陳尚兵 袁建 邢常瑞 鞠興榮 黃金旺

[摘要]計(jì)算機(jī)技術(shù)的不斷發(fā)展，給人們的生活帶來(lái)越來(lái)越多的便利，尤其是在機(jī)器視覺(jué)方面。目前在農(nóng)產(chǎn)品品質(zhì)控制檢測(cè)當(dāng)中機(jī)器視覺(jué)的應(yīng)用也變得廣泛。為了充分了解這方面的動(dòng)態(tài)，文章介紹國(guó)內(nèi)外機(jī)器視覺(jué)技術(shù)在稻米方面的研究動(dòng)態(tài)，同時(shí)指出機(jī)器視覺(jué)在稻米品質(zhì)檢測(cè)方面的不足，并提出展望。

[關(guān)鍵詞]機(jī)器視覺(jué)；稻米；品質(zhì)檢測(cè)

機(jī)器視覺(jué)技術(shù)（Machine Vision Technology）是一個(gè)不斷發(fā)展的技術(shù)，目前在農(nóng)業(yè)和食品工業(yè)方面有許多應(yīng)用，尤其是在農(nóng)產(chǎn)品方面Ⅲ。它代替人眼識(shí)別，在計(jì)算機(jī)軟件上對(duì)圖片經(jīng)過(guò)處理之后得到數(shù)據(jù)，分析，完成檢測(cè)任務(wù)；研究采用計(jì)算機(jī)模擬生物外顯或宏觀視覺(jué)功能的科學(xué)技術(shù)，數(shù)學(xué)、光學(xué)、人工智能、神經(jīng)生物學(xué)、心理物理學(xué)、計(jì)算機(jī)科學(xué)、圖像處理和圖像理解、模式識(shí)別等多個(gè)領(lǐng)域的交叉學(xué)科。通常，計(jì)算機(jī)視覺(jué)檢測(cè)系統(tǒng)由以下部分組成：檢測(cè)箱、光源、CCD攝像頭、圖像采集卡和計(jì)算機(jī)軟件系統(tǒng)等（如圖1所示）。如今機(jī)器視覺(jué)已經(jīng)在農(nóng)業(yè)和食品生產(chǎn)過(guò)程當(dāng)中的得以實(shí)踐。在農(nóng)產(chǎn)品品質(zhì)方面，機(jī)器視覺(jué)技術(shù)對(duì)于產(chǎn)品品質(zhì)的檢測(cè)包括內(nèi)外部檢測(cè)，主要檢測(cè)內(nèi)容如表所示。

國(guó)內(nèi)外對(duì)于機(jī)器視覺(jué)檢測(cè)的許多研究，主要集中在果蔬方面的無(wú)損檢測(cè)，尤其是在蘋果、馬鈴薯的破損、腐爛、品質(zhì)分級(jí)等；同時(shí)也有對(duì)肉類產(chǎn)品的等級(jí)分類。國(guó)內(nèi)外運(yùn)用機(jī)器視覺(jué)對(duì)果蔬類和肉品的研究較多；而糧油方面?zhèn)戎赜诖蠖埂⒂衩?、小麥的研究，?duì)大米研究較少，因?yàn)榇竺椎闹鳟a(chǎn)區(qū)一般都在亞洲。因此，機(jī)器視覺(jué)檢測(cè)在大米方面的研究必將成為未來(lái)的主要趨勢(shì)。

米是世界上最主要的糧食作物，每年總產(chǎn)量約占世界谷物產(chǎn)量的1/3，其中我國(guó)稻米播種面積是僅次于印度，2004年以來(lái)，我國(guó)水稻產(chǎn)量呈現(xiàn)連年增長(zhǎng)的趨勢(shì)。年均產(chǎn)量約占國(guó)內(nèi)糧食總產(chǎn)量的1/3，同時(shí)也是世界上最大的稻米生產(chǎn)國(guó)。水稻是我國(guó)主要糧食作物之一，據(jù)最新的數(shù)據(jù)統(tǒng)計(jì)，我國(guó)水稻播種面積在113340.5千公頃。稻米是我國(guó)城鄉(xiāng)居民的主要口糧，全國(guó)有60%以上人口以大米為主食，稻米消費(fèi)量約占全國(guó)糧食消費(fèi)量的40%。隨著稻米產(chǎn)量的增長(zhǎng)，人們不再滿足于產(chǎn)量的凈增，更為關(guān)注的是稻米外觀品質(zhì)以及稻米食用品質(zhì)，這就要求對(duì)稻米生產(chǎn)加工等多重環(huán)節(jié)進(jìn)行及時(shí)檢測(cè)。在檢測(cè)稻米品質(zhì)方面，目前采用最多的是人工測(cè)量方法，通過(guò)視覺(jué)檢測(cè)和感官鑒評(píng)得出結(jié)果，因?yàn)槿藶橹饔^因素的差別，檢測(cè)速度和準(zhǔn)確率較為低下，造成結(jié)果不一。運(yùn)用機(jī)器視覺(jué)技術(shù)檢測(cè)，和人工檢測(cè)技術(shù)相比，它具有高精確度、高效率、易于重復(fù)操作等優(yōu)點(diǎn)。利用機(jī)器視覺(jué)分級(jí)代替人工目測(cè)是未來(lái)提高檢測(cè)效率的必然選擇，因?yàn)槭褂脵C(jī)器視覺(jué)技術(shù)可以避免人工檢測(cè)主觀因素而造成的誤差。

1機(jī)器視覺(jué)在稻米品質(zhì)檢測(cè)方面的應(yīng)用

1.1對(duì)稻谷品種的鑒別

在稻米收購(gòu)過(guò)程當(dāng)中識(shí)別稻米品種是必不可少的環(huán)節(jié)，原因在于收購(gòu)站需要根據(jù)不同品種對(duì)糧食進(jìn)行儲(chǔ)藏，機(jī)器視覺(jué)技術(shù)的運(yùn)用能夠更好地提高收購(gòu)人員工作效率。首先要解決的問(wèn)題就是通過(guò)計(jì)算機(jī)獲得圖像，將籽粒與背景的分離及時(shí)處理，避免對(duì)檢測(cè)造成影響?；叶乳y值法、邊緣檢測(cè)法以及數(shù)學(xué)形態(tài)學(xué)方法是常規(guī)的檢測(cè)算法。

20世紀(jì)90年代以后，國(guó)內(nèi)外許多學(xué)者使用機(jī)器視覺(jué)對(duì)大米、花生、馬鈴薯、雞蛋等多種農(nóng)產(chǎn)品展開研究。江蘇大學(xué)的黃星奕等利用機(jī)器視覺(jué)技術(shù)，把經(jīng)過(guò)處理后的稻米圖像粒形長(zhǎng)度、寬度和面積等形態(tài)學(xué)特征數(shù)值和R均值、G均值、B均值、H均值、S均值、J均值等顏色特征值，經(jīng)過(guò)貝葉斯決策理論建立模型，從而實(shí)現(xiàn)對(duì)谷類品種識(shí)別，識(shí)別準(zhǔn)確率達(dá)到88.3%。同時(shí)，黃星奕等在上述成果的基礎(chǔ)上，提取不同品種稻谷的顏色特征值和形態(tài)學(xué)特征值，結(jié)合BP神經(jīng)視覺(jué)和相似度檢索技術(shù)，建立了稻米品種識(shí)別快速檢測(cè)數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)對(duì)于快速識(shí)別谷物品種有較好的用處，同時(shí)還能夠?qū)ξ醇皶r(shí)錄入的品種添加數(shù)據(jù)，因此該數(shù)據(jù)庫(kù)有較大的完善空間。喻擎蒼等經(jīng)過(guò)數(shù)次實(shí)驗(yàn)，提取稻谷二值圖像輪廓線，對(duì)歐幾里德算法進(jìn)行改進(jìn)，分析以輪廓線為中心的最大線性距離，能夠?qū)崿F(xiàn)稻谷品種的模糊識(shí)別。試驗(yàn)結(jié)果表明，此方法在辨別浙852、Z94-35、廣陸矮4號(hào)三種類型稻米時(shí)呈現(xiàn)出不同的結(jié)果，總體而言識(shí)別準(zhǔn)確度還是很好的。周超等試驗(yàn)證明通過(guò)機(jī)器視覺(jué)提取不同品種雜交水稻的6個(gè)顏色參數(shù)值，以此研究分辨品種的顏色差別。實(shí)驗(yàn)結(jié)果表明對(duì)先農(nóng)5號(hào)、金優(yōu)桂99和優(yōu)166識(shí)別率在90%以上，可以作為分辨一些不同品種雜交水稻的依據(jù)。但是參數(shù)較少，可能在某些程度上有待完善。Ruokui Chang等使用機(jī)器視覺(jué)技術(shù)獲得水稻三個(gè)外觀參數(shù)在評(píng)價(jià)標(biāo)準(zhǔn)的基礎(chǔ)上，將13種水稻分為3種等級(jí)。根據(jù)BP神經(jīng)網(wǎng)絡(luò)的使用情況，建立檢測(cè)模型，校準(zhǔn)模型的相關(guān)系數(shù)由外觀確定指標(biāo)為0.9621。通過(guò)使用模型來(lái)預(yù)測(cè)準(zhǔn)確度，得出相關(guān)性系數(shù)為0.9134，平均相對(duì)誤差為5%，預(yù)測(cè)值和真實(shí)值之間的相對(duì)誤差較小，因此它可以幫助解決未知品種的水稻預(yù)測(cè)等級(jí)。

1.2稻米裂紋粒識(shí)別

稻米裂紋?？梢苑Q為爆腰粒，是指完整稻米粒的胚乳中產(chǎn)生的橫向或縱向裂紋，它是導(dǎo)致稻米在加工過(guò)程中發(fā)生破碎而產(chǎn)生碎米的重要原因。裂紋顆粒存在會(huì)造成出米率下降，人工感官評(píng)價(jià)等級(jí)降低，含有裂紋粒的成米食用品質(zhì)會(huì)變差，商品的使用價(jià)值、經(jīng)濟(jì)價(jià)值會(huì)下降；同時(shí)裂紋粒也是作為評(píng)價(jià)稻米干燥工藝是否達(dá)標(biāo)的一個(gè)判斷依據(jù)。

1998年，A.J.Cardarelli等研究了稻米破損粒的情況，主要判別依據(jù)是以RGB三分量均值，實(shí)現(xiàn)對(duì)3種稻米破損籽粒識(shí)別，識(shí)別率達(dá)到80%以上。李棟等采用分形理論對(duì)稻谷產(chǎn)生應(yīng)力進(jìn)行研究，他們通過(guò)電子顯微鏡獲得圖像分析得出稻谷裂紋具有分形特征，由此建立了稻谷應(yīng)力裂紋模型；建立的模型對(duì)稻谷進(jìn)行動(dòng)力學(xué)分析，得出不同的擴(kuò)展力對(duì)稻谷造成損害不同。張龍等定性定量分析稻米糙米破損程度和裂紋粒程度，大量實(shí)驗(yàn)表明干燥過(guò)程當(dāng)中水分含量和溫度這兩個(gè)條件對(duì)裂紋粒有一定的影響。這表明可以通過(guò)機(jī)器視覺(jué)對(duì)裂紋粒破損程度鑒別，判別溫度，水分等多種條件對(duì)儲(chǔ)糧的影響，為獲得最佳的稻米貯藏條件提供一定的依據(jù)。

吳杰在質(zhì)構(gòu)儀上對(duì)秈稻的不同破損方式進(jìn)行模擬力學(xué)實(shí)驗(yàn)，同時(shí)構(gòu)建機(jī)器視覺(jué)平臺(tái)，獲得裂紋二值化圖像，提取紋理特征參數(shù)、晶體面積比參數(shù)和形態(tài)學(xué)特征參數(shù)。建立BP神經(jīng)網(wǎng)絡(luò)對(duì)顯著特征參數(shù)進(jìn)行分類識(shí)別，設(shè)計(jì)了不同含水量，不同受力情況下的識(shí)別器，識(shí)別率均在85%以上。Zhang Q等利用高精度電子顯微鏡對(duì)稻米籽粒進(jìn)行掃描，得到米粒裂紋特征，同時(shí)將裂紋粒分割為兩部分，并從微觀方面對(duì)裂紋粒進(jìn)行了研究，但是這種方法對(duì)裂紋粒檢測(cè)過(guò)程較為復(fù)雜，不便于裂紋?？焖贆z測(cè)識(shí)別。

黃星奕等采用構(gòu)建的機(jī)器視覺(jué)平臺(tái)得到稻米爆腰粒圖像，然后通過(guò)二值化和小波變換對(duì)圖像局部極大值進(jìn)行檢測(cè)，去除圖像噪聲，提取稻米邊緣特征，能夠更好的對(duì)稻米爆腰粒進(jìn)行有效的識(shí)別，識(shí)別率達(dá)到92%以上。鄭華東等實(shí)現(xiàn)對(duì)單粒米進(jìn)行光學(xué)特性分析基礎(chǔ)上，研制出一套視覺(jué)檢測(cè)裝置，并基于Visual C++6.0開發(fā)平臺(tái)下編制出了大米裂紋檢測(cè)系統(tǒng)軟件。經(jīng)過(guò)二值化、灰度化，同時(shí)對(duì)單粒米圖像進(jìn)行灰度拉伸處理，之后根據(jù)所得圖像的灰度均值繪制均值變化曲線。同時(shí)依據(jù)繪制的曲線對(duì)其加權(quán)濾波處理，提出了基于灰度均值變化特征的大米裂紋檢測(cè)算法，此算法對(duì)稻米裂紋能夠得到有效的識(shí)別。對(duì)5個(gè)品種的試驗(yàn)結(jié)果表明，檢測(cè)裝置對(duì)6組特殊類大米樣品和5組隨機(jī)大米樣品裂紋率的判斷準(zhǔn)確率分別為98.37%和97.88%，說(shuō)明檢測(cè)系統(tǒng)對(duì)于稻米裂紋粒的識(shí)別是可行的。

1.3黃粒米檢測(cè)

黃粒米是評(píng)定稻米等級(jí)的一個(gè)重要指標(biāo)。它形成的原因是大米因?yàn)槊咕淖饔?，發(fā)生顏色變化，從而造成與正常米粒顏色差異，也伴隨著營(yíng)養(yǎng)成分的損失。尚艷芬依據(jù)黃粒米色澤度與正常米粒的差別，通過(guò)RGB色度學(xué)原理對(duì)黃粒米進(jìn)行色度判別，選擇最優(yōu)閥值范圍。結(jié)果表明能夠?qū)崿F(xiàn)黃粒米與正常米的篩選甄別，判別率達(dá)到95%。根據(jù)這個(gè)結(jié)論，一些研究者也對(duì)這個(gè)程序不斷改進(jìn)，將其應(yīng)用于其他方面。孫明等采用MATLAB系統(tǒng)平臺(tái)對(duì)黃粒米進(jìn)行檢測(cè)，基于獲取的米粒圖像，對(duì)原圖像預(yù)處理后，通過(guò)最大類間方差法（Otsu）獲得最佳閾值，二值化，去除背景，分析特征值，得出黃粒米色調(diào)H值在0～1之間。經(jīng)實(shí)驗(yàn)統(tǒng)計(jì)論證，基于色調(diào)值區(qū)分黃粒米與正常米是可行的。王付軍等根據(jù)黃粒米與正常米顏色的差異，正常米粒顯白色，黃粒米顯色偏黃?；赗GB和HSV顏色漸變特點(diǎn)，對(duì)獲得的圖像處理后，經(jīng)過(guò)多次平行試驗(yàn)對(duì)比分析得出黃粒米的值主要集中在0.1187附近，與正常米存在較大差別。在人工目測(cè)和計(jì)算機(jī)視覺(jué)對(duì)比試驗(yàn)的基礎(chǔ)上，得出辨別率在94.97%，因此表明試驗(yàn)技術(shù)識(shí)別還是可行的。

1.4堊白粒檢測(cè)

大米堊白是由于稻米在成熟過(guò)程中因胚乳組織疏松而形成的不透明部分。堊白因?yàn)椴课徊煌?，主要分為心白、背白和腹白。目前主要采用GB 1354-2009作為判別堊白粒的依據(jù)，但是一般都是通過(guò)人工檢測(cè)。盡管我國(guó)是稻米生產(chǎn)大國(guó)，但對(duì)于這方面的檢測(cè)仍然存在不足，機(jī)器視覺(jué)技術(shù)的應(yīng)用對(duì)于提高檢測(cè)精度有很重要的影響。2007年，吳彥紅等研發(fā)了一整套的檢測(cè)程序，對(duì)大米堊白的檢測(cè)算法。通過(guò)對(duì)拍攝的圖像，灰度化、最佳閾值確定、二值化，提取長(zhǎng)度、寬度等形態(tài)學(xué)特征參數(shù)。并對(duì)參數(shù)分析，通過(guò)主成分分析，確定最優(yōu)識(shí)別條件，從而識(shí)別圖像當(dāng)中的堊白粒。實(shí)驗(yàn)表明，對(duì)堊白米粒的識(shí)別準(zhǔn)確率為94.79%。但是該程序只是對(duì)單粒進(jìn)行拍照，對(duì)于過(guò)程當(dāng)中顆粒拍照的穩(wěn)定性有一定的限制。孫翠霞等通過(guò)能夠獲得堊白粒圖像的攝像頭獲取大米圖像，為了更好的對(duì)粘連粒進(jìn)行分割，采用雙閾值法對(duì)圖像分割，一個(gè)是可以實(shí)現(xiàn)最大限度分離，計(jì)算大米總粒數(shù)；一個(gè)是對(duì)圖像的堊白粒分割，從而對(duì)籽粒粘連情況得到很好的解決。試驗(yàn)結(jié)果表示，該算法可以針對(duì)粘連情況下的堊白度進(jìn)行很好地識(shí)別。王粵等通過(guò)HSI亮度圖像1分量的特性檢測(cè)大米堊白米，對(duì)檢測(cè)出的大米，用改進(jìn)后的最大類間方差法實(shí)現(xiàn)更好分析堊白率、堊白度信息。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的方法，堊白米粒的檢測(cè)精度提高了8%左右，堊白度的檢測(cè)精度也相應(yīng)提高6%左右。

1.5稻米胚芽的檢測(cè)

稻米胚芽占稻米比例很小，但是富含多種營(yíng)養(yǎng)成分，是目前較為重要的營(yíng)養(yǎng)米。對(duì)于胚芽精米來(lái)說(shuō)，最為重要的是留胚率。目前檢測(cè)留胚率的方法主要是人工目測(cè)為主，但是這種方法受到多種主觀因素的影響，檢測(cè)結(jié)果達(dá)不到所需的要求，隨著機(jī)器視覺(jué)的發(fā)展，人們開始研究圖像處理技術(shù)對(duì)大米留胚率的檢測(cè)。

黃星奕等提出以計(jì)算機(jī)視覺(jué)代替人眼識(shí)別檢測(cè)稻米胚芽精米。首先獲得圖像，然后將彩色圖像由RGB值轉(zhuǎn)換為HSI值，利用色調(diào)H（Hue）、光強(qiáng)I（Intensity）、飽和度S（Saturation）等多種顏色特性多次分析，并提出以飽和度S作為特征參數(shù)值對(duì)胚乳和胚芽實(shí)現(xiàn)自動(dòng)檢測(cè)。試驗(yàn)結(jié)果表明，這種基于機(jī)器視覺(jué)的檢測(cè)方法與人工檢測(cè)吻合度達(dá)到88%以上。

1.6稻米加工精度檢測(cè)

依據(jù)GB/T 5502-2018對(duì)大米加工精度進(jìn)行區(qū)分，因?yàn)椴煌庸ぞ鹊拇竺?，其營(yíng)養(yǎng)成分損失程度是不同的，因此對(duì)大米加工精度檢測(cè)顯得尤為重要。目前對(duì)大米加工精度檢測(cè)，采用的傳統(tǒng)方法是通過(guò)直接比較和試劑染色法。許俐等通過(guò)機(jī)器視覺(jué)結(jié)合圖像處理技術(shù)與色度學(xué)理論，使用日本MG染色法，研究染色后大米的胚芽，胚乳呈現(xiàn)的顏色特征，通過(guò)計(jì)算胚乳面積所占百分比來(lái)得到加工精度。萬(wàn)鵬通過(guò)建立灰度一梯度共生矩陣提取大米圖像的紋理特征參數(shù)，并且使用Fisher判別函數(shù)對(duì)大米加工精度判別，實(shí)現(xiàn)對(duì)四種不同加工精度的大米判別，識(shí)別率達(dá)到93%以上。之后，萬(wàn)鵬等通過(guò)顏色特征值和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，對(duì)大米精度進(jìn)行判別，以R、G、B、H、S、I作為特征值，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)判別精度達(dá)到92.17%。但是目前來(lái)說(shuō)，實(shí)現(xiàn)工業(yè)化檢測(cè)還是有一定難度的。

目前，我國(guó)對(duì)稻谷整精米率檢測(cè)采用的是GB/T 21719-2008，整精米率指整精米占凈稻谷試樣質(zhì)量的百分率。Liu W等采取機(jī)器視覺(jué)技術(shù)，使用圖像處理檢測(cè)大米加工精度，精準(zhǔn)檢測(cè)稻米樣品，檢測(cè)結(jié)果平行度非常好，得出R2=9.9819。尚艷芬等開發(fā)了一套能夠識(shí)別整精米和碎米的系統(tǒng)，該系統(tǒng)是通過(guò)對(duì)米粒形態(tài)學(xué)特征參數(shù)值提取，建立模型分析整精米的碎米的差別。借以模型中標(biāo)準(zhǔn)米作為對(duì)照，通過(guò)偏差計(jì)算，分析精度與人工檢測(cè)的相關(guān)系數(shù)達(dá)到0.99。劉丹通過(guò)建立三維模型，依據(jù)機(jī)器視覺(jué)獲得二維圖片，同時(shí)結(jié)合三維模型，估算體積，之后通過(guò)體積比計(jì)算精米率。然后通過(guò)多組平行實(shí)驗(yàn)，對(duì)整精米和碎米面積、體積以及形態(tài)分析，根據(jù)得到的整精米率的精度分析，最后用圖像處理的方法測(cè)定，準(zhǔn)確度可以達(dá)到98%以上。

2結(jié)論和應(yīng)用展望

文章基于機(jī)器視覺(jué)技術(shù)在稻米品種、裂紋粒、黃粒、堊白粒的識(shí)別，以及稻米加工品質(zhì)的鑒別等方面做了簡(jiǎn)要的論述。機(jī)器視覺(jué)技術(shù)在國(guó)內(nèi)外農(nóng)產(chǎn)品方面的應(yīng)用較多，如在果蔬類品質(zhì)的判別，但是在稻米領(lǐng)域的實(shí)際應(yīng)用仍然處于探索階段，這方面在未來(lái)會(huì)有較大的應(yīng)用前景。

（1）目前對(duì)稻米品質(zhì)檢測(cè)主要采用的還是人工識(shí)別的方法，效率低下，因此需要將機(jī)器視覺(jué)推向糧食收購(gòu)現(xiàn)場(chǎng)時(shí)亟待解決的問(wèn)題。同時(shí)，采用圖像識(shí)別方法對(duì)于分析結(jié)果有很好的準(zhǔn)確度。

（2）在對(duì)稻米品質(zhì)檢測(cè)過(guò)程當(dāng)中，需要配合CCD彩色攝像頭獲取圖像，有不同的研究者采用不同的掃描儀獲得圖像，因此獲得檢測(cè)條件與精度不盡相同，實(shí)驗(yàn)測(cè)定的結(jié)果對(duì)品質(zhì)的判別就不同，這是市場(chǎng)需求需要解決的問(wèn)題，所以有必要制定和推廣稻米品質(zhì)標(biāo)準(zhǔn)檢測(cè)裝置，統(tǒng)一規(guī)范。

（3）使用機(jī)器視覺(jué)對(duì)稻谷品質(zhì)測(cè)定多數(shù)都是采用靜態(tài)識(shí)別，通過(guò)顆粒放置于載物臺(tái)上，使用圖像處理軟件結(jié)合相關(guān)程序，對(duì)圖像檢測(cè)，判別稻米品質(zhì)。對(duì)于動(dòng)態(tài)與靜態(tài)相結(jié)合的圖片采集和分析，目前在稻米方面研究不多，因此在動(dòng)態(tài)與靜態(tài)結(jié)合判別多種稻谷品質(zhì)因素是未來(lái)研究的一個(gè)重要方向。

計(jì)算機(jī)視覺(jué)在稻米品質(zhì)方面的檢測(cè)主要集中在實(shí)驗(yàn)室階段，大型儀器測(cè)定稻米品質(zhì)現(xiàn)場(chǎng)測(cè)定仍處于探索階段，但是隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的不斷發(fā)展，未來(lái)這項(xiàng)技術(shù)一定能夠?qū)Φ久灼焚|(zhì)進(jìn)行快速、高效判別。