综述：颗粒状食品形态表征的2D和3D机器视觉技术进展：从实验室到应用

《Journal of Food Measurement and Characterization》：Advances in 2D and 3D machine vision technologies for morphological characterization of granular food products: from laboratory to application

本综述系统梳理了2D与3D机器视觉技术在颗粒状食品形态质量评估中的最新进展。文章指出，2D技术通过图像处理可实现表面颜色异常、几何参数及缺陷的高效检测（准确率>90%），但缺乏空间深度；3D技术通过点云分析能精确测量体积参数并表征细微纹理，但面临成本与计算效率的挑战。二者优势互补，结合数字孪生（Digital Twin）等新兴集成策略，有望构建从表面到内部的端到端质量控制体系，为食品工业自动化质量管理提供理论支撑。

　　

Abstract

颗粒状食品作为全球农业系统的重要组成部分，需要精确的形态评估（如颜色、尺寸和纹理）来进行质量分级和安全保障。传统的工业级人工检测效率低下且主观性强。本综述探讨了用于形态质量评估的2D和3D机器视觉技术的进展。二维方法通过图像处理实现高效的表面分析，在检测颜色异常、几何参数和缺陷（如损伤、霉变、粘连）方面准确率超过90%，但缺乏空间深度信息。相反，通过点云分析进行的3D重建可提供精确的体积测量（厚度和体积）和精细的纹理表征，但在成本优化和计算效率方面面临挑战。两种技术的互补优势显而易见：2D视觉擅长快速表面筛查，而3D技术则能解析复杂的结构细节。新兴的集成策略，包括数字孪生（Digital Twin）和数字指纹（Digital Fingerprinting），在从表面属性到内部特征的质量监控方面展现出潜力。通过将2D系统的成本效益与3D空间精度协同结合，未来的系统有望实现跨生产链的端到端质量控制。本综述比较了技术能力，概述了优化路径，并提出了一个智能检测框架，为颗粒状食品行业的自动化质量管理提供了理论支持。

Graphical Abstract

（此处原为图示，描述综述的核心概念：2D与3D技术的互补与集成，展示从实验室研究到工业应用的路径。）

2D机器视觉：高效的表面筛查专家

2D机器视觉技术主要基于平面图像分析，是当前食品工业中应用最广泛的技术之一。其核心在于通过高分辨率相机捕获颗粒状食品的表面图像，并利用先进的图像处理算法进行特征提取和识别。在颜色评估方面，2D技术能够精确量化颗粒的色度、亮度和饱和度，有效识别因成熟度、病变或污染导致的颜色异常。在几何参数测量上，它可以快速计算出颗粒的长度、宽度、面积、周长等关键尺寸，实现基于尺寸的自动分级。对于表面缺陷，如物理损伤、霉斑、虫蛀以及颗粒间的粘连现象，2D检测系统通过模式识别和深度学习模型，能够达到超过90%的识别准确率，显著优于人眼判断。然而，其局限性在于无法获取物体的三维轮廓信息，例如凸起、凹陷的深度以及精确的体积，这限制了其在需要复杂形态分析场景中的应用。

3D机器视觉：深入三维空间的精密测量

为了克服2D技术的局限，3D机器视觉技术应运而生。它通过激光扫描、结构光、立体视觉或光度立体法等技术手段，获取物体表面的三维点云数据。这些海量的空间坐标点能够精确重建出颗粒的三维模型。基于此模型，可以计算出2D技术难以企及的体积、表面积、球度、厚度等体积参数，这对于评估颗粒的饱满度、均匀性至关重要。此外，3D技术对表面纹理的表征更为精细，能够量化微米级的粗糙度变化，从而识别出更细微的表面缺陷或品质差异。尽管3D测量精度高，但其设备成本相对昂贵，数据处理复杂，计算量大，对硬件和算法的要求更高，这在一定程度上影响了其在工业现场的大规模部署速度。

融合与未来：迈向智能化的端到端质量控制

认识到2D和3D技术的各自优势与挑战，未来的发展趋势是二者的深度融合与协同工作。新兴的集成策略，如数字孪生（Digital Twin），旨在为物理世界的颗粒食品创建高保真的虚拟模型，这个模型融合了2D的表面外观信息和3D的内部结构数据，从而实现对产品全生命周期的动态监控与预测性维护。数字指纹（Digital Fingerprinting）技术则通过提取多维形态特征，为每个批次的颗粒食品建立唯一的身份标识，用于溯源和真伪鉴别。这种“2D快速初筛 + 3D重点详查”的协作模式，有望构建一个覆盖从原料入库、加工过程到成品出库的全链条智能化质检框架。通过协同2D系统的经济高效和3D系统的空间精确，最终实现颗粒状食品行业自动化质量管理的终极目标，即高效、客观、全面的端到端质量控制。