率分別為87%和92%，而建立的4層神經(jīng)網(wǎng)絡(luò)分類器對生芽粒和正常粒的識別率分別可達(dá)到90%和95%。Singh等［20］利用近紅外高光譜成像系統(tǒng)和彩色成像系統(tǒng)掃描了小麥正常粒和被4種不同害蟲蛀蝕的蟲蝕粒，將降維后的高光譜數(shù)據(jù)和從彩色圖像中提取的顏色、紋理和形態(tài)特征參數(shù)作為3種統(tǒng)計判別分類器和一種神經(jīng)網(wǎng)絡(luò)分類器的輸入，并比較不同分類器在不同輸入?yún)?shù)下對正常粒和蟲蝕粒的識別效果。研究結(jié)果顯示，近紅外高光譜圖像特征與彩色圖像特征相結(jié)合可以很好的對蟲蝕粒進(jìn)行識別，并且運(yùn)用二次判別分類器對樣品進(jìn)行識別的效果最好，其對正常粒和蟲蝕粒的識別率分別為96.3%和91.0%～100.0%。

2.2 小麥角質(zhì)率和硬度的圖像檢測技術(shù)研究

小麥籽粒硬度是其重要的品質(zhì)指標(biāo)，它通過影響潤麥加水量、潤麥時間長短、出粉率、小麥粉顆粒度大小及破損淀粉粒數(shù)量，最終決定小麥磨粉品質(zhì)和加工品質(zhì)。硬度關(guān)系到小麥籽粒品質(zhì)的分級，根據(jù)硬度指數(shù)大小可將小麥分為硬質(zhì)和軟質(zhì)兩大類［21］。小麥角質(zhì)率的測定一般采用目測法，做法是從小麥樣品中隨機(jī)取出約100粒正常的小麥，將每粒小麥用刀片從中部橫向切斷，玻璃狀透明體(角質(zhì)胚乳部分)占本籽粒截面1/2以上的小麥定義為角質(zhì)粒。角質(zhì)粒的總粒數(shù)占所取樣品粒數(shù)的百分?jǐn)?shù)，即為小麥角質(zhì)率［22］。傳統(tǒng)檢測方法對角質(zhì)率的測定依賴于人的主觀判斷，檢測結(jié)果缺乏穩(wěn)定性，而圖像檢測技術(shù)可以客觀的反映籽粒的角質(zhì)特性。

近年來，不少國內(nèi)外學(xué)者以可見光作為光源對角質(zhì)粒的識別進(jìn)行了研究。Xie等［23］利用小麥籽粒的反射和透射圖像檢測小麥的角質(zhì)情況，研究中使用了角質(zhì)和非角質(zhì)兩種杜倫麥，運(yùn)用逐步判別分析和人工神經(jīng)網(wǎng)絡(luò)建立了分類器。結(jié)果表明，采用判別分析方法建立的分類器可對角質(zhì)情況作出較好的判定，其對角質(zhì)琥珀杜倫麥和非角質(zhì)琥珀杜倫麥的識別率分別為92.4%和92.7%。Wang等［24］使用兩個圖像采集系統(tǒng)，分別獲取了每個杜倫麥籽粒的反射圖像、側(cè)面透射圖像和透射圖像，并將提取的空間和顏色共104個特征參數(shù)作為人工神經(jīng)網(wǎng)絡(luò)模型的輸入，對籽粒的角質(zhì)情況進(jìn)行了識別。研究結(jié)果表明，使用透射圖像的特征參數(shù)作為模型的輸入，對籽粒角質(zhì)情況的識別效果最好，其對非角質(zhì)粒和角質(zhì)粒的識別率分別為100%和92.6%。研究還指出，運(yùn)用透射圖像采集系統(tǒng)對角質(zhì)情況進(jìn)行檢測，不僅識別效果最好，還可減少檢測系統(tǒng)硬件和軟件的成本，更適于普及應(yīng)用。

國內(nèi)方面，在運(yùn)用圖像分析技術(shù)進(jìn)行角質(zhì)率和硬度的研究中，河南工業(yè)大學(xué)近年來有較多的探討。范璐等［25－26］測定了40種紅麥的硬度以及13種白麥的硬度和角質(zhì)率，并采集了經(jīng)不同方法處理的紅麥和白麥的反射掃描圖像，獲取其色澤參數(shù)，將色澤參數(shù)與抗粉碎硬度指數(shù)以及角質(zhì)率進(jìn)行線性回歸，證明利用小麥圖像的色澤特征參數(shù)來測定其角質(zhì)率和硬度是可行的。范璐［27］應(yīng)用圖像分析技術(shù)，運(yùn)用掃描儀以透射掃描方式對43種紅麥籽粒圖像進(jìn)行采集，分別在RGB、CMYK、HSI和Lab色彩模式下提取其色澤參數(shù)，并研究了色澤參數(shù)值與角質(zhì)率直線回歸的相關(guān)性。結(jié)果表明，在透射掃描方式中，紅麥圖像的色澤特征參數(shù)與角質(zhì)率顯著相關(guān)，并且CMYK模式中的青色分量和RGB模式中的紅色分量可以作為最佳特征參數(shù)。范璐等［28］在不區(qū)分紅麥和白麥的情況下，測定了53種小麥的角質(zhì)率和抗粉碎硬度指數(shù)。同時，使用掃描儀采集小麥剖面的反射圖像，分別對每種小麥反射圖像進(jìn)行分析，提取其色澤參數(shù)，將色澤參數(shù)與角質(zhì)率和抗粉碎硬度指數(shù)進(jìn)行線性回歸。結(jié)果顯示，小麥剖粒反射圖像包含與小麥角質(zhì)率有關(guān)的信息，色澤參數(shù)與角質(zhì)率和硬度之間顯著相關(guān)，可選取相關(guān)系數(shù)最大的RGB模式中的藍(lán)色分量或CMYK模式中的黃色分量作為最佳特征參數(shù)。

2.3 小麥品質(zhì)檢測與分級的圖像檢測技術(shù)研究

小麥的等級劃分需要考慮多方面的指標(biāo)，國標(biāo)以容重作為定等指標(biāo)，而水分、雜質(zhì)和不完善粒含量對小麥的容重都有顯著的影響。因此，運(yùn)用圖像檢測技術(shù)對小麥進(jìn)行檢測分級的過程比較復(fù)雜，現(xiàn)有的研究一般都在分級精度要求不高的情況下進(jìn)行。王志軍等［29］利用不同品質(zhì)的小麥在形態(tài)特征和顏色特征上的差異，運(yùn)用圖像處理和人工神經(jīng)網(wǎng)絡(luò)技術(shù)對小麥品質(zhì)進(jìn)行了自動化評價。在黑色毛面紙板背景下，使用數(shù)碼像機(jī)獲取包含優(yōu)質(zhì)、次質(zhì)和劣質(zhì)3個等級的混合小麥樣品圖像。應(yīng)用分水嶺算法對小麥圖像進(jìn)行分割并計算小麥籽粒圖像形態(tài)學(xué)特征參數(shù)和色澤參數(shù)，利用所提取的每個小麥籽粒的12個形態(tài)特征參數(shù)和12個色澤參數(shù)，采用BP神經(jīng)網(wǎng)絡(luò)建立起小麥粒徑外觀品質(zhì)評價模型，并應(yīng)用于小麥品質(zhì)的識別。多次建模運(yùn)算表明，該方法對優(yōu)質(zhì)小麥的識別率可達(dá)92.7%，由于次質(zhì)與劣質(zhì)小麥的外觀特征容易混淆，對兩者的識別率較低，但是將次質(zhì)和劣質(zhì)小麥樣品歸為一類進(jìn)行建模時，該模型對測試集小麥樣品的平均識別率可達(dá)93.0%。

3 結(jié)語

伴隨著信息技術(shù)的迅速發(fā)展，基于圖像檢測技術(shù)的小麥質(zhì)量與品質(zhì)檢測已經(jīng)取得了一定的研究成果，該技術(shù)在小麥品種與種類識別、雜質(zhì)與不完善粒的識別、角質(zhì)和硬度的測定、小麥品質(zhì)檢測與分級等方面均受到廣大學(xué)者的普遍關(guān)注。在圖像檢測技術(shù)的研究與應(yīng)用中，也已經(jīng)逐步實(shí)現(xiàn)了從黑白圖像到彩色圖像采集，從二維圖像信息到三維空間數(shù)據(jù)信息提取的重大改變，并將圖像與光譜技術(shù)相融合的高光譜成像技術(shù)引入到小麥質(zhì)量與品質(zhì)檢測研究中，使特征信息的提取及處理方法更加多元化。應(yīng)用方面，將圖像檢測技術(shù)與光電轉(zhuǎn)換技術(shù)、信號處理技術(shù)相結(jié)合的小麥色選機(jī)已經(jīng)用于小麥加工檢測流程中。由于其能夠?qū)⒊Ｒ?guī)清理設(shè)備無法清除的小麥病斑粒、生霉粒等異色粒以及與小麥籽粒大小、比重相似的雜質(zhì)清除掉，具有較高的自動化水平和檢測效率，已經(jīng)受到面粉廠等小麥加工企業(yè)的普遍重視。

圖像檢測技術(shù)在小麥質(zhì)量與品質(zhì)檢測中的應(yīng)用研究雖然取得了一定進(jìn)展，但其研究成果離大規(guī)模實(shí)際應(yīng)用仍有一定距離，還存在許多需要解決的問題。如:1)識別或檢測精度不高。主要原因是識別方法和特征參數(shù)選取方法尚不夠成熟，導(dǎo)致圖像檢測技術(shù)對小麥品種進(jìn)行識別或?qū)ζ滟|(zhì)量進(jìn)行檢測時，特征差異顯著時有較好的識別或檢測結(jié)果，而對特征差異不顯著的樣品識別率或檢測結(jié)果則不太理想。2)目前的研究中圖像采集仍以靜態(tài)圖像采集為主，雖然動態(tài)圖像采集技術(shù)也有所發(fā)展，但與靜態(tài)圖像相比其圖像特征表現(xiàn)能力仍比較低，難以實(shí)現(xiàn)實(shí)際檢測中動態(tài)、實(shí)時檢測的需求，如何從快速運(yùn)動的小麥群體中提取有效特征信息，是一個亟需解決的問題。3)技術(shù)與應(yīng)用融合較少。基于圖像檢測技術(shù)的小麥質(zhì)量與品質(zhì)檢測大多以基礎(chǔ)理論研究為主，距實(shí)際應(yīng)用仍有一定差距，相應(yīng)的檢測儀器或設(shè)備也較少。開發(fā)相應(yīng)的檢測方法和評價體系，發(fā)展快速、實(shí)時、高靈敏度的在線檢測和無損檢測，研制相應(yīng)的檢測儀器和設(shè)備，是時代的需求也是小麥質(zhì)量檢測的發(fā)展趨勢，應(yīng)該加強(qiáng)研究力度。4)檢測指標(biāo)過于單一。之前的檢測技術(shù)多集中于小麥品種識別、小麥籽粒的單一品質(zhì)檢測，對小麥綜合品質(zhì)檢測的應(yīng)用研究比較少，且對小麥的品質(zhì)檢測多停留在利用籽粒形態(tài)、顏色和紋理特征進(jìn)行的定性分析上，還達(dá)不到品質(zhì)檢測的定量分析，致使類似不完善粒、雜質(zhì)含量等指標(biāo)的檢測達(dá)不到預(yù)期的效果。利用圖像檢測技術(shù)研究小麥的綜合籽粒品質(zhì)性狀和內(nèi)在品質(zhì)性狀，建立與標(biāo)準(zhǔn)檢測方法對比的樣本庫，將圖像檢測技術(shù)運(yùn)用于實(shí)際檢測如小麥流通過程中的現(xiàn)場等級評定、中央儲備糧的輪換檢測并研制相應(yīng)的在線檢測設(shè)備，從簡單的品質(zhì)性狀識別上升為定性定量分析，將是今后研究需要關(guān)注的重點(diǎn)。

［1］張錚，王艷平，薛桂香.數(shù)字圖像處理與機(jī)器視覺［M］.北京:人民郵電出版社，2010，7 －8

［2］Zayas I，Pomeranz Y，Lai F S.Discrimination between Arthur and Arkan Wheats by image analysis［J］.Cereal Chemistry，1985，62(6):478 －480

［3］Zayas I，Lai F S，Pomeranz Y.Discrimination between wheat classes and varieties by image analysis［J］.Cereal Chemistry，1986，63(1):52 －56

［4］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(nóng)業(yè)科學(xué)，2005，38(9):1869 －1875

［5］樊超，夏旭，石小鳳，等.基于圖像處理的小麥品種分類研究［J］.河南工業(yè)大學(xué)學(xué)報，2011，32(5):74 －77

［6］樊超，夏旭，石小鳳，等.基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的小麥品種分類研究［J］.河南工業(yè)大學(xué)學(xué)報，2012，33(4):72－76

［7］Manickavasagan A，Sathya G，Jayas D S.Comparison of illuminations to identify wheat classes using monochrome images［J］.Computers and Electronics in Agriculture，2008，63(2):237－244

［8］Tahir A R，Neethirajan S，Jayas D S，et al.Evaluation of the effect of moisture content on cereal grains by digital image analysis［J］.Food Research International，2007，40(9):1140－1145

［9］Paliwal J，Shashidhar N S，Jayas D S.Grain kernel identification using kernel signature［J］.Transactions of the ASAE，1999，42(6):1921 －1924

［10］Luo X，Jayas D S，Symons S J.Comparison of statistical and neural network methods for classifying cereal grains using machine vision［J］.Transactions of the ASAE，1999，42(2):413－419

［11］Majumdar S，Jayas D S.Classification of cereal grains using machine vision:I.morphology models［J］.Transactions of the ASAE，2000，43(6):1669 －1675

［12］Zhang Gong，Jayas D S，Jiang Deyun，et al.Grain classification with combined texture model［J］.Transactions of the CSAE，2001，17(1):149 －153

［13］Choudhary R，Paliwal J，Jayas D S.Classification of cereal grains using wavelet，morphological，colour，and textural features of non － touching kernel images［J］.Biosystems Engineering，2008，99(3):330 －337

［14］Zayas I，Pomeranz Y，Lai F S.Discrimination of wheat and nonwheat components in grain samples by image analysis［J］.Cereal Chemistry，1989，66(3):233 －237

［15］Paliwal J，Visen N S，Jayas D S，et al.Cereal grain and dockage identification using machine vision［J］.Biosystems Engineering，2003，85(1):51 －57

［16］趙增寶，殷樹清，常大理，等.小麥不完善粒的成因及解決辦法［J］.糧食流通技術(shù)，2009(5):44－45

［17］Thomson W H，Pomeranz Y.Classification of wheat kernels using Three － Dimensional image analysis［J］.Cereal Chem-istry，1991，68(4):357 －361

［18］Luo X，Jayas D S，Symons S J.Identification of damaged kernels in wheat using a colour machine vision system［J］.Journal of Cereal Science，1999，30(1):49 －59

［19］Neethirajan S，Jayas D S，White N D G.Detection of sprouted wheat kernels using soft X － ray image analysis［J］.Journal of Food Engineering，2007，81(3):509 －513

［20］Singh C B，Jayas D S，Paliwal J，et al.Identification of insect－damaged wheat kernels using short－wave near－infrared hyperspectral and digital colour imaging［J］.Computers and Electronics in Agriculture，2010，73(2):118 －125

［21］吳存榮，唐道五，虞泓，等.小麥硬度指數(shù)測定技術(shù)研究進(jìn)展［J］.糧食與飼料工業(yè)，2008(1):7－9

［22］趙仁勇.小麥硬度測定方法的研究與應(yīng)用［J］.面粉通訊，2003(4):26－30

［23］Xie F，Pearson T，Dowell F E，et al.Detecting vitreous wheat kernels using reflectance and transmittance image analysis［J］.Cereal Chemistry，2004，81(5):594 －597

［24］Wang N，Zhang N，Dowell F E.Determining vitreousness of durum wheat using transmitted and reflected images［J］.Transactions of the ASAE，2005，48(1):219 －222

［25］范璐，周展明，湯堅，等.圖像分析測定紅麥硬度方法的研究［J］.中國糧油學(xué)報，2002，17(6):28－31

［26］范璐，展海軍，周展明，等.圖像分析測定白麥的角質(zhì)率和硬度方法的研究［J］.糧食與飼料工業(yè)，2002(4):44－45

［27］范璐.透射圖像測定小麥角質(zhì)率的方法研究［J］.鄭州工程學(xué)院學(xué)報，2002，23(3):53 －55

［28］范璐，杜娟，周展明，等.圖像分析技術(shù)測定小麥角質(zhì)率和硬度的方法探討［J］.河南工業(yè)大學(xué)學(xué)報:自然科學(xué)版，2006，27(5):51 －54

［29］王志軍，叢培盛，周佳璐，等.基于圖像處理與人工神經(jīng)網(wǎng)絡(luò)的小麥顆粒外觀品質(zhì)評價方法［J］.農(nóng)業(yè)工程學(xué)報，2007，23(1):158 －161.