中国是一个农业生产大国,粮食产量己经处于世界领先水平,人民的温饱问题已经基本解决。当前,我国粮食供求的主要矛盾己从数量的不充足转为质量的不理想。2018年更新的《大米》国家标准GB＿T 1354-2018对大米外观品质中垩白米、垩白度以及碎米率等指标提出了更高要求,这些指标直接影响大米等级的划分。目前,大米外观品质检测主要侧重于大米的形状、大小和颜色差异,但随着技术不断进步及大米种类愈发多样,使得大米外观品质检测仍存在许多挑战:（1）传统垩白米分类取决于大米颜色差异,但颜色分类易受到背景颜色、环境光源及诸多干扰因素的影响,增加垩白米分类的难度;（2）垩白米的垩白区域大小分布不均匀、颜色深浅不一,目前垩白度检测所用的图像分割算法,存在检测精度低及鲁棒性差等问题;（3）大米外观品质自动化检测要求高效、高精度和低硬件成本,但现行的高精度目标检测模型对处理器计算能力、硬件配置有较高的要求,其网络模型复杂性也会造成训练和检测的时间成本过高的情况。为了解决以上问题,本文主要开展了以下3个方面的研究工作:（1）提出基于近红外光谱技术的垩白米分类方法。将近红外光谱技术应用于垩白米分类,该技术可采集不同物质成分的光谱数据,从物质成分这一检测维度可避免环境中颜色信息的干扰,提高垩白米分类的精度。本文构建了正常米和垩白米的近红外光谱数据集,并对数据集进行了显著性分析,确定光谱数据可用于垩白米的分类。建立支持向量机（Support Vector Machine,SVM）垩白米分类模型,并采用主成分分析（Principal Component Analysis,PCA）对分类前数据进行降维处理,提高分类模型的准确率。试验结果表明PCA-SVM分类模型准确率为98.29%,较SVM模型增长了1.71%,可以有效实现对垩白米的分类。（2）提出基于图像特征区域提取的图像分割算法。为提升垩白度检测精度和鲁棒性,本文提出了一种基于图像特征区域提取的垩白度检测算法。利用大米垩白区域像素变化的特点,对图像特征变化的边缘进行提取,计算出边缘像素点个数以及边缘的总像素值,从而计算出边缘像素的平均值作为该区域的阈值。最后,利用计算得到的阈值对垩白区域进行分割,并计算出大米的垩白度。试验结果表明,该算法垩白度检测准确率为96.76%,相较于OTSU算法和改进的OTSU算法,准确率分别提高了26.87%和7.26%。在图像抗干扰性测试中,该算法可有效过滤噪声信号,实现了对垩白度的精准检测。（3）提出基于轻量级卷积神经网络的目标检测模型。为提高米粒目标检测的精度和速度,本文提出了一种基于轻量级卷积神经网络的目标检测模型,Mobilenet+Yolo-V4s网络模型。将Mobilenet轻量级卷积神经网络作为Yolo-V4目标检测模型的特征提取主干网络,采用Mobilenet中深度可分离式卷积操作代替Yolo-V4的特征加强网络的标准卷积操作。构建了垩白米、碎米以及正常米的图像数据集,在该数据集上试验结果表明,Mobilenet+Yolo-V4s相较于Yolo-V4模型参数量降低了81.7%,检测速度提高了2.5倍,并取得了91.69%的总平均精度（m AP）。Mobilenet+Yolo-V4s在保持良好的目标检测能力的同时提供了更快的检测速度,且占用了更少的运行内存,实现了对垩白米、碎米以及正常米的目标检测。