为了准确检测稻米外观品质,首先需要利用图像处理技术对采集的稻米图像进行分割,将稻米与背景分割开,粘连的稻米图像分割为单粒米,针对单粒米进行理化指标检测,因此图像分割成为稻米品质检测中至关重要的环节。但是在实际稻米图像分割时,存在着米粒本身不规则,整精米与碎米混合以及稻米大小参差不齐等问题,使得在实际稻米图像分割过程中分割困难。首先,研究背景简要陈述了目前粮食无损检测的重要性,介绍了国内外基于传统图像分割算法与基于深度学习的图像分割研究现状以及稻米外观品质检测现状,并且说明了实现自动化无损检测必须要解决稻米图像分割的问题。第二部分主要介绍了目前主流的图像分割算法,分为基于传统图像处理的分割算法和基于深度学习的图像分割算法。基于传统图像处理的图像分割算法主要介绍了模糊C均值算法,分水岭算法以及基于凹点的图像分割算法;基于深度学习的稻米图像分割算法,介绍了CNN,U-Net语义分割网络,Mask RCNN的发展历程及算法原理,分析了目前图像分割算法的优缺点,明确了研究方向。第三部分首先介绍了稻米图像数据采集装置,然后介绍了YOLO算法的核心思想,着重介绍了YOLOv5算法和Deep Sort算法的原理,为了减少数据的冗余性,提出了一种基于YOLOv5的图像匹配算法,使用该算法进行了稻米图像的关键帧提取和目标去重,相较于基于YOLOv5的Deep Sort算法,取得了较好的效果,通过对提取的关键帧进行人工标注,建立了稻米图像数据集,用于后续的图像分割算法的研究。第四部分首先介绍了YOLACT网络的基本原理,接着在稻米数据集上训练测试了Mask RCNN和YOLACT实例分割模型,发现这两个模型直接在整幅图上表现较差,普遍存在漏检和掩码不准确的情况,于是提出了一种稻米图像分割算法,该算法首先使用目标检测网络YOLOv5在整幅稻米图像上快速准确的目标定位,使用边界扩充消除检测框的偏移误差,以此将整幅图像分解为多幅小的稻米图像,最后再利用实例分割网络YOLACT在小幅稻米图像上分割得到最终结果。在稻米数据集上选出了最优的YOLOv5和YOLACT模型参数,与Mask RCNN,YOLACT在整幅图像上分割结果对比,所提出的算法表现出了更低的漏检率和更准确的掩码。将图像分割算法结果应用于稻米外观品质检测,展示了分割结果的准确性对于碎米检测的影响。对于其它图像分割算法在复杂粘连稻米图像分割不准确的问题,也取得了较好的效果,并进行了粒型检测。最后回顾了研究内容和结论,概括了创新点。对提出的算法进行了反思,阐述了算法中的不足与未来研究的方向。