摘要：在全球糧食加工行業(yè)持續(xù)精細(xì)化、智能化發(fā)展的過(guò)程中，大豆作為重要的農(nóng)產(chǎn)品，其品質(zhì)把控直接關(guān)系到下游豆制品、油脂等產(chǎn)業(yè)發(fā)展質(zhì)量與市場(chǎng)競(jìng)爭(zhēng)力。本文對(duì)雜糧色選機(jī)圖像處理技術(shù)在大豆物料的處理中應(yīng)用進(jìn)行了深入的研究。首先介紹了雜糧色選機(jī)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(shù)在大豆物料色選中的運(yùn)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(jìn)，智能識(shí)別技術(shù)融合等方面對(duì)圖像處理技術(shù)的提升策略，并結(jié)合實(shí)際案例分析了圖像處理技術(shù)在大豆選凈率，生產(chǎn)率等方面的顯著應(yīng)用效果，以期為雜糧色選機(jī)在大豆產(chǎn)業(yè)的進(jìn)一步發(fā)展提供理論支持與實(shí)踐參考。

關(guān)鍵詞：雜糧糧色選機(jī)；大豆物料；圖像處理技術(shù)；色選選凈率

隨著人們生活水平的提高，人們對(duì)大豆及其制品的質(zhì)量要求日益嚴(yán)格。大豆在收獲、儲(chǔ)存、加工過(guò)程中不可避免地?fù)饺腚s質(zhì)、異色粒和病斑粒等異物。雜糧色選機(jī)是糧食分選中高效的農(nóng)產(chǎn)品初加工設(shè)備，通過(guò)正常物料與雜質(zhì)在顏色、形狀等瑕疵的光學(xué)特性等方面差異進(jìn)行大豆的精細(xì)分選，對(duì)保障大豆品質(zhì)發(fā)揮著關(guān)鍵的作用。圖像處理技術(shù)是雜糧色選機(jī)的核心技術(shù)，其性能的好壞直接關(guān)系到色選機(jī)的分選選凈率和生產(chǎn)率。因此，對(duì)大豆物料中雜糧色選機(jī)的圖像處理技術(shù)進(jìn)行深入研究與提高具有重要的現(xiàn)實(shí)意義。

1 雜糧色選機(jī)工作原理及對(duì)大豆分選的重要性

1.1 雜糧色選機(jī)工作原理

雜糧色選機(jī)主要由喂料系統(tǒng)、光學(xué)檢測(cè)系統(tǒng)、信號(hào)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(jīng)光學(xué)檢測(cè)系統(tǒng)時(shí)，物料被光源照射，反射光被光學(xué)傳感器接收，轉(zhuǎn)變?yōu)殡娦盘?hào)。而不同的顏色、大小和光學(xué)特性的物料，反射光強(qiáng)度和光譜分布不同，電信號(hào)也不同。信號(hào)處理系統(tǒng)對(duì)這些電信號(hào)進(jìn)行分析和處理，與預(yù)設(shè)的標(biāo)準(zhǔn)參數(shù)進(jìn)行對(duì)比，判定物料是否為合格大豆。如果檢測(cè)到不合格物料，信號(hào)處理系統(tǒng)將發(fā)出執(zhí)行電信號(hào)給剔除系統(tǒng)，隨后氣閥迅速動(dòng)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(chǎn)業(yè)鏈中，優(yōu)質(zhì)的大豆原料是產(chǎn)品品質(zhì)的保證。雜糧色選機(jī)是保障農(nóng)產(chǎn)品安全和品質(zhì)，提升農(nóng)產(chǎn)品附加值重要設(shè)備。通過(guò)雜糧色選機(jī)對(duì)大豆進(jìn)行分選，有利于去除雜質(zhì)和不合格粒，提高大豆的純度和品質(zhì)，如豆制品的口感，色澤，營(yíng)養(yǎng)價(jià)值等，還可以減少后續(xù)加工過(guò)程中的設(shè)備損耗和生產(chǎn)成本。例如，在豆腐制作中，使用經(jīng)過(guò)色選的大豆可以減少雜質(zhì)對(duì)豆腐口感的影響，使豆腐更加細(xì)膩、口感更好；在大豆油生產(chǎn)中，優(yōu)質(zhì)的大豆原料可以提高出油率，同時(shí)減少油脂中的雜質(zhì)含量，提升油脂的品質(zhì)。

2 圖像處理技術(shù)在大豆物料色選應(yīng)用的現(xiàn)狀與挑戰(zhàn)

2.1 現(xiàn)狀

現(xiàn)階段，雜糧色選機(jī)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(jī)被廣泛應(yīng)用。線陣CCD相機(jī)憑借逐行掃描特性，可在大豆物料勻速下落過(guò)程中，精準(zhǔn)獲取其連續(xù)的圖像信息，在大豆單粒通過(guò)檢測(cè)區(qū)域時(shí)，能以高速高精度捕捉其輪廓信息，為后續(xù)分析提供細(xì)致圖像基礎(chǔ)。在圖像處理算法領(lǐng)域，灰度閾值分割算法依據(jù)大豆及雜質(zhì)的灰度差異，通過(guò)設(shè)定合適閾值，將目標(biāo)從背景中分離。例如在識(shí)別黃色大豆中的黑色雜質(zhì)時(shí)，利用灰度值差異可快速篩選出雜質(zhì)區(qū)域。色彩空間轉(zhuǎn)換算法，如從常見(jiàn)的RGB空間轉(zhuǎn)換到HSV空間，能更有效地分離大豆與雜質(zhì)的顏色特征，在處理色澤相近但飽和度、色調(diào)有別的大豆與雜質(zhì)時(shí)效果顯著。還可以采用邊緣檢測(cè)算法，像Canny算法，可精準(zhǔn)勾勒出大豆及雜質(zhì)的輪廓，為形狀特征分析提供支持。

2.2 挑戰(zhàn)

2.2.1 復(fù)雜背景干擾

大豆自然生長(zhǎng)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(xì)、疏密之分。收獲后，大豆常附著泥土、灰塵等雜質(zhì)，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(gòu)成復(fù)雜圖像背景。如大豆表面出現(xiàn)輕微病斑或蟲(chóng)蝕痕跡時(shí)，病斑處顏色可能因霉菌生長(zhǎng)而與正常大豆顏色接近，僅在細(xì)微色調(diào)、飽和度上有差異。傳統(tǒng)算法難以精準(zhǔn)識(shí)別這些細(xì)微變化，易將病斑大豆誤判為正常大豆或雜質(zhì)，影響選凈率。

2.2.2 小目標(biāo)、異料等檢測(cè)困難

在大豆物料中，微小雜質(zhì)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(biāo)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(gè)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(shù)在檢測(cè)此類(lèi)小目標(biāo)時(shí)，因特征提取困難，易出現(xiàn)漏檢情況。在實(shí)際色選時(shí)，這些小目標(biāo)雜質(zhì)混入合格大豆中，降低大豆最終分選質(zhì)量，影響后續(xù)加工產(chǎn)品品質(zhì)[1]。對(duì)混入的金屬物、玻璃、石子、塑料和內(nèi)部空洞的大豆等異物，其內(nèi)部成分改變，難以通過(guò)顏色、形狀等圖像識(shí)別技術(shù)分選出來(lái)。

2.2.3 實(shí)時(shí)性與準(zhǔn)確性的平衡

雜糧色選機(jī)在實(shí)際生產(chǎn)中，為滿(mǎn)足大規(guī)模生產(chǎn)需求，需高速運(yùn)行。一般工業(yè)級(jí)色選機(jī)每小時(shí)處理大豆量可達(dá)數(shù)t甚至更多，這要求色選機(jī)在極短時(shí)間內(nèi)完成對(duì)大量大豆圖像的處理與判斷。然而，提高圖像處理準(zhǔn)確性常依賴(lài)復(fù)雜算法和大量計(jì)算資源。復(fù)雜的深度學(xué)習(xí)算法雖能提升識(shí)別精度，但模型訓(xùn)練和推理過(guò)程計(jì)算量巨大，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，其多層卷積和全連接層運(yùn)算，會(huì)顯著增加處理時(shí)間。增加計(jì)算資源，如采用高性能GPU，雖可加速運(yùn)算，但成本增加且散熱等問(wèn)題也隨之而來(lái)。如何在保證色選機(jī)實(shí)時(shí)處理大量大豆圖像的前提下，進(jìn)一步提升圖像處理準(zhǔn)確性，成為亟待解決的關(guān)鍵問(wèn)題。

3 雜糧色選機(jī)在大豆物料圖像處理技術(shù)的提升策略

3.1 圖像采集硬件優(yōu)化

3.1.1 相機(jī)應(yīng)用

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

0.21 mm，使細(xì)小的瑕疵無(wú)處遁形。提取各處的細(xì)節(jié)信息更清晰，然后再通過(guò)算法將高精度圖像進(jìn)行處理。圖像在經(jīng)過(guò)處理后，其識(shí)別的準(zhǔn)確性和清晰度會(huì)得到顯著提升，原本不太容易被察覺(jué)的細(xì)微特征，在這樣的基礎(chǔ)上也能夠更方便、更準(zhǔn)確地被標(biāo)記出來(lái)，有助于后續(xù)對(duì)大豆及雜質(zhì)進(jìn)行分析、識(shí)別等操作。

3.1.2 多光譜成像技術(shù)

多光譜成像技術(shù)是利用不同的物質(zhì)光譜反射特性差異獲得大豆多個(gè)不同波長(zhǎng)的圖像信息，實(shí)現(xiàn)精確定位。該技術(shù)配有多個(gè)光學(xué)濾波器，可對(duì)入射光分成一定波長(zhǎng)范圍，每個(gè)波段有一個(gè)圖像傳感器。大豆與雜質(zhì)在不同波長(zhǎng)下的反射率存在顯著性差異，例如某些有機(jī)雜質(zhì)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(guò)對(duì)多光譜圖像的分析，可建立物質(zhì)光譜特征庫(kù)，在分選時(shí)將采集的大豆多光譜圖像與特征庫(kù)對(duì)比，從而可以將大豆與雜質(zhì)準(zhǔn)確區(qū)分開(kāi)來(lái)，大大地提高了雜質(zhì)識(shí)別的準(zhǔn)確率。

3.2 算法改進(jìn)

3.2.1 算法應(yīng)用

以卷積神經(jīng)網(wǎng)絡(luò)CNN為代表的深度學(xué)習(xí)算法在圖像識(shí)別領(lǐng)域占據(jù)優(yōu)勢(shì)。CNN由多個(gè)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(guò)卷積核在圖像上滑動(dòng)進(jìn)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(duì)提取的特征進(jìn)行降維，減少計(jì)算量并保存關(guān)鍵信息。全連接層，并根據(jù)提取到的特征做出分類(lèi)判斷。構(gòu)建包含不同品種大豆，各類(lèi)雜質(zhì)以及不同缺陷大豆的大規(guī)模圖像數(shù)據(jù)集來(lái)訓(xùn)練CNN模型。訓(xùn)練過(guò)程中，模型自動(dòng)調(diào)整參數(shù)學(xué)習(xí)大豆和雜質(zhì)特征模式。實(shí)際色選時(shí)，CNN模型能快速準(zhǔn)確識(shí)別大豆圖像中的雜質(zhì)和不合格粒，和傳統(tǒng)算法相比，極大地提高了對(duì)復(fù)雜背景下的微小的雜質(zhì)和病斑大豆識(shí)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(shù)是目前雜糧色選機(jī)通用算法，是一種用于目標(biāo)檢測(cè)的先進(jìn)深度學(xué)習(xí)算法。它將目標(biāo)檢測(cè)任務(wù)視為單一回歸問(wèn)題，通過(guò)一個(gè)卷積神經(jīng)網(wǎng)絡(luò)直接輸出目標(biāo)的類(lèi)別和邊界框坐標(biāo)，從圖像中預(yù)測(cè)出目標(biāo)的類(lèi)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(xué)習(xí)技術(shù)對(duì)大豆色選過(guò)程的優(yōu)化，通過(guò)增加注意力機(jī)制、損失函數(shù)的改進(jìn)、添加目標(biāo)檢測(cè)層等技術(shù)，提升大豆表面缺陷識(shí)別能力，顯著提高了檢測(cè)選凈率和色選生產(chǎn)率。

3.3 識(shí)別技術(shù)融合

3.3.1 光譜分析技術(shù)

近紅外光譜分析技術(shù)基于不同物質(zhì)分子化學(xué)鍵振動(dòng)對(duì)近紅外光吸收差異，實(shí)現(xiàn)對(duì)大豆內(nèi)部檢測(cè)。近紅外光可穿透大豆表皮一定深度，與內(nèi)部物質(zhì)相互作用。將該技術(shù)與圖像處理技術(shù)結(jié)合，在雜糧色選機(jī)中，先利用圖像處理技術(shù)對(duì)大豆外觀顏色、紋理進(jìn)行初步分選，再通過(guò)近紅外光譜分析大豆內(nèi)部空洞、蟲(chóng)洞、嚴(yán)重霉變、塑料、玻璃和石子等異物。對(duì)于外觀正常但內(nèi)部品質(zhì)不符合要求，近紅外光譜分析可準(zhǔn)確識(shí)別并剔除。這種結(jié)合實(shí)現(xiàn)從外觀到內(nèi)部品質(zhì)的全方位分選，滿(mǎn)足不同加工需求，提升大豆產(chǎn)品整體品質(zhì)。

3.3.2 物聯(lián)網(wǎng)的大數(shù)據(jù)分析

利用物聯(lián)網(wǎng)技術(shù)，將雜糧色選機(jī)與生產(chǎn)管理系統(tǒng)連接，實(shí)時(shí)采集色選過(guò)程中大豆圖像數(shù)據(jù)、分選結(jié)果數(shù)據(jù)、設(shè)備運(yùn)行參數(shù)等。通過(guò)對(duì)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(duì)不同產(chǎn)地、不同批次大豆圖像特征和分選數(shù)據(jù)聚類(lèi)分析，建立對(duì)應(yīng)模型。不同產(chǎn)地大豆因生長(zhǎng)環(huán)境差異，外觀和品質(zhì)存在區(qū)別，根據(jù)模型可調(diào)整色選機(jī)圖像處理算法參數(shù)和分選閾值，實(shí)現(xiàn)個(gè)性化分選。通過(guò)分析設(shè)備運(yùn)行數(shù)據(jù)，預(yù)測(cè)設(shè)備故障風(fēng)險(xiǎn)，提前維護(hù)，保障色選機(jī)穩(wěn)定運(yùn)行，提高物料選凈率和生產(chǎn)效率[2]。

4 圖像處理技術(shù)提升在大豆產(chǎn)業(yè)中的現(xiàn)狀與未來(lái)展望

4.1 現(xiàn)狀呈現(xiàn)

大豆產(chǎn)業(yè)中的圖像處理技術(shù)已經(jīng)有了很大的提升。在大豆選凈率方面，雜糧色選機(jī)通過(guò)硬件提升、算法優(yōu)化改進(jìn)及多光譜識(shí)別技術(shù)，能精準(zhǔn)識(shí)別剔除各類(lèi)雜質(zhì)與不合格大豆。選凈率的提高，減少了后續(xù)加工過(guò)程中的重復(fù)篩選與設(shè)備損耗，進(jìn)一步提高整體生產(chǎn)效率一倍以上，可滿(mǎn)足大規(guī)模生產(chǎn)的要求，降低了生產(chǎn)成本，增加了客戶(hù)經(jīng)濟(jì)效益。也提高了下游豆制品的品質(zhì)，色選后優(yōu)質(zhì)大豆原料生產(chǎn)出來(lái)的豆制品，口感更細(xì)膩爽滑，色澤更潔白均勻，市場(chǎng)競(jìng)爭(zhēng)力更強(qiáng)，產(chǎn)品附加值大幅度提升。

4.2 未來(lái)發(fā)展展望

隨著科技的不斷進(jìn)步，雜糧色選機(jī)在大豆物料圖像處理技術(shù)方面將有所突破，企業(yè)要不斷投入研發(fā)，通過(guò)與科研院所的合作，不斷提高色選機(jī)的技術(shù)水平，推出更先進(jìn)更智能的產(chǎn)品。一方面，人工智能技術(shù)會(huì)持續(xù)深度嵌入。強(qiáng)化學(xué)習(xí)算法將使得色選機(jī)能夠根據(jù)不斷變化的大豆物料特性和分選環(huán)境自動(dòng)優(yōu)化圖像處理參數(shù)和分選策略。當(dāng)遇到新的大豆品種或雜質(zhì)類(lèi)型時(shí)，色選機(jī)可以通過(guò)自我學(xué)習(xí)快速適應(yīng)，提高分選的選凈率和生產(chǎn)率，更好地滿(mǎn)足物料品種的分類(lèi)和分級(jí)。另一方面，硬件性能進(jìn)一步改善，超高清，超高速的圖像采集設(shè)備會(huì)不斷涌現(xiàn)，結(jié)合更先進(jìn)的多光譜成像技術(shù)，采集大豆圖像信息更全面和細(xì)微的特征，從而實(shí)現(xiàn)更精準(zhǔn)的大豆品質(zhì)把控。最后，隨著物聯(lián)網(wǎng)，大數(shù)據(jù)技術(shù)的發(fā)展，圖像處理技術(shù)用于大豆物料色選的提升，離不開(kāi)整個(gè)大豆產(chǎn)業(yè)的協(xié)同發(fā)展。因此，通過(guò)色選產(chǎn)品品種情況反饋既能推動(dòng)技術(shù)的進(jìn)一步改進(jìn)，挖掘產(chǎn)品性能提升方法和手段。同時(shí)為種植者提供純凈、優(yōu)質(zhì)大豆的品種提供可行性指導(dǎo)，引導(dǎo)種植者選擇更優(yōu)質(zhì)的品種種植。隨著產(chǎn)業(yè)技術(shù)發(fā)展，雜糧色選機(jī)適用范圍將拓展、延伸至更多雜糧品種中。

5 結(jié)論

雜糧色選機(jī)在大豆物料的圖像處理技術(shù)提升是一個(gè)不斷發(fā)展和創(chuàng)新的過(guò)程。通過(guò)圖像采集硬件優(yōu)化、圖像深度學(xué)習(xí)算法、智能識(shí)別技術(shù)的集成，可以有效解決當(dāng)前圖像處理技術(shù)在大豆物料色選應(yīng)用中的復(fù)雜背景干擾，小目標(biāo)檢測(cè)困難，實(shí)時(shí)性與準(zhǔn)確性不平衡等問(wèn)題，極大提高大豆色選的精度與效率。新型圖像處理技術(shù)雜糧色選機(jī)在實(shí)際應(yīng)用中已經(jīng)取得很好的效果，為大豆加工企業(yè)提高產(chǎn)品質(zhì)量和保證食品安全，提高生產(chǎn)效率提供了有力的支持。但是，高質(zhì)量人工智能圖像處理數(shù)據(jù)對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，對(duì)計(jì)算機(jī)資源需求和算法模型提出更高要求，人工智能技術(shù)在色選機(jī)領(lǐng)域的應(yīng)用帶來(lái)新的挑戰(zhàn)。

參考文獻(xiàn)

[1] 李家瑤.基于高光譜圖像技術(shù)的大豆品質(zhì)無(wú)損檢測(cè)研究[D].成都：四川農(nóng)業(yè)大學(xué)，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(cè)技術(shù)[J].科學(xué)技術(shù)創(chuàng)新，2018（1）：77-78.