糙米品质指标及其评价方法研究

论文摘要

为了研究糙米品质及其检测方法，以粳型糙米(辽星)为材料，主要研究糙米不完善粒对其品质的影响，利用基于数字图像技术就糙米不完善粒特征提取、识别、糙出白率、碾白率和碎米含量检测技术及其方法的建立。(1)随着不完善粒含量的增加，容重减小；糙出白率和碾白率升高，糙米整精米率降低、碎米率升高；大米吸水率和膨胀体积逐渐减小，米汤干物质逐渐升高，米汤pH和碘蓝值无明显变化趋势。完善粒、垩白粒、未熟粒、死米三点抗弯曲破碎能力依次减弱，粳糙米和籼糙米白未熟粒、青未熟粒的三点抗弯曲破碎力是完善粒1/2左右，这是造成整精米率降低、碎米率升高的主要原因；粳糙米三点抗弯曲试验所得结果高于籼糙米的，籼糙米碾白后更容易产生碎米。(2)对糙米籽粒进行分类如下：完善粒、垩白粒、未熟粒、死米、被害粒、碎米、黄粒米；采集图片经过灰度转换、二值化处理、中值滤波、图像分割、形态学操作后能够较好去除噪声和异常值，图像边缘平滑，利于特征提取；对完善粒、青完善粒、垩白粒、青垩白粒、白未熟粒、青未熟粒、白死米、青死米、生芽粒、虫蚀粒、异色粒图像参数进行提取、描述和分析，完善粒与其他籽粒之间存在均存在差异，部分差异明显。(3)通过对糙米完善粒、完善粒、垩白粒、青垩白粒、白未熟粒、青未熟粒、白死米、青死米、虫蚀粒、生芽粒、异色粒图片进行图像预处理、特征提取，得到各种不完善粒图片信息。利用主成分分析法对图像特征进行降维处理，得到7个主成分，其方差累积贡献率达到89.765%，保留有效信息。利用7个主成分建立神经网络，对神经网络进行训练，并进行不完善粒识别，完善粒、青完善粒、垩白粒、青垩白粒、白未熟粒、青未熟粒、白死米、青死米、生芽粒、虫蚀粒、异色粒识别正确率分别为：100%、96%、84%，88%、80%、84%、100%、90%、100%、86%、100%。(4)通过分析图像参数与碾白率和糙出白率的相关系数，得出H平均值与碾白率、B平均值与糙出白率的相关关系，建立B平均值与糙出白率、H平均值与碾白率间的回归方程。F检验和t检验表明，检测的糙出白率和碾白率同实测值无显著性差异。以图像面积为整精米、大碎米、小碎米的识别指标，获得最佳识别阈值。建立整精米、大碎米、小碎米图像长轴和、短轴和、周长和、面积和与其重量间回归方程，F检验和t检验表明，与常规方法的测定结果无显著性差异。

论文目录

• 摘要
• ABSTRACT
• 第一章 前言
• 1.1 课题研究背景
• 1.2 国内外研究现状
• 1.2.1 糙米品质
• 1.2.1.1 国内外糙米质量标准介绍
• 1.2.1.2 糙米品质指标
• 1.2.1.3 糙米加工品质
• 1.2.2 图像处理技术在稻米检测中的应用
• 1.2.2.1 粒型检测
• 1.2.2.2 垩白检测
• 1.2.2.3 其他类型籽粒
• 1.2.2.4 加工品质的检测
• 1.4 主要研究内容
• 第二章 不完善粒对糙米品质影响
• 2.1 引言
• 2.2 材料与方法
• 2.2.1 材料
• 2.2.2 主要仪器
• 2.2.3 试验方法
• 2.2.3.1 水分的测定
• 2.2.3.2 样品制备
• 2.2.3.3 不完善粒组成测定
• 2.2.3.4 糙米容重测定
• 2.2.3.5 糙米加工指标测定
• 2.2.3.6 糙米抗弯曲试验
• 2.2.3.7 蒸煮试验
• 2.3 结果与讨论
• 2.3.1 糙米不完善粒组成
• 2.3.2 不完善粒对容重的影响
• 2.3.3 不完善粒含量对糙米加工品质影响
• 2.3.3.1 不完善粒对糙出白率和碾白率的影响
• 2.3.3.2 不完善粒含量对糙米整精米率和碎米率的影响
• 2.3.3.3 糙米抗弯曲特性
• 2.3.3.4 不完善粒含量对蒸煮品质影响
• 2.4 小结
• 第三章 糙米籽粒分类及图像特征提取
• 3.1 引言
• 3.2 材料与方法
• 3.2.1 材料
• 3.2.2 主要仪器
• 3.2.3 试验方法
• 3.2.3.1 糙米籽粒分类
• 3.2.3.2 米粒图像采集
• 3.2.3.3 图像预处理
• 3.2.3.4 提取并分析不同糙米籽粒图像特征
• 3.3 结果与讨论
• 3.3.1 糙米籽粒分类
• 3.3.2 图像采集
• 3.3.3 图像预处理
• 3.3.4 提取并分析不同糙米籽粒图像特征
• 3.3.4.1 完善粒
• 3.3.4.2 青完善粒
• 3.3.4.3 垩白粒
• 3.3.4.4 青垩白粒
• 3.3.4.5 未熟粒
• 3.3.4.6 死米
• 3.3.4.7 被害粒
• 3.4 小结
• 第四章 基于数字图像技术糙米籽粒识别 BP 神经网络建立
• 4.1 引言
• 4.2 材料与方法
• 4.2.1 材料
• 4.2.2 主要仪器
• 4.2.3 试验方法
• 4.2.3.1 糙米图像采集、预处理及特征提取
• 4.2.3.2 主成分分析
• 4.2.3.3 BP 神经网络识别
• 4.3 结果与讨论
• 4.3.1 糙米图像特征提取
• 4.3.2 主成分分析
• 4.3.3 BP 神经网络
• 4.3.3.1 输入和目标向量设计
• 4.3.3.2 网络构建
• 4.3.3.3 网络训练
• 4.3.3.4 BP 神经网络分类
• 4.4 小结
• 第五章 基于数字图像技术糙米加工品质检测方法
• 5.1 引言
• 5.2 材料与方法
• 5.2.1 材料
• 5.2.2 主要仪器
• 5.2.3 试验方法
• 5.2.3.1 糙出白率和碾白率检测方法建立
• 5.2.3.2 整精米和碎米含量检测方法建立
• 5.3 结果与讨论
• 5.3.1 糙出白率和碾白率检测方法建立
• 5.3.1.1 不同碾白时间糙米
• 5.3.1.2 图像预处理
• 5.3.1.3 图像特征提取与参数选择
• 5.3.1.5 糙出白率和碾白率与图像参数相关性
• 5.3.1.6 图像处理方法测定值与其实测值对比
• 5.3.2 整精米和碎米含量检测方法建立
• 5.3.2.1 图像预处理
• 5.3.2.2 米粒标记及长轴、短轴、周长、面积提取
• 5.3.2.3 识别阈值确定
• 5.3.2.4 识别参数选择
• 5.3.2.5 样品重量与图像参数关系确定
• 5.3.2.6 样品检测试验
• 5.4 小结
• 第六章 论文总结与展望
• 6.1 主要结论
• 6.2 创新点
• 6.3 展望
• 参考文献
• 致谢
• 个人简介