稻米定等作为一种食品质量评价方法,通过对部分稻米样品进行检测和评估,从而实现对好米和坏米的评价。近年来,稻米定等因其在粮食安全方面的重要性而受到越来越多的关注,然而相关研究工作的进展十分有限。该问题的难点在于:(1)稻米在摄像机视野中所呈现的区域通常是狭小的,这使得检测单个米粒变得困难;(2)稻米混叠现象的出现会影响稻米检测于稻米识别的精度;(3)好米与坏米在单个摄像头视野中所呈现的相近外观,会使得稻米定等变得困难。为解决上述问题,在本课题中我们首先设计一个稻米传送抓拍设备,该设备可以通过受控的传送方式将米粒进行有序传输,从而为抓拍流程提供一个可靠的稻米输入,抓拍流程则受单个米粒的控制,这可以实现设备对单个米粒的抓拍,有效避免了稻米定等中的稻米混叠现象。其次,我们设计了一种流程化的稻米定等系统,该系统包括图片采集、特征提取、多视角融合、稻米分类四个模块,其中,数据采集模块是利用上述设备从三个角度对稻米完成全方位的信息采集,生成单个稻米三个方位的图像,从而形成多视角的观测信息;特征提取模块是针对所采集到的稻米图像,利用特定的模型来提取图像的颜色、纹理、或高层次特征;考虑到采集数据的多视角特性,多视角融合模块则是对三个图像所提取的特征,通过分析其间的冗余性、互补性、重要性等因素,在避免信息损失的前提下,实现多个特征的有效融合;最后的稻米分类模块是基于融合特征,利用二分类器对目标稻米进行好米与坏米的区分,从而完成稻米定等任务。在该系统流程中,本课题深入研究利用深度模型作为特征提取器,探查卷积神经网络在稻米定等中的性能表现,并研究模型结构与性能之间的规律;同时,本课题还研究并提出了一种基于完备空间学习的稻米多视角特征融合技术,该技术充分挖掘抓拍数据中信息冗余、无损等特点,假设任何一个数据观测均是由完备空间中的某个数据点通过特定变换而得来,以生成式思想来对数据的完备空间进行建模,通过优化则可得到完备空间中的融合特征。基于深度模型的融合特征具有较强的判别能力,可以为后续的分类定等提供有效的特征输入。此外,为了方便方法的优化和实验,本课题中构建了样本量较多的稻米数据集(FIST-Rice),同时开展了大量的对比实验和参数控制实验来评估所提出系统流程和模型的性能,结果表明,所提模型具有较好的分类性能和较高的鲁棒性能。