淺析雜糧色選機對大豆物料的圖像處理技術提升

摘要：在全球糧食加工行業(yè)持續(xù)精細化、智能化發(fā)展的過程中，大豆作為重要的農產品，其品質把控直接關系到下游豆制品、油脂等產業(yè)發(fā)展質量與市場競爭力。本文對雜糧色選機圖像處理技術在大豆物料的處理中應用進行了深入的研究。首先介紹了雜糧色選機的工作原理和在大豆分選中的重要作用。其次分析目前圖像處理技術在大豆物料色選中的運用現(xiàn)狀與挑戰(zhàn)。最后介紹了圖像采集硬件優(yōu)化，圖像算法改進，智能識別技術融合等方面對圖像處理技術的提升策略，并結合實際案例分析了圖像處理技術在大豆選凈率，生產率等方面的顯著應用效果，以期為雜糧色選機在大豆產業(yè)的進一步發(fā)展提供理論支持與實踐參考。

關鍵詞：雜糧糧色選機；大豆物料；圖像處理技術；色選選凈率

隨著人們生活水平的提高，人們對大豆及其制品的質量要求日益嚴格。大豆在收獲、儲存、加工過程中不可避免地摻入雜質、異色粒和病斑粒等異物。雜糧色選機是糧食分選中高效的農產品初加工設備，通過正常物料與雜質在顏色、形狀等瑕疵的光學特性等方面差異進行大豆的精細分選，對保障大豆品質發(fā)揮著關鍵的作用。圖像處理技術是雜糧色選機的核心技術，其性能的好壞直接關系到色選機的分選選凈率和生產率。因此，對大豆物料中雜糧色選機的圖像處理技術進行深入研究與提高具有重要的現(xiàn)實意義。

1 雜糧色選機工作原理及對大豆分選的重要性

1.1 雜糧色選機工作原理

雜糧色選機主要由喂料系統(tǒng)、光學檢測系統(tǒng)、信號處理系統(tǒng)和剔除系統(tǒng)等組成。物料從喂料系統(tǒng)呈單層均勻下落，經光學檢測系統(tǒng)時，物料被光源照射，反射光被光學傳感器接收，轉變?yōu)殡娦盘枴６煌念伾⒋笮『凸鈱W特性的物料，反射光強度和光譜分布不同，電信號也不同。信號處理系統(tǒng)對這些電信號進行分析和處理，與預設的標準參數(shù)進行對比，判定物料是否為合格大豆。如果檢測到不合格物料，信號處理系統(tǒng)將發(fā)出執(zhí)行電信號給剔除系統(tǒng)，隨后氣閥迅速動作，噴射出氣流將其從物料流中吹入廢料通道，正常物料落入收集口或下一加工通道，完成分選作業(yè)。

1.2 在大豆分選的重要性

在大豆加工產業(yè)鏈中，優(yōu)質的大豆原料是產品品質的保證。雜糧色選機是保障農產品安全和品質，提升農產品附加值重要設備。通過雜糧色選機對大豆進行分選，有利于去除雜質和不合格粒，提高大豆的純度和品質，如豆制品的口感，色澤，營養(yǎng)價值等，還可以減少后續(xù)加工過程中的設備損耗和生產成本。例如，在豆腐制作中，使用經過色選的大豆可以減少雜質對豆腐口感的影響，使豆腐更加細膩、口感更好；在大豆油生產中，優(yōu)質的大豆原料可以提高出油率，同時減少油脂中的雜質含量，提升油脂的品質。

2 圖像處理技術在大豆物料色選應用的現(xiàn)狀與挑戰(zhàn)

2.1 現(xiàn)狀

現(xiàn)階段，雜糧色選機在大豆物料圖像處理層面已取得一定成果。在圖像采集環(huán)節(jié)，高分辨率的線陣電荷耦合器件（CCD）相機被廣泛應用。線陣CCD相機憑借逐行掃描特性，可在大豆物料勻速下落過程中，精準獲取其連續(xù)的圖像信息，在大豆單粒通過檢測區(qū)域時，能以高速高精度捕捉其輪廓信息，為后續(xù)分析提供細致圖像基礎。在圖像處理算法領域，灰度閾值分割算法依據(jù)大豆及雜質的灰度差異，通過設定合適閾值，將目標從背景中分離。例如在識別黃色大豆中的黑色雜質時，利用灰度值差異可快速篩選出雜質區(qū)域。色彩空間轉換算法，如從常見的RGB空間轉換到HSV空間，能更有效地分離大豆與雜質的顏色特征，在處理色澤相近但飽和度、色調有別的大豆與雜質時效果顯著。還可以采用邊緣檢測算法，像Canny算法，可精準勾勒出大豆及雜質的輪廓，為形狀特征分析提供支持。

2.2 挑戰(zhàn)

2.2.1 復雜背景干擾

大豆自然生長期間，因品種特性、光照不均、養(yǎng)分差異等因素，表面顏色和紋理呈現(xiàn)天然差異。不同品種大豆，其顏色從淺黃色至深黃色不等，紋理也有粗細、疏密之分。收獲后，大豆常附著泥土、灰塵等雜質，泥土顏色多樣，從黑色、棕色到黃色均有，與大豆顏色可能相近。這些因素共同構成復雜圖像背景。如大豆表面出現(xiàn)輕微病斑或蟲蝕痕跡時，病斑處顏色可能因霉菌生長而與正常大豆顏色接近，僅在細微色調、飽和度上有差異。傳統(tǒng)算法難以精準識別這些細微變化，易將病斑大豆誤判為正常大豆或雜質，影響選凈率。

2.2.2 小目標、異料等檢測困難

在大豆物料中，微小雜質或顆粒如小石子、草籽等普遍存在。小石子顏色、形狀多樣，草籽形狀不規(guī)則且體積小。在圖像中，這些小目標所占像素極少，例如直徑1 mm的小石子，在低分辨率的圖像中可能僅占1～2個像素。其特征不明顯，缺乏顯著顏色、紋理或形狀特征與大豆區(qū)分。現(xiàn)有圖像處理技術在檢測此類小目標時，因特征提取困難，易出現(xiàn)漏檢情況。在實際色選時，這些小目標雜質混入合格大豆中，降低大豆最終分選質量，影響后續(xù)加工產品品質[1]。對混入的金屬物、玻璃、石子、塑料和內部空洞的大豆等異物，其內部成分改變，難以通過顏色、形狀等圖像識別技術分選出來。

2.2.3 實時性與準確性的平衡

雜糧色選機在實際生產中，為滿足大規(guī)模生產需求，需高速運行。一般工業(yè)級色選機每小時處理大豆量可達數(shù)t甚至更多，這要求色選機在極短時間內完成對大量大豆圖像的處理與判斷。然而，提高圖像處理準確性常依賴復雜算法和大量計算資源。復雜的深度學習算法雖能提升識別精度，但模型訓練和推理過程計算量巨大，如卷積神經網絡（CNN）模型，其多層卷積和全連接層運算，會顯著增加處理時間。增加計算資源，如采用高性能GPU，雖可加速運算，但成本增加且散熱等問題也隨之而來。如何在保證色選機實時處理大量大豆圖像的前提下，進一步提升圖像處理準確性，成為亟待解決的關鍵問題。

3 雜糧色選機在大豆物料圖像處理技術的提升策略

3.1 圖像采集硬件優(yōu)化

3.1.1 相機應用

光照條件和大豆表面多樣反射特性是影響圖像采集質量的重要因素。高清高速相機與動態(tài)背景光應用方式，就迎合了這一挑戰(zhàn)。通過使用全尺寸2048像素線陣CCD高清相機，其線掃描達10 000行/s以上，使得色選機獲得超清晰的高精度圖像，分辨能力至

0.21 mm，使細小的瑕疵無處遁形。提取各處的細節(jié)信息更清晰，然后再通過算法將高精度圖像進行處理。圖像在經過處理后，其識別的準確性和清晰度會得到顯著提升，原本不太容易被察覺的細微特征，在這樣的基礎上也能夠更方便、更準確地被標記出來，有助于后續(xù)對大豆及雜質進行分析、識別等操作。

3.1.2 多光譜成像技術

多光譜成像技術是利用不同的物質光譜反射特性差異獲得大豆多個不同波長的圖像信息，實現(xiàn)精確定位。該技術配有多個光學濾波器，可對入射光分成一定波長范圍，每個波段有一個圖像傳感器。大豆與雜質在不同波長下的反射率存在顯著性差異，例如某些有機雜質在近紅外波段的反射率與大豆的反射率存在顯著性差異。通過對多光譜圖像的分析，可建立物質光譜特征庫，在分選時將采集的大豆多光譜圖像與特征庫對比，從而可以將大豆與雜質準確區(qū)分開來，大大地提高了雜質識別的準確率。

3.2 算法改進

3.2.1 算法應用

以卷積神經網絡CNN為代表的深度學習算法在圖像識別領域占據(jù)優(yōu)勢。CNN由多個卷積層，池化層和全連接層組成。大豆物料圖像處理中，卷積層通過卷積核在圖像上滑動進行特征提取，不同卷積核可以提取顏色，紋理，形狀等不同的特征。池化層則對提取的特征進行降維，減少計算量并保存關鍵信息。全連接層，并根據(jù)提取到的特征做出分類判斷。構建包含不同品種大豆，各類雜質以及不同缺陷大豆的大規(guī)模圖像數(shù)據(jù)集來訓練CNN模型。訓練過程中，模型自動調整參數(shù)學習大豆和雜質特征模式。實際色選時，CNN模型能快速準確識別大豆圖像中的雜質和不合格粒，和傳統(tǒng)算法相比，極大地提高了對復雜背景下的微小的雜質和病斑大豆識別能力，有效地提高了色選精度。

3.2.2 融合算法

基于YOLOV算法的分選技術是目前雜糧色選機通用算法，是一種用于目標檢測的先進深度學習算法。它將目標檢測任務視為單一回歸問題，通過一個卷積神經網絡直接輸出目標的類別和邊界框坐標，從圖像中預測出目標的類別和位置，使得大豆圖像處理精度高，處理速度快。另外，利用深度學習技術對大豆色選過程的優(yōu)化，通過增加注意力機制、損失函數(shù)的改進、添加目標檢測層等技術，提升大豆表面缺陷識別能力，顯著提高了檢測選凈率和色選生產率。

3.3 識別技術融合

3.3.1 光譜分析技術

近紅外光譜分析技術基于不同物質分子化學鍵振動對近紅外光吸收差異，實現(xiàn)對大豆內部檢測。近紅外光可穿透大豆表皮一定深度，與內部物質相互作用。將該技術與圖像處理技術結合，在雜糧色選機中，先利用圖像處理技術對大豆外觀顏色、紋理進行初步分選，再通過近紅外光譜分析大豆內部空洞、蟲洞、嚴重霉變、塑料、玻璃和石子等異物。對于外觀正常但內部品質不符合要求，近紅外光譜分析可準確識別并剔除。這種結合實現(xiàn)從外觀到內部品質的全方位分選，滿足不同加工需求，提升大豆產品整體品質。

3.3.2 物聯(lián)網的大數(shù)據(jù)分析

利用物聯(lián)網技術，將雜糧色選機與生產管理系統(tǒng)連接，實時采集色選過程中大豆圖像數(shù)據(jù)、分選結果數(shù)據(jù)、設備運行參數(shù)等。通過對這些大數(shù)據(jù)分析，挖掘大豆物料特性和變化規(guī)律。例如對不同產地、不同批次大豆圖像特征和分選數(shù)據(jù)聚類分析，建立對應模型。不同產地大豆因生長環(huán)境差異，外觀和品質存在區(qū)別，根據(jù)模型可調整色選機圖像處理算法參數(shù)和分選閾值，實現(xiàn)個性化分選。通過分析設備運行數(shù)據(jù)，預測設備故障風險，提前維護，保障色選機穩(wěn)定運行，提高物料選凈率和生產效率[2]。

4 圖像處理技術提升在大豆產業(yè)中的現(xiàn)狀與未來展望

4.1 現(xiàn)狀呈現(xiàn)

大豆產業(yè)中的圖像處理技術已經有了很大的提升。在大豆選凈率方面，雜糧色選機通過硬件提升、算法優(yōu)化改進及多光譜識別技術，能精準識別剔除各類雜質與不合格大豆。選凈率的提高，減少了后續(xù)加工過程中的重復篩選與設備損耗，進一步提高整體生產效率一倍以上，可滿足大規(guī)模生產的要求，降低了生產成本，增加了客戶經濟效益。也提高了下游豆制品的品質，色選后優(yōu)質大豆原料生產出來的豆制品，口感更細膩爽滑，色澤更潔白均勻，市場競爭力更強，產品附加值大幅度提升。

4.2 未來發(fā)展展望

隨著科技的不斷進步，雜糧色選機在大豆物料圖像處理技術方面將有所突破，企業(yè)要不斷投入研發(fā)，通過與科研院所的合作，不斷提高色選機的技術水平，推出更先進更智能的產品。一方面，人工智能技術會持續(xù)深度嵌入。強化學習算法將使得色選機能夠根據(jù)不斷變化的大豆物料特性和分選環(huán)境自動優(yōu)化圖像處理參數(shù)和分選策略。當遇到新的大豆品種或雜質類型時，色選機可以通過自我學習快速適應，提高分選的選凈率和生產率，更好地滿足物料品種的分類和分級。另一方面，硬件性能進一步改善，超高清，超高速的圖像采集設備會不斷涌現(xiàn)，結合更先進的多光譜成像技術，采集大豆圖像信息更全面和細微的特征，從而實現(xiàn)更精準的大豆品質把控。最后，隨著物聯(lián)網，大數(shù)據(jù)技術的發(fā)展，圖像處理技術用于大豆物料色選的提升，離不開整個大豆產業(yè)的協(xié)同發(fā)展。因此，通過色選產品品種情況反饋既能推動技術的進一步改進，挖掘產品性能提升方法和手段。同時為種植者提供純凈、優(yōu)質大豆的品種提供可行性指導，引導種植者選擇更優(yōu)質的品種種植。隨著產業(yè)技術發(fā)展，雜糧色選機適用范圍將拓展、延伸至更多雜糧品種中。

5 結論

雜糧色選機在大豆物料的圖像處理技術提升是一個不斷發(fā)展和創(chuàng)新的過程。通過圖像采集硬件優(yōu)化、圖像深度學習算法、智能識別技術的集成，可以有效解決當前圖像處理技術在大豆物料色選應用中的復雜背景干擾，小目標檢測困難，實時性與準確性不平衡等問題，極大提高大豆色選的精度與效率。新型圖像處理技術雜糧色選機在實際應用中已經取得很好的效果，為大豆加工企業(yè)提高產品質量和保證食品安全，提高生產效率提供了有力的支持。但是，高質量人工智能圖像處理數(shù)據(jù)對深度學習模型進行訓練，對計算機資源需求和算法模型提出更高要求，人工智能技術在色選機領域的應用帶來新的挑戰(zhàn)。

參考文獻

[1] 李家瑤.基于高光譜圖像技術的大豆品質無損檢測研究[D].成都：四川農業(yè)大學，2023.

[2] 許傳悅，田軍，王新銅，等.基于圖像處理的大豆數(shù)量檢測技術[J].科學技術創(chuàng)新，2018（1）：77-78.