随着社会经济的发展和人民生活水平的提高,粮食供求的主要矛盾已经从数量的不充足转变为质量的不理想。因此,建立稻米质量快速无损检测方法,无论是在育种,还是在食品加工和农产品贸易中都有重要意义。本文以不确定性人工智能理论和化学计量学理论为基础,利用数字图像处理技术、光谱分析技术、小波分析和模式识别技术研究影响稻米食用品质的三种重要品质垩白、直链淀粉含量和陈化的快速无损检测方法。为了提高机器视觉对垩白的识别精度与适应能力,在稻米垩白品质快速无损检测方面,主要研究了以下内容：(1)构建了用于图像采集的计算机视觉系统。分别在透射光与反射光环境下研究了光源、电压、背景等因素对稻米图像质量的影响,从而确定了适合稻米图像采集的最佳环境条件,即透射光条件下的最佳拍摄条件为：电压水平为6.4V,光源为LED灯组,背景为浅蓝色；反射光条件下的最佳拍摄条件为：电压水平为6.0V,光源为LED灯组,背景为深蓝色。(2)分析了透射光与反射光条件下采集的稻米图像的直方图,研究了合适的图像去噪方法与图像分割算法。通过不同色彩空间下彩色直方图与灰度直方图分析发现反射光下采集的图像的灰度分布适合稻米垩白区域的识别。设计了加权均值滤波模板,既消除了噪声,又保护了胚乳区与垩白区的边界。根据图像分割算法-最大类间方差法的适用范围确定了稻米图像在进行垩白识别时应截取的矩形区域的大小。(3)研究了具有自适应能力的垩白识别算法。该方法以不确定性人工智能理论与云模型为基础,把垩白与非垩白定义为两个定性概念,以一个不对称云和一个对称云来分别表达垩白与非垩白,以两组数字特征分别描述垩白云与非垩白云。通过对比同一电压下人工目测法、固定阈值法,云分类法的垩白大小检测结果检验云分类法的精确度,试验结果表明,云分类法比人工目测法的精确度高,云分类法与固定阈值法(即准确值)的偏差的均值为0.97,人工目测法与固定阈值法(即准确值)的偏差的均值为1.93；通过对比不同电压下人工目测法、云分类法的垩白大小检测结果检验云分类法的适应性,试验结果表明,云分类法比人工目测法的适应性好,用云分类法计算不同电压下同一粒米的垩白大小的标准差均值为0.57,人工目测法为2.29。为了建立稳定性好、预测精度高的稻米直链淀粉含量近红外光谱定量分析模型,在稻米直链淀粉含量快速检测方面,主要研究了以下内容：(1)研究了光谱采集参数对稻米近红外光谱响应特性的影响。通过对同一直链淀粉含量的稻米在不同参数下采集的光谱的统计分析,确定最佳采集参数为：扫描次数为64,分辨率为8cm-1,室内温度为15℃。(2)研究了稻米异常光谱剔除方法和光谱预处理方法。为了优化校正集,提高模型的预测精度,用基于马氏距离准则和基于预测浓度残差准则相结合的方法剔除了18条因各种主客观因素产生的异常光谱。为了消除由于基线的漂移与偏移、仪器的随机噪声、杂散光等对光谱产生干扰,提高光谱的信噪比,采用多种方法对稻米光谱进行预处理,并比较了这些方法对建模结果的影响。通过模型评价指标的比较,确定用原光谱经一阶导数与SG卷积滤波相结合的方法进行光谱预处理。(3)研究了定量分析方法对建模效果的影响。分别用逐步多元线性回归、主成分回归和偏最小二乘回归三种定量分析方法对经导数与SG卷积滤波处理后光谱建立校正模型。比较各项模型评价指标发现,偏最小二乘回归(PLS)方法建立的校正模型稳定性最好,预测值与标准值的相关系数最高,预测均方差最小。预测值与标准值相关系数为98.96%,校正均方差为0.62,预测均方差为1.19,交叉检验均方差为1.58。为了建立陈化稻米近红外光谱定性识别模型,本文主要研究了以下内容：(1)研究了陈化米和非陈化米的近红外光谱响应特性,并利用主成分分析法结合马氏距离研究了不同光谱预处理方法对聚类效果的影响,一方面确定了用稻米的近红外光谱进行定性识别的可行性；另一方面,综合考虑类内距离小,类间距离大的聚类原则,最终选择不经任何处理的原光谱参加建模。(2)研究了有效的光谱特征提取方法。用小波分析不仅能提取敏感的光谱特征信息,而且能够有效的降低高维空间数据,与支持向量机结合而成的新方法是一种有效的识别方法。利用db6小波变换得到的77个小波系数作为支持向量机模型的输入。当分解尺度为5时,数据点数由原来的2127个减少至77个(3)研究了支持向量机的模型参数选择。首先用没有内部参数的线性函数作为核函数,改变惩罚因子C,以获得最小的MSE为准则,确定了最佳的误差惩罚因子C的值为1000；然后以不同的核函数以及核函数的内部参数建立支持向量机模型,通过试验发现当核函数为径向基函数,其参数γ为16时,所建立的模型识别率达98.45%。