垩白是影响稻米加工和食用品质的重要因素,准确统计稻米中的垩白信息对于农业相关部门意义重大,而垩白识别是垩白信息统计的关键一步。现有的垩白识别算法主要以传统图像处理算法为主,而实际稻米图像中粘连种子较多且垩白区域图像的颜色、纹理信息较为复杂,基于人为规则的算法在实际垩白识别应用中的表现并不理想。本文研究一种基于深度学习的稻米垩白识别算法,以提高稻米垩白的识别精度。文章主要内容如下:1.本文研究了一种基于凹点匹配的粘连种子分割算法。由于本文设计的垩白识别网络针对单粒种子,故首先要对粘连种子图像进行分割。本文结合形态学操作、凹点匹配以及距离变换函数,对现有分割算法进行了改进:准确性方面,通过减少凹点数量降低了凹点匹配算法的错误率;规则匹配方面,对凹点对的匹配搜索范围进行了优化,在保证分割准确率的同时提高了算法运行效率;最后,本文提出了一种基于距离变换函数的分割算法,弥补了凹点匹配算法无法处理孤立凹点的缺陷,进一步改善了算法的分割效果。2.本文设计了一种专用于单粒稻米垩白识别的全卷积神经网络G-Chalk。根据稻米图像分辨率小、稻米不同部位尺寸相差悬殊的特点,本文从网络特征图融合方式、反卷积方式以及损失函数三个方面对FCN-8s语义分割网络进行了改进,设计出一种适用于稻米垩白识别的语义分割网络G-Chalk。由于目前缺少用于语义分割的稻米数据库,本文构建了单粒稻米种子数据库Chalk4以训练神经网络模型并验证其有效性。本文最后结合大量对比实验选取G-Chalk网络的最佳参数,使网络与现有算法相比垩白识别准确率大幅提升,并且有更强的适应性与鲁棒性。3.本文研究了一种基于灰度共生矩阵的SLIC超像素分割算法。针对SLIC超像素算法在处理低分辨率图像时超像素聚合易出错的问题,本文根据灰度共生矩阵得到的图像纹理信息来改进SLIC算法步骤,使其能够更好地分割出含有准确边缘信息的超像素。将SLIC算法得到的精细边缘来弥补语义分割网络边缘提取粗糙的不足,最终进一步提升整体算法的垩白区域识别精度。4.本文设计并实现了一个统计稻米各项信息的米质分析软件。软件提供良好的人机交互体验,使用户能够高效地对稻米图像中的垩白区域进行识别。