摘 要随着社会经济的发展和人民生活水平的提高，粮食供求的重要矛盾已经从数量 的不充足转变为质量的不抱负因此，建立稻米质量迅速无损检测措施，无论是在 育种，还是在食品加工和农产品贸易中均有重要意义本文以不拟定性人工智能理 论和化学计量学理论为基本，运用数字图像解决技术、光谱分析技术、小波分析和 模式辨认技术研究影响稻米食用品质的三种重要品质垩白、直链淀粉含量和陈化的 迅速无损检测措施为了提高机器视觉对垩白的辨认精度与适应能力，在稻米垩白品质迅速无损检 测方面，重要研究了如下内容：(1)构建了用于图像采集的计算机视觉系统分别在透射光与反射光环境下 研究了光源、电压、背景等因素对稻米图像质量的影响，从而拟定了适合稻米图像 采集的最佳环境条件，即透射光条件下的最佳拍摄条件为：电压水平为6．4V，光源 为LED灯组，背景为浅蓝色；反射光条件下的最佳拍摄条件为：电压水平为6．0V， 光源为LED灯组，背景为深蓝色2)分析了透射光与反射光条件下采集的稻米图像的直方图，研究了合适的图 像去噪措施与图像分割算法通过不同色彩空间下彩色直方图与灰度直方图分析发 现反射光下采集的图像的灰度分布适合稻米垩白区域的辨认。
设计了加权均值滤波 模板，既消除了噪声，又保护了胚乳区与垩白区的边乔根据图像分割算法．最大类 间方差法的合用范畴拟定了稻米图像在进行垩白辨认时应截取的矩形区域的大小3)研究了具有自适应能力的垩白辨认算法该措施以不拟定性人工智能理 论与云模型为基本，把垩白与非垩白定义为两个定性概念，以一种不对称云和一种 对称云来分别体现垩白与非垩白，以两组数字特性分别描述垩白云与非垩白云通 过对比同一电压下人工目测法、固定阈值法，云分类法的垩白大小检测成果检查云 分类法的精确度，实验成果表白，云分类法比人工目测法的精确度高，云分类法与 固定阈值法(即精确值)的偏差的均值为O．97，人工目测法与固定阈值法(即精确 值)的偏差的均值为1．93；通过对比不同电压下人工目测法、云分类法的垩白大小 检测成果检查云分类法的适应性，实验成果表白，云分类法比人工目测法的适应性 好，用云分类法计算不同电压下同一粒米的垩白大小的原则差均值为O．57，人工目 测法为2．29为了建立稳定性好、预测精度高的稻米直链淀粉含量近红外光谱定量分析模 型，在稻米直链淀粉含量迅速检测方面，重要研究了如下内容：(1)研究了光谱采集参数对稻米近红外光谱响应特性的影响。
通过对同始终 链淀粉含量的稻米在不同参数下采集的光谱的记录分析，拟定最佳采集参数为：扫 描次数为64，辨别率为8cm一，室内温度为15℃2)研究了稻米异常光谱剔除措施和光谱预解决措施为了优化校正集，提 高模型的预测精度，用基于马氏距离准则和基于预测浓度残差准则相结合的措施剔 除了18条因多种主客观因素产生的异常光谱为了消除由于基线的漂移与偏移、 仪器的随机噪声、杂散光等对光谱产生干扰，提高光谱的信噪比，采用多种措施对 稻米光谱进行预解决，并比较了这些措施对建模成果的影响通过模型评价指标的 比较，拟定用原光谱经一阶导数与SG卷积滤波相结合的措施进行光谱预解决3)研究了定量分析措施对建模效果的影响分别用逐渐多元线性回归、主 成分回归和偏最小二乘回归三种定量分析措施对经导数与SG卷积滤波解决后光谱 建立校正模型比较各项模型评价指标发现，偏最小二乘回归(PLS)措施建立的 校J下模型稳定性最佳，预测值与原则值的有关系数最高，预测均方差最小预测值 与原则值有关系数为98．96％，校正均方差为O．62，预测均方差为1．19，交叉检查均 方差为1．58为了建立陈化稻米近红外光谱定性辨认模型，本文重要研究了如下内容： (1)研究了陈化米和非陈化米的近红外光谱响应特性，并运用主成分分析法结合马氏距离研究了不同光谱预解决措施对聚类效果的影响，一方面拟定了用稻米 的近红外光谱进行定性辨认的可行性；另一方面，综合考虑类内距离小，类间距离 大的聚类原则，最后选择不经任何解决的原光谱参与建模。
2)研究了有效的光谱特性提取措施用小波分析不仅能提取敏感的光谱特 征信息，并且可以有效的减少高维空间数据，与支持向量机结合而成的新措施是一 种有效的辨认措施运用db6小波变换得到的77个小波系数作为支持向量机模型 的输入当分解尺度为5时，数据点数由本来的2127个减少至77个3)研究了支持向量机的模型参数选择一方面用没有内部参数的线性函数作 为核函数，变化惩罚因子C，以获得最小的MSE为准则，拟定了最佳的误差惩罚 因子C的值为1000；然后以不同的核函数以及核函数的内部参数建立支持向量机 模型，通过实验发现当核函数为径向基函数，其参数y为16时，所建立的模型辨认 率达98．45％核心词：稻米；垩白；直链淀粉：陈化米；近红外光谱；云模型ABSTRACTWith t：hc developmem of social economy and the enhancement of liVing staIldards， principal comramction between rice supply and dem肌d was traunLsfo肌ed fromiIlSumcient quant时to uIlf．aVourable quali够．Therefore，it waS sigmficant to establish rapid rice qu“it)r detection method for the purpose of rice breedir培，food processing and 仃ade in a酣culture．Chalkiness，锄ylose contem aIld aging of rice haVe key influence on edible qual时of rice．Therefore，i11“s paper’r印id detection m“hods for these mree characters were洲ied based on uncertaint)r anificial neUigence锄d Chemom嘶cs tlleory，usingdigitalimage processing technolo鼢spec砌aIlalysis technolo鼢waVelet aIlalysis andpa：ttem recognjtion technolo醪IIl order t0 iIIlprove identification accuracy aIld adap诎ility for chalkiness iIl compmer Vision system，me main contem about chalkiIless rapid detection method were as f．oUows：(1)Image acquisition enViro眦ent under Visible light w蠲established．A cornputer Vision system for image acquisition waS set up，aIlalyzing such fIactorS on rice image qualit)，aS light source，Voltage，arld background，aIld finally the best enVironmemal condition for rice image aCquisitionⅥ粥detemined．Under仃aIlsmission light，血e beStVoltage waS 6．4V tlle best light waLs LED auld the back伊oulld color waS li曲t blue．Under renected li曲t，the best Voltage waS 6．0V the best light is LED and me background color was deep blue．(2)Histo野锄of the paddy rice image acquired u11der the trallSmitted light aIld the reflected light was analyzed，the印propriate image denoising method and image segmentation algoritllm、Ⅳere studied．The result of analyzing Ilisto笋锄of di航rent colorspace showed that the黟ay scaJe dist曲ution of image collected uIlder the renected lightwaus suitable for chalkiIless recognition．Weighted aVemge VaIue filter template was desiglled in order to not 011ly eliminate the noise but also protect the bouIldary．The image segmentation algoritllIIl—ostu me也od was discussed aIld me rice ilIlage rectangular region size waS determined baSed on it．(3)1k adaptiVe chal虹ness recogIlition algonthm、VaS studied．嘶s memod、Vausintroduced on the basis of tlle urlceIrtaimy artifici甜intelli萨nce t11eor)，aIld tIle cloud model．IIl t虹s method，cM虹ness and non．chal虹ness were defined aS two q砌i诅tiVeconc印ts，觚d men tlley were expressed by aIl aSy咖netrical cloud aIld a sy舢cIletricalIIIcloud separately．Chalkiness cloud锄d non．chall【iness cloud were desc衲ed by t、v0 伊oups of digital charact嘶stics．AIrcificial estimation memod，廿le fixed tllreshold m甜10d 觚d the cloud classification method were uSed i11 chalkiness area detection岫der tlles锄e V01tage Value to test t11e accuracy of cloud claSsification method．The reSult sho、ved that tlle cloud cl嬲sification’s precision waS higher t11a11 anificial estimation method，because the aVerage value of deviation between cloud claussificat。