大米行业虽是我国农业产业化的一个重要支柱,但目前,我国大米外观品质的多数指标的检测水平不高,多采用人工目测法,不仅检测速度慢,而且检测结果主观性强,从而影响了我国大米在国际市场上的竞争力。随着计算机性价比的提高和图像处理算法的不断完善,将机器视觉技术引入对大米外观品质的检测中已成为提高检测水平的有效途径。本文基于机器视觉技术,结合国家标准,针对大米图像中不可避免的存在籽粒连接的情况,对碎米率、垩白米率的检测算法和大米品种识别的自动检测算法进行了研究。主要研究内容如下:1)为提高图像采集质量,对光照强度和拍摄角度这两个影响大米图像采集质量的主要因素进行了研究,并以大米分割图像中统计的米粒数与实际拍摄的米粒数的比值作为衡量大米图像质量的评价标准,对在各种光照强度和拍摄角度的条件下采集的大米图像质量进行了分析比对。实验结果表明,在黑色背景下选择90°的拍摄角度和光照强度为40～50(Lux)的范围内进行图像采集的效果较好。2)提出了应用形态学中腐蚀、膨胀的算法,在大米籽粒存在连接的情况下,提取单粒大米,从而为进行碎米率和垩白利率的检测提供了前提条件,此算法对于大米籽粒间不存在重叠的情况下,能够取得较好的效果。3)在提取单粒大米籽粒后,根据大米籽粒的面积特征,准确判断出样本中存在的碎米,得出碎米率。实验结果表明,在碎米含量不同和籽粒间连接程度不同的情况下,可达到较高的检测精度,且稳定性好。4)利用双阈值法对大米灰度图像进行阈值分割,分别得到大米籽粒数和垩白区域数,从而实现了垩白利率的检测。实验结果表明,该算法达到了较高的检测精度;5)利用上述算法检测的碎米率和垩白粒率根据国家标准对大米外观品质的等级进行了评价。实验结果表明,此算法可以达到检测大米的外观品质等级的目的。6)利用应用形态学中腐蚀、膨胀的算法提取单粒大米籽粒,然后去除碎米,得到需要进行品种识别的整精米,再对提取的单粒整精大米籽粒进行外观特征提取,然后利用模糊算法优化后的BP神经网络对4个大米进行品种识别,识别精度分别为100%、83.33%、91.65%、100%。