陳浩然，范方輝，牟天

（1.深圳大學(xué) 化學(xué)與環(huán)境工程學(xué)院食品科學(xué)與工程系，廣東 深圳 518060；2.深圳市食品大分子科學(xué)與加工重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518060；3.深圳大學(xué) 醫(yī)學(xué)部 生物醫(yī)學(xué)工程學(xué)院，廣東 深圳 518060）

我國是當(dāng)今世界上大米產(chǎn)量和消耗量最高的國家[1]，隨著我國居民生活質(zhì)量的提高，人們對大米的品質(zhì)要求也逐漸提高。大米中碎米的含量是評估大米質(zhì)量的重要指標(biāo)，由于碎米與水的接觸面積更大，碎米含量高的大米吸水率更高且碎米斷面的淀粉更易溶于水中，因此米飯中的碎米含量增加會導(dǎo)致米飯的食味變差，米飯的咀嚼性和彈性也會隨之下降[2]。摻雜較多碎米的大米口感與味道難以達(dá)到消費(fèi)者的要求，因此大米的生產(chǎn)廠家會進(jìn)一步追求有更高碎米篩分效率的方法以提高大米品質(zhì)與銷量。而且，篩分出來的碎米還能制成米粉、果葡糖漿、蛋白粉等副產(chǎn)物[3]，可以提高大米資源的利用率與廠家的經(jīng)濟(jì)效益。因此，將大米中的碎米篩分出來變得尤為重要。在傳統(tǒng)的碎米檢測中，機(jī)械篩分是將碎米分離的主要方法，主要使用的機(jī)械篩分設(shè)備有分級平轉(zhuǎn)篩和滾筒機(jī)[4]。傳統(tǒng)的機(jī)械篩分技術(shù)需要大量的人力和物力資源，并且效率較低，篩分準(zhǔn)確性也不高。大米的機(jī)械篩分效率最高能達(dá)到70%左右[5]，而對于大米生產(chǎn)廠家，更高的篩分效率以及碎米的快速分離具有重要意義，因?yàn)檫@可以減少生產(chǎn)成本，提高產(chǎn)品質(zhì)量。

近年來，基于圖像分析算法構(gòu)建的計(jì)算機(jī)視覺技術(shù)（computer vision technology，CV）在食品和農(nóng)產(chǎn)品檢測領(lǐng)域得到廣泛應(yīng)用。Zhang 等[6]提出了一種基于亮度自動校正和加權(quán)相關(guān)向量機(jī)（relevance vector machine，RVM）分類器的蘋果缺陷檢測算法。Patel 等[7]開發(fā)了一種算法，能夠采用單色CV 系統(tǒng)檢測芒果果實(shí)表面的各類缺陷。隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，基于圖像處理的碎米檢測技術(shù)逐漸受到關(guān)注。這些技術(shù)通常使用數(shù)字圖像處理算法和機(jī)器學(xué)習(xí)算法來實(shí)現(xiàn)快速、自動化的碎米檢測。例如，Van Dalen[8]將平板濾波與圖像分析相結(jié)合，檢測了大米的面積、分布以及碎米的數(shù)量。Sharma 等[9]以色度學(xué)理論為基礎(chǔ)，提取了碾米圖像的顏色特征，并將碾米分為了微黃色、淺黃色、黃色和極黃色4 類。Zapotoczny 等[10]提出了利用圖像算法與大麥籽粒的形態(tài)特征實(shí)現(xiàn)對大麥籽粒品種進(jìn)行區(qū)分的方法。周顯青等[11]提取了圖像中大米的長軸、短軸、周長和面積4 個(gè)特征，并研究了4 個(gè)特征各自與碎米篩分效果的相關(guān)性。林萍等[12]將可見光譜與人工神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，實(shí)現(xiàn)了對大米中堊白米粒的識別。盡管計(jì)算機(jī)視覺技術(shù)在碎米篩分中已經(jīng)有了一定應(yīng)用，有關(guān)核心算法的研究仍處于初級階段。

圖像分割（image segmentation）是圖像處理和建立篩分算法的重要環(huán)節(jié)，目前有很多種圖像分割算法，在大米圖像及其他領(lǐng)域的圖像上均有應(yīng)用?；趨^(qū)域的圖像分割方法可以將圖像分成具有相似特征的區(qū)域，特征可以是灰度值、顏色、形態(tài)等，孫金風(fēng)等[13]通過區(qū)域分割算法提取出了圖像中的網(wǎng)球輪廓。還有基于邊緣的圖像分割方法，該方法通過檢測圖像中的邊緣來實(shí)現(xiàn)圖像分割，于建寧[14]使用邊緣分割的方法將圖像中粘連的大米分割出來。此外，還有基于聚類的圖像分割方法，該方法將圖像中的像素分成不同的群組，使得每個(gè)群組內(nèi)的像素具有相似的特征，Wu 等[15]使用K 均值（K-means）聚類算法實(shí)現(xiàn)了對麥芽糖晶體圖像的分割。大津法（maximal variance between clusters，OTSU）又被稱為最大類間方差法，是日本科學(xué)家大津展之提出的利用圖像直方圖選取全局閾值的一種算法[16-17]。OTSU 算法是一種常見的基于閾值的圖像分割方法，該算法通過尋找最佳閾值，將圖像分為背景和前景兩部分，其優(yōu)點(diǎn)是簡單易懂、計(jì)算速度快，適用于大多數(shù)圖像分割問題。因此，OTSU 算法在圖像分割中得到了廣泛的應(yīng)用。呂婧等[18]將優(yōu)化的OTSU 算法用于大米圖像的分割，并且比較了優(yōu)化的算法與原OTSU 算法的分割效率。戴天虹等[19]使用OTSU 算法得到清晰、連貫的木材缺陷圖像，而金立軍等[20]使用OTSU算法分割圖像的背景用于后續(xù)輸電線路異物識別。

本文針對碎米、整米篩分不夠高效、準(zhǔn)確的問題，借助OTSU 算法與邏輯回歸模型，建立碎米檢測算法，對3 種大米的碎米、整米進(jìn)行篩分并與國標(biāo)方法進(jìn)行對比研究。本文所建立的方法具有廣闊應(yīng)用前景，以期為解決高效篩分大米中碎米、整米的問題提供理論依據(jù)。

1 材料與方法

1.1 試驗(yàn)材料

吉林小町香米（5 kg）：沃爾瑪（中國）投資有限公司；泰國香米（500 g）：深圳盛寶聯(lián)合谷物股份有限公司；五常大米（500 g）：五常市旺達(dá)米業(yè)有限公司。

1.2 試驗(yàn)設(shè)備

HONOR 60 手機(jī)（14.0.1.430 版本）：深圳市智信新信息技術(shù)有限公司；支架（帶有環(huán)形燈、固定夾）：徠茲光電科技（寧波）有限公司。

1.3 圖像采集

將3 種米分別按全碎米、全整米以及整米與碎米的粒數(shù)比為1∶4、2∶3、3∶2、4∶1 4 個(gè)不同比例組進(jìn)行圖像采集，每組共50 粒米，總共采集900 粒米的圖像。手機(jī)距離樣品36 cm，以30 cm×30 cm 的黑色反光亞克力板為圖像背景，拍攝圖像時(shí)手機(jī)相機(jī)放大倍數(shù)1.8，拍攝條件：感光度（international organization for standardization，ISO）為160，快門速度為1/160 s。示意圖見圖1。

圖1 大米圖像采集的計(jì)算機(jī)視覺設(shè)備示意圖Fig.1 Computer vision equipment used for rice image acquisition

設(shè)定好拍攝條件，保持手機(jī)與背景板的距離不變，對3 種大米進(jìn)行拍攝，將大米按粒數(shù)比置于背景板上，點(diǎn)擊上方被支架固定手機(jī)的拍攝鍵采集圖像。得到圖像后要對原始圖像進(jìn)行處理，使用Win 11 的畫圖軟件將原始圖像中大米部分的圖像統(tǒng)一裁成分辨率為1 935 pixel×1 935 pixel 的圖像，方便后續(xù)統(tǒng)一處理。圖2 為輸入算法中運(yùn)算的大米樣本圖像之一，環(huán)形的亮圈是燈在背景板上的映射，后續(xù)要通過算法當(dāng)作背景一同去除，其余圖像與此類似，均在后續(xù)流程中做樣本圖像輸入算法中運(yùn)行。

圖2 整米圖像Fig.2 Images of head rice

試驗(yàn)將幾種米得到的特征參數(shù)以及對應(yīng)的標(biāo)簽數(shù)據(jù)混合起來，利用邏輯回歸的方法進(jìn)行分析，達(dá)到將每種米各自的碎米與整米區(qū)分開來的目的，并將其與國家標(biāo)準(zhǔn)僅通過長度區(qū)分碎米、整米的方法進(jìn)行比較，試驗(yàn)的流程如圖3 所示。

圖3 基于OTSU 算法的碎米篩分過程示意圖Fig.3 Broken rice screening process based on OTSU algorithm

1.4 圖像分割

圖4a～c 為讀入樣本圖像的灰度圖，目的是簡化圖像信息，減小代碼處理的難度。然后，通過十字形卷積核提取出圖像中的背景部分，得到如圖4d～f。再用灰度圖減去提取得到的背景圖就可以得到如圖4g～i 的大米前景圖，光照的差異會影響后續(xù)的分割過程，這一步可以減小不均勻光照以及光斑的影響[21]。

圖4 灰度圖像、背景灰度圖、前景米?；叶葓D以及二值化圖像Fig.4 Grayscale image，background grayscale image，foreground rice grain grayscale image，and binary image

前景灰度圖需要進(jìn)一步進(jìn)行二值化處理，得到二值化圖像。二值化可以將圖像轉(zhuǎn)變?yōu)橹挥? 與1 表示的二進(jìn)制形式[22]，而OTSU 二值化可以通過圖像整體的直方圖選擇出閾值。將某一灰度值作為閾值，圖像中小于閾值的點(diǎn)就是提取對象，而大于閾值的點(diǎn)則是需要去除的背景，而對象與背景會呈現(xiàn)雙峰圖像，OTSU 算法可以根據(jù)圖像直方圖計(jì)算出雙峰圖像的閾值[16-17，21]，經(jīng)過OTSU 算法處理后就能輸出如圖4j～l 的僅有0 值（黑色）和1 值（白色）的二值化圖像。

1.5 特征提取

利用大米的二值化圖像對輸入的大米圖像中的米粒進(jìn)行標(biāo)記。二值化圖像上每一粒米就是一個(gè)獨(dú)立的連通域，通過函數(shù)提取二值化圖像上的連通域，可以返回連通域的數(shù)量、中心等信息，同時(shí)對每一個(gè)連通域附上標(biāo)記，輸出一個(gè)米粒帶有標(biāo)記的灰度圖，標(biāo)記圖如圖5a、c、e 所示。由于每粒大米都帶有一個(gè)標(biāo)記，因此可以根據(jù)標(biāo)記對圖像進(jìn)行分割，提取出圖像中的每一粒米，這一步對于計(jì)算每一粒米的特征十分重要。然后，利用循環(huán)語句將每粒米提取出來，計(jì)算每粒米的面積、長軸、短軸以及長短軸比4 個(gè)特征參數(shù)。米粒的長軸與短軸是通過擬合橢圓的方法得到的，先通過函數(shù)獲得每粒米的邊緣點(diǎn)集，再通過邊緣點(diǎn)集進(jìn)行橢圓擬合，橢圓的長軸作為米粒的長軸，而橢圓的短軸則作為米粒的短軸，圖5b、d 和f 為擬合橢圓后得到的大米圖像。擬合的橢圓還能夠用于在圖像上直觀區(qū)分碎米與整米，通過改變橢圓的顏色，使碎米與整米擬合橢圓的顏色不同即可實(shí)現(xiàn)這一目的。將900 粒米的特征參數(shù)結(jié)合在一起，以.text 文本的格式輸出，文本包括面積、長軸、短軸、長短軸比以及標(biāo)簽，此處的標(biāo)簽為0、1 標(biāo)簽，0 代表碎米，1 代表整米，標(biāo)簽對應(yīng)米粒的真實(shí)情況。

圖5 標(biāo)記圖與擬合橢圓后的圖像Fig.5 Marking diagram and image after fitting an ellipse

2 模型的建立與驗(yàn)證

2.1 數(shù)據(jù)處理

所有模型和算法均基于Python（3.10.7）與R 編程語言（4.2.0）在Win 11 環(huán)境下編寫并測試。分別采用國標(biāo)法和邏輯回歸模型定性判別整米與碎米。

2.2 邏輯回歸模型設(shè)計(jì)

邏輯回歸模型是概率回歸，是一種特殊的線性模型，可以用于預(yù)測概率與數(shù)據(jù)分類[23-24]。本文利用邏輯回歸模型，以4 個(gè)特征變量來判斷圖像中的米粒是否為整米，屬于二分類問題。

一般的線性模型假設(shè)因變量可由變量以線性函數(shù)的形式進(jìn)行表達(dá)：z=θTx=θ0+θ1x1+θ2x2+…+θixi。（式中：T為對θ 向量的轉(zhuǎn)置；θ 為權(quán)重系數(shù)，是模型經(jīng)過訓(xùn)練后估計(jì)得到的參數(shù)；x 為變量，即大米的長軸、短軸、面積以及長短軸比4 個(gè)特征數(shù)值，每個(gè)變量都有對應(yīng)的權(quán)重系數(shù)；i 為變量x 的第i 個(gè)變量。）

在邏輯回歸模型中，線性函數(shù)采用的是sigmoid函數(shù)：hθ（x）=g（θTx）=1/[1+exp（-θTx）]=1/[1+exp（z）]，式中：h（x）是概率，處在0～1 之間，每粒米都有其對應(yīng)的概率，選取閾值進(jìn)行判斷，h（x）小于閾值的判斷為0，即碎米；而h（x）大于閾值的則判斷為1，即整米；z 為線性公式求得的函數(shù)值。

2.3 國標(biāo)法分類

GB/T 1354—2018《大米》[25]中規(guī)定長度小于同批試樣整米平均長度3/4 的米粒為碎米，可見國標(biāo)主要通過長度來區(qū)別碎米與整米。將米粒長軸的像素單位轉(zhuǎn)為毫米單位，統(tǒng)計(jì)得到3 種米（共900 粒）的長度為11～46 mm，判斷閾值的區(qū)間為11～46，步長為2，通過國標(biāo)法得到了19 組數(shù)據(jù)，以19 組數(shù)據(jù)作出柯爾莫可洛夫-斯米洛夫（Kolmogorov-Smirnov，KS）曲線與受試者工作特征（receiver operator characteristic，ROC）曲線，同時(shí)得到KS 值與曲線線下面積（area under the curve，AUC）值，將其與邏輯回歸結(jié)果進(jìn)行對比。

2.4 分類評價(jià)指標(biāo)

利用混淆矩陣得到分類預(yù)測效能的各項(xiàng)定量指標(biāo)（精確率、準(zhǔn)確率、召回率、F1 分?jǐn)?shù)等）。其中，真正類（true positive，TP）是米粒在真實(shí)中為整米，而在模型中被預(yù)測也是整米的數(shù)量；假正類（false positive，F(xiàn)P）是米粒在真實(shí)中為碎米，而在模型中被預(yù)測為整米的數(shù)量；假負(fù)類（false negative，F(xiàn)N）是米粒在真實(shí)中為整米，而在模型中被預(yù)測為碎米的數(shù)量；真負(fù)類（true negative，TN）則是米粒在真實(shí)中為碎米，而在模型中被預(yù)測也是碎米的數(shù)量。

使用準(zhǔn)確率（accuracy）、精確率（precision）、召回率（recall）以及F1 分?jǐn)?shù)（F1-score）4 個(gè)指標(biāo)可以對模型進(jìn)行標(biāo)準(zhǔn)化的衡量[26]，其中F1 分?jǐn)?shù)越接近1 代表輸出的結(jié)果越好，可用于進(jìn)行國標(biāo)法與邏輯回歸模型所得結(jié)果的對比。式（1）～（4）分別為準(zhǔn)確率（A）、精確率（P）、召回率（R）以及F1-score（F）4 個(gè)指標(biāo)的定義式。

式中：Z 為真正類數(shù)值；J 為假正類數(shù)值；N 為假負(fù)類數(shù)值；T 為真負(fù)類數(shù)值。

真正類率（true positive rate，TPR）與假正類率（false positive rate，F(xiàn)PR）的計(jì)算公式如式（5）、（6）所示。

式中：B 為真正類率；C 為假正類率。

每選擇一個(gè)閾值就可以得到一組TPR 與FPR，不斷的改變閾值可以得到多組的數(shù)據(jù)，本文將閾值從0取到1，步長為0.1，得到11 組數(shù)據(jù)。用閾值分別與TPR、FPR 作圖，得到KS 曲線圖，TPR 與FPR 兩條曲線在同一閾值條件下相差最大的值為KS 值，KS 值處于0～1 之間，其越大表明區(qū)分程度越大；以TPR 與FPR作圖，得到ROC 曲線圖，計(jì)算x 軸與ROC 曲線間的面積則得到AUC 值，AUC 值越接近1 則表示模型越好。

3 結(jié)果與討論

3.1 3 種米的特征參數(shù)

泰國香米、吉林小町香米與五常大米各有300 粒米，表1 是3 種米4 個(gè)特征參數(shù)的分布情況。

表1 3 種大米的面積、長軸、短軸以及長短軸比的分布情況Table 1 Distribution of area，long axis，short axis，and long-toshort axis ratio of three types of rice

由表1 可知，泰國香米最長，吉林小町香米最寬，五常大米的面積最大；按長短軸比數(shù)據(jù)來看，吉林小町香米的長軸與短軸最接近，說明吉林小町香米較短圓，而泰國香米的長短軸比數(shù)值較大，說明泰國香米是瘦長型的，五常大米處于二者之間，與圖2 結(jié)果相一致。結(jié)果表明，特征參數(shù)與實(shí)際相符合，因此可以通過選取的4 個(gè)特征參數(shù)代表大米的實(shí)際形態(tài)用于邏輯回歸分析以及碎米、整米的區(qū)分。

3.2 邏輯回歸模型參數(shù)選擇

將泰國香米、吉林小町香米以及五常大米得到的特征參數(shù)結(jié)合在一起，使用建立的邏輯回歸模型處理大米的整體數(shù)據(jù)，考察邏輯回歸方法對大米碎米、整米總體的區(qū)分效果。圖6 為大米的長軸、面積、短軸、長短軸比的箱線圖以及邏輯回歸結(jié)果箱線圖。

圖6 3 種大米數(shù)據(jù)混合后得到的特征參數(shù)箱線圖與邏輯回歸結(jié)果箱線圖Fig.6 Box plots of characteristic parameters and logistic regression results obtained from mixing three types of rice data

由圖6a～d 可知，大米的碎米與整米在4 個(gè)特征參數(shù)上均有較大的重合部分，難以憑借單一的特征參數(shù)將碎米和整米很好地區(qū)分開；圖6e 是大米特征參數(shù)經(jīng)過步進(jìn)法篩選出顯著的影響變量，再經(jīng)邏輯回歸模型處理后得到的結(jié)果箱線圖，通過篩選結(jié)果可以看出面積、長軸、短軸以及長短軸比均是顯著的影響變量，在邏輯回歸處理數(shù)據(jù)的過程中都顯著影響到碎米、整米的區(qū)分結(jié)果，因此4 個(gè)特征參數(shù)的數(shù)據(jù)都要保留并在邏輯回歸中使用。

大米數(shù)據(jù)經(jīng)過邏輯回歸處理后，得到了4 個(gè)特征參數(shù)對應(yīng)的權(quán)重系數(shù)，長軸、面積、短軸以及長短軸比對應(yīng)的權(quán)重系數(shù)分別是－5.35（θ1）、10.93（θ2）、2.86（θ3）和34.59（θ4），θ0的值為－139.97。同時(shí)，算法輸出了一個(gè).text 文本，其中是900 粒大米各自對應(yīng)的概率值，由于經(jīng)過了sigmoid 函數(shù)的處理，概率值均處于0～1 之間。

3.3 國標(biāo)法與邏輯回歸模型分類的對比

將邏輯回歸模型輸出得到的概率數(shù)值與閾值相比，得到大米的0、1 分布結(jié)果。邏輯回歸模型輸出的結(jié)果在不同閾值條件下，通過混淆矩陣計(jì)算得到的TPR與FPR 數(shù)值，總共有11 組TPR 與FPR 值，繪制出邏輯回歸方法的KS 曲線和ROC 曲線。繪制得到的KS曲線與ROC 曲線如圖7 所示。

圖7 邏輯回歸模型的KS 曲線和ROC 曲線Fig.7 KS curve and ROC curve of logistic regression model

由圖7 可知，KS 曲線圖是以閾值為橫坐標(biāo)，TPR或FPR 值為縱坐標(biāo)繪制的曲線圖，TPR 曲線與FPR 曲線在閾值為0.5 時(shí)相差最大，因此KS=max（TPR-FPR）=0.909，即閾值為0.5 時(shí)，建立的邏輯回歸方法對碎米與整米的區(qū)分效果最好。ROC 曲線是以FPR 值為橫坐標(biāo)，TPR 值為縱坐標(biāo)繪制的曲線圖，計(jì)算ROC 曲線的線下面積，得到邏輯回歸方法的AUC 值為0.986 9，與1 非常接近，說明邏輯回歸方法預(yù)測效果較好，對大米的碎米、整米區(qū)分有效果。

通過國標(biāo)法運(yùn)算處理大米數(shù)據(jù)同樣能得到19 組FPR 與TPR 數(shù)據(jù)，繪制的KS 曲線與ROC 曲線如圖8所示。

圖8 國標(biāo)法的KS 曲線和ROC 曲線Fig.8 KS curve and ROC curve of national standard method

由圖8 可知，在閾值為21 時(shí)，TPR 曲線與FPR 曲線相差最大，KS=0.669；計(jì)算ROC 曲線的線下面積，得到國標(biāo)法的AUC 值為0.921 9。

表2 為在最優(yōu)閾值時(shí)，國標(biāo)法和邏輯回歸模型所得結(jié)果的4 個(gè)指標(biāo)（準(zhǔn)確率、精確率、召回率以及F1分?jǐn)?shù)）。

表2 國標(biāo)法與邏輯回歸法的對比Table 2 Comparison between national standard method and logistic regression method

由表2 可知，邏輯回歸模型的準(zhǔn)確率、精確率和召回率都高于國標(biāo)法，且邏輯回歸模型的F1 分?jǐn)?shù)更接近1，證明邏輯回歸模型輸出的結(jié)果更好，對碎米、整米區(qū)分效果優(yōu)于國標(biāo)法。將國標(biāo)法與邏輯回歸法得到的AUC 值以及在最佳閾值下的KS 值進(jìn)行比較，邏輯回歸法得到的KS 值比國標(biāo)法的KS 值大，且邏輯回歸法的AUC 值更接近于1，說明邏輯回歸方法對碎米與整米的區(qū)分效果更好，得到的結(jié)果要優(yōu)于國標(biāo)法，因此采用邏輯回歸方法對碎米、整米進(jìn)行區(qū)分。

3.4 圖像體現(xiàn)碎米與整米區(qū)分結(jié)果

邏輯回歸法最終篩分結(jié)果可以通過圖像得到更直觀的體現(xiàn)。邏輯回歸法得到的全部大米的概率結(jié)果以最優(yōu)閾值0.5 進(jìn)行判斷，得到一個(gè)0、1 分布的最優(yōu)碎米、整米區(qū)分結(jié)果，再將整體的區(qū)分結(jié)果按原順序分開成為3 種大米各比例的區(qū)分結(jié)果，以.text 文本形式輸出。以3 種大米4∶1 比例這一組的圖像為例，將得到的區(qū)分結(jié)果輸入橢圓擬合的算法，將結(jié)果為0 的米粒的擬合橢圓改為綠色，結(jié)果為1 的米粒的擬合橢圓保持原來的顏色不變，輸出區(qū)分圖像，將區(qū)分結(jié)果通過圖像進(jìn)行直觀體現(xiàn)，如圖9 所示。

圖9 原始圖像、邏輯回歸模型得到的碎米、整米區(qū)分圖像以及國標(biāo)法得到的碎米、整米區(qū)分圖像Fig.9 Original image，broken rice and head rice images obtained from logistic regression model，and broken rice and head rice images obtained from national standard method

由圖9 可知，綠色橢圓圈出的是碎米，紅色橢圓圈出的是整米，區(qū)分圖像可以體現(xiàn)出邏輯回歸方法的效果較好。圖9b 與原圖像（圖9a）進(jìn)行對比可以看出,區(qū)分圖中比例為4∶1 的50 粒泰國香米中10 粒碎米與40粒整米完全區(qū)分開。圖9d、e 對比可知，4∶1 的50 粒五常大米中的10 粒碎米與40 粒整米也完全區(qū)分開。圖9g、h 對比可知，50 粒吉林小町香米區(qū)分得到碎米有13 粒，整米37 粒，有3 粒整米被劃分為了碎米，這表明建立的邏輯回歸模型不能完全區(qū)分開碎米與整米，存在一定的誤差。圖9c、f、i 是由國標(biāo)法得到的碎米與整米區(qū)分圖像，50 粒泰國香米中的10 粒碎米只有5粒被識別出來，50 粒五常大米中的10 粒碎米只有8 粒被識別出來，還有1 粒整米被識別成了碎米；而50粒吉林小町香米中10 粒碎米都識別了出來，但是有7 粒整米被識別為了碎米。通過圖像可以清晰地對比2 種方法的篩分效率，邏輯回歸模型得到的篩分效果明顯優(yōu)于國標(biāo)法的篩分效果。

4 結(jié)論

本文使用了邏輯回歸模型對大米數(shù)據(jù)進(jìn)行分析，通過對3 種大米各6 組圖像進(jìn)行碎米與整米篩分，發(fā)現(xiàn)使用邏輯回歸法可以比國標(biāo)法更好地區(qū)分碎米與整米。通過繪制KS 曲線與ROC 曲線，得到邏輯回歸模型的AUC 值為0.987、KS 值為0.909，KS 值對應(yīng)的閾值0.5 為最佳閾值。在閾值為0.5 時(shí)，長軸（x1）、面積（x2）、短軸（x3）與長短軸比（x4）四個(gè)特征參數(shù)都作為變量時(shí)邏輯回歸方法的效果達(dá)到最優(yōu)，對應(yīng)的線性關(guān)系為z=-139.97-5.35x1+10.93x2+2.86x3+34.59x4。將邏輯回歸方法輸出的結(jié)果與圖像相結(jié)合，可以得到更直觀的碎米、整米區(qū)分圖像。在未來的研究中可將建立的模型與機(jī)械臂相結(jié)合，通過機(jī)械臂挑取區(qū)分出的碎米，實(shí)現(xiàn)通過人工智能方法進(jìn)行自動化、低成本的碎米快速檢測與篩分。此模型還可以運(yùn)用到水果、蔬菜等其他食品的篩分與分級中，具有較大的應(yīng)用潛力。