咖啡豆尺寸与筛网分布的摄影测量

《Journal of Agriculture and Food Research》：Photographic measurements of coffee bean size and sieve screen distribution

　　

咖啡豆筛网尺寸（screen size）是生咖啡（green coffee）品质与贸易中的关键分级参数，但传统筛分法耗时且劳动密集。在此，研究人员评估了将咖啡豆放置在已校准参考板上后，使用智能手机拍摄的照片能否获得准确的豆粒尺寸分布。一种基于Python的图像分析算法（image analysis algorithm）测量了2,374颗单粒豆的长度和宽度，这些豆也同时用手持数字卡尺（digital caliper）进行了测量。研究人员进一步利用该图像分析算法，测量了来自另外10个生咖啡样品的19,509颗豆的筛网尺寸分布，并将其与传统机械筛分（mechanical sieving）获得的结果进行比较。图像衍生的长度和宽度测量值与数字卡尺测量值显示出高度一致性，长度的平均百分比差异为1.94%，宽度为1.08%。长度的一致性（R² = 0.98）优于宽度（R² = 0.94），这与宽度估计的几何复杂性更高相符。在受控光照条件下，烘焙程度和光照对准确性的影响极小，而未经控制的室内光照则增加了变异性（p < 0.05）。对于筛分分类，混合效应模型（mixed-effects modeling）检测到摄影测量与机械筛分之间无统计学显著差异（p = 0.976），且平均筛网尺寸与机械结果高度相关（R² = 0.97；均方根误差（root mean square error, RMSE） = 0.22个筛网单位）。研究人员得出结论，已校准的智能手机成像与传统筛分分级高度一致，为不同咖啡产地的豆粒尺寸分类提供了一种便携、低成本的替代方案。

**研究背景与问题**
咖啡豆尺寸是生咖啡质量分级与国际贸易中的核心参数，直接影响烘焙行为（如堆积密度、气流阻力及传热传质速率）及最终产品品质。然而，传统筛分法（mechanical sieving）需将300–350克样品在多层孔径递减的筛网上振动数分钟，耗时且劳动强度大，并受限于离散的筛网类别，可能造成机械损伤。尽管已有研究利用机器视觉（machine vision）进行咖啡豆颜色与缺陷分类，但多数聚焦于二元分类（如好豆与缺陷豆）或品种识别，未能直接复现商业分级系统（如SCA标准）的输出。此外，现有系统依赖专用硬件与受控光照环境，限制了可扩展性。
**研究目的**
本研究旨在验证基于智能手机的摄影测量能否替代传统筛分，实现咖啡豆几何尺寸的定量测量与筛网分布（screen-size distribution）的准确复现。具体目标包括：（1）评估图像分析算法（image analysis algorithm）在测量生豆与烘焙豆长度和宽度时的准确性；（2）判断摄影定量能否可靠地复现生咖啡的传统筛分方法。
**研究结论**
研究表明，在受控光照条件下，智能手机摄影结合校准参考板（reference sheet）可提供与传统筛分高度一致的尺寸分布，且不受咖啡品种与烘焙程度显著影响。该便携、低成本方法为田间分级与供应链质量控制提供了可行替代方案。论文发表于《Journal of Agriculture and Food Research》。

**主要关键技术方法**
研究人员使用Python（基于OpenCV与Matplotlib）开发图像分析算法，通过HSV色彩空间阈值分割检测咖啡豆轮廓，并利用定制参考板（含线性参考条与1×1 cm色块）进行空间校准（像素-毫米转换）。共采集了2,374颗单粒豆（来自5个品种、5个烘焙程度）的图像，与数字卡尺（Mitutoyo 500-196-30）实测值比较；另对10个生咖啡样品（19,509颗豆）进行摄影测量与机械筛分（Octagon Digital筛分机，筛网范围10/64–20/64英寸，按ISO 4150:2011标准操作3分钟）对比。光照条件通过LED光箱（FOSITAN）设置6种组合（照度300–8,500 lux，色温3,300–5,300 K）。

**研究结果**
**3.1 长度与宽度**
通过线性回归分析，算法测量的长度与卡尺测量值高度一致（R² = 0.98，斜率1.03，截距–0.09 mm），平均百分比差异1.94%，95%一致性区间（limits of agreement, LoA）为–2.2%至6.8%。宽度一致性稍弱（R² = 0.94，斜率1.03，截距–0.18 mm），平均差异1.08%，95% LoA为–6.0%至8.6%。宽度差异主要源于几何因素：轴定义差异（算法以最长轴垂线为宽度，而手动测量依赖操作者判断）、豆粒朝向（不同面接触测量）及倾斜（非平行于相机传感器导致低估）。
**3.2 烘焙程度与光照条件的影响**
烘焙程度对长度与宽度的测量误差影响较小：长度中位数差异从浅烘焙的1.55%增至极深烘焙的2.23%，但幅度不足0.7个百分点；宽度仅浅烘焙与中烘焙间存在显著差异（p = 0.013）。在受控光照条件C1–C5（照度300–8,500 lux，色温3,300–5,300 K）下，长度与宽度的误差无显著差异（p > 0.05）；而室内环境光照（C6）导致长度与宽度变异性显著增加（p < 0.05），归因于不一致的光照方向与强度放大阴影效应，降低轮廓稳定性。
**3.3 豆粒筛分**
混合效应模型显示，测量方法（摄影 vs. 机械筛分）对豆粒计数无显著影响（χ² = 0.0009, p = 0.976），且方法×筛网尺寸（p = 0.994）及方法×咖啡样品（p = 1.000）的交互作用均不显著。在样品水平上，平均筛网尺寸的线性回归显示强相关（R² = 0.97，RMSE = 0.22筛网单位，平均偏差–0.06筛网单位）。配对t检验显示，10个样品中6个无显著差异；其余4个（哥伦比亚脱咖啡因、乌干达Bugisu、危地马拉Caracoles与Elefantes）虽统计显著，但实际差异很小（–0.13至–0.39筛网单位），且部分可归因于机械筛分中小豆粒“卡滞”（lodging）效应导致的下筛类别计数偏低。

**讨论与结论**
**讨论部分总结**：图像算法在较小筛网（10–14）上计数高于机械筛分，可能反映机械筛分中豆粒卡滞导致物理滞留，而非图像测量误差。中间筛网（15、17、19）一致性最强。总豆粒计数（19,509 vs. 19,452）高度吻合，57粒差异源于处理与机械筛分过程中的轻微损失。
**结论翻译**：本研究评估了已校准的智能手机成像能否提供与传统方法及商业分级中基于筛网的尺寸分级一致的咖啡豆几何测量。在多样化的品种与烘焙程度下，图像分析算法产生的长度与宽度估计值与手动卡尺测量密切相关，长度的一致性优于宽度。在受控光照下，测量性能在测试的照度与相关色温范围内稳定；相比之下，未受控的室内光照增加了误差与变异性，表明均匀光照是可靠部署的实际要求，这可通过添加廉价（50–100美元）便携式光箱轻松满足。对于生咖啡分级，图像衍生的筛网分布复现了机械筛分分布。混合效应模型检测到方法对计数无影响，表明方法间的一致性在筛网类别与产地间均保持良好。在样品水平上，平均筛网尺寸估计也显示出强一致性（R² = 0.97）、低误差（RMSE = 0.22筛网单位）与最小偏差（–0.06）。系统性差异集中在较小筛网类别，可能反映机械筛分效应（如卡滞）而非图像测量错误。总体而言，这些结果支持了低成本、便携式成像替代方案用于评估咖啡豆尺寸与筛网分布的可行性。该方法有潜力支持农场质量评估与分级，并可整合至咖啡价值链的质量控制流程中。