《Applied Research》:Machine Vision-Based Morphological Benchmarking and Extrusion Optimization of Analog Rice: A Digital Image Analysis Framework for Agricultural Grain Quality Evaluation
编辑推荐:
模拟米的外观强烈影响产品接受度。本研究开发了一种低成本的Python机器视觉工作流程,用于表征、基准测试和优化挤出模拟米的形态。共使用10个维度、形状和曲率描述符对420粒米粒进行了分析。测量验证使用了40对图像,包括20粒Basmati米和20粒优化模拟米粒
模拟米的外观强烈影响产品接受度。本研究开发了一种低成本的Python机器视觉工作流程,用于表征、基准测试和优化挤出模拟米的形态。共使用10个维度、形状和曲率描述符对420粒米粒进行了分析。测量验证使用了40对图像,包括20粒Basmati米和20粒优化模拟米粒,分别在ImageJ和Python中测量。模拟米采用自制单螺杆挤出机生产,采用6 × 6因子排列的螺杆速度(25–50 Hz)和切割速度(45–70 Hz)设置。每种组合仅制造一次,每批次内取10粒作为子样本。使用固定双因子模型和二次响应面模型来评估观测到的操作窗口。螺杆速度促进米粒伸长,而切割速度对宽度、长宽比、曲率指数(CI)、弯曲角(BA)和总形态误差的影响更强。所有CI值均满足CI≥1。模拟米主效应均值:CI为1.0055–1.0066,BA为1.80°–2.90°。在测试范围内,50 Hz螺杆速度和45 Hz切割速度产生最佳的尺寸匹配。优化后的米粒基于八个维度和形状描述符与Basmati米达到96.6%的相似度。CI和BA作为直线度指标单独评估。中等程度的长度和总误差模型拟合、边界解以及未重复的制造运行限制了外推应用。该工作流程为在线谷物形态评估提供了一种客观且经济实惠的方法。
**模拟米形态的机器视觉评估与挤出工艺优化研究解读**
**一、研究背景与问题提出**
在挤压食品加工领域,如何生产外观接近天然大米的模拟米一直是核心挑战之一。尽管营养成分至关重要,但消费者往往在烹饪前即根据外观判断产品品质。米粒长度、细长度、表面形状和整体均匀性强烈影响大米品质感知,并决定模拟产品是否接近商业上可接受的长粒米。在优质长粒米品种中,Pusa Basmati 1121品种以平均粒长9.00 mm、粒宽1.90 mm、长宽比4.74为特征,是评估米粒形态的理想基准。然而,在基于挤压的模拟米生产中,由于米粒几何形态同时受物料特性和加工条件影响,实现这种细长度水平仍具挑战性。现有研究往往将大米形态评估与挤出加工优化作为独立方向进行探索,而集成多种描述符进行定量基准测试,特别是描述米粒弯曲程度的特征,受到的关注相对不足。目前已报道的研究中,自动图像分析、基于中心线的曲率评估、相似度基准测试与响应面法(RSM)很少被整合于同一框架内。基于此,本研究开发了一种基于机器视觉的综合框架,旨在对挤出模拟米进行形态表征和工艺优化,并展示一种可迁移的数字化质量控制工具,适用于农业谷物加工领域。
**二、研究目标、方法与结论概要**
本研究的目标包括:利用基于Python的自动化机器视觉表征天然大米、商业魔芋米和挤出模拟米的形态;研究螺杆速度和切割速度对米粒形态的影响;以Basmati米为基准进行形态对比;利用响应面法确定最佳挤出条件;评估所开发的机器视觉框架作为低成本、可迁移工具在农业谷物和食品加工系统中进行实时质量监测的潜力。研究结果表明,螺杆速度促进米粒伸长,切割速度对宽度、长宽比、曲率指数(CI)和弯曲角(BA)有更强影响;在测试范围内,50 Hz螺杆速度和45 Hz切割速度产生最佳形态匹配,优化后的米粒与Basmati米实现96.6%的基于八维度和形状描述符的相似度。
**三、主要关键技术方法**
研究人员采用了以下关键技术方法:使用自制实验室规模单螺杆挤出机生产模拟米样品,采用6 × 6全因子实验设计,螺杆速度设置25–50 Hz,切割速度设置45–70 Hz,共36种组合各运行一次;使用消费级数字显微镜(Tomlov TM4K MAX)采集图像,基于Python(OpenCV、scikit-image、NumPy、SciPy)开发图像处理工作流,提取10项形态描述符;选取Pusa Basmati 1121(BR)作为形态基准,通过八项描述符相似度指数进行定量基准比较;使用ImageJ对40幅图像进行测量验证,采用决定系数(R2)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)评估一致性;采用单因素方差分析(ANOVA)和Tukey HSD检验比较天然米组间差异,使用固定双因子模型和二次响应面模型分析挤出参数效应;通过期望函数法确定最优加工条件。
**四、研究结果**
**4.1 数字图像分析框架验证**
研究人员使用40对图像(20粒Basmati米和20粒优化模拟米)对Python工作流程进行了验证,同一组标定图像分别在ImageJ和Python中测量粒长和粒宽。结果表明,两种测量方法高度一致:粒长的决定系数(R2)为0.977,均方根误差(RMSE)为0.071 mm,平均绝对百分比误差(MAPE)为0.63%;粒宽的R2为0.986,RMSE为0.013 mm,MAPE为0.50%。
**4.2 天然米类型的形态特征**
对五种天然米类型的10项形态描述符进行了表征,并经单因素方差分析与Tukey HSD检验(p < 0.05)分组比较。Basmati米(BR)具有最大的平均粒长(8.39 ± 0.68 mm)和最高长宽比(4.06 ± 0.48);白米(WR)粒长最短(7.41 ± 0.47 mm)且长宽比最低(3.20 ± 0.29),呈较短较宽形态;香米(FR)具有最大平均宽度(2.34 ± 0.05 mm)和投影面积(14.02 ± 0.56 mm2)。所有米种的坚实度均在0.97–0.98之间,表明米粒边界光滑。基于最长粒长和最高长宽比的组合特征,Basmati米被选为形态基准。
**4.3 Basmati米、商业魔芋米和挤出模拟米的形态比较**
优化后的挤出模拟米(AR)在粒长(8.19 ± 0.10 mm)、投影面积(12.84 ± 0.53 mm2)、周长(18.90 ± 0.16 mm)和长宽比(4.10 ± 0.21)方面与Basmati米接近,表明所选挤出条件可产出细长的米状颗粒。模拟米的CI(1.0051 ± 0.0014)和BA(1.05° ± 0.85°)低于Basmati米(CI = 1.0105 ± 0.0039,BA = 8.01° ± 2.63°),说明优化后的模拟米比天然Basmati米更直。
**4.4 挤出参数对米粒形态的影响**
**4.4.1 对米粒尺寸的影响**
粒长随螺杆速度增加而逐渐增加,在50 Hz时达到最大值;粒长随切割速度增加而逐渐减小。粒宽的变化远小于粒长:宽度随螺杆速度增加至约40 Hz略有上升后基本保持不变,切割速度在45–55 Hz范围内引起宽度小幅减小。这表明螺杆速度通过物料输送控制纵向伸长,切割速度则通过调节切割时机决定最终籽粒大小。
**4.4.2 对形状描述符的影响**
圆度随螺杆速度和切割速度增加而降低后趋于稳定;圆度在45 Hz螺杆速度时出现最小值,对应更大的米粒细长度。坚实度在所有加工条件下保持在0.966–0.975的一致范围内,表明挤出颗粒的结构完整性未受加工条件变化的影响。
**4.5 曲率表征**
所有模拟米粒的CI值均满足CI ≥ 1,范围为1.0024–1.0144,主效应均值在1.0055–1.0066之间变化。双因子方差分析显示螺杆速度(p = 0.551)和交互作用(p = 0.273)对CI无显著影响,切割速度效应具有统计学显著性(p = 0.005)但幅度很小。BA表现出比CI更大的条件内变异性,主效应均值在1.80°–2.90°之间,切割速度影响显著(p = 0.004)。优化条件下的CI = 1.0051 ± 0.0014,BA = 1.05° ± 0.85°。
**4.6 与Basmati米的形态基准比较**
基于八项维度与形状描述符的相似度得分:优化模拟米为96.6%,糙米为95.4%,香米为92.7%,Huma米为91.8%,白米为89.3%,商业魔芋米为76.5%。商业魔芋米因凝胶形成和模具制造工艺产生较短较圆的籽粒而相似度较低。敏感性检验进一步确认,仅保留长度、宽度、投影面积、周长和坚实度五项较少冗余的直接测量描述符时,优化模拟米与Basmati的相似度为98.0%。
**4.7 响应面建模与优化**
**4.7.1 模型开发**
宽度模型(R2 = 0.808)和长宽比模型(R2 = 0.804)拟合最优,总形态误差模型R2 = 0.696,长度模型R2 = 0.621。切割速度是与总形态误差关联最强的因素,表明在该观测操作窗口中切割速度起主导作用。
**4.7.2 响应面分析**
总形态误差随切割速度增加至约60 Hz而减小,之后增大,呈非线性响应。切割速度的影响大于螺杆速度。长宽比在50 Hz螺杆速度和45 Hz切割速度方向趋于增大。
**4.7.3 优化与验证**
在测试设计空间内,RSM选定螺杆速度50 Hz和切割速度45 Hz为最优条件。预测长度、宽度和长宽比分别为8.092 mm、1.988 mm和4.079,与一次验证运行中10粒籽粒子样本的实验值(8.187 mm、2.000 mm和4.102)符合良好。由于最优解位于设计边界,且每个条件组合仅有一次制造运行,该结果应解释为测试范围内的最佳条件而非全局工艺最优值。
**五、讨论总结与研究结论**
本研究表明,所开发的机器视觉框架仅需消费级数字显微镜和开源Python库即可运行,相比扫描电子显微镜或高光谱成像等实验室成像系统成本大幅降低且更易部署。由于米粒测量、基准测试和工艺优化集成于同一计算流程,该工作流可适应挤出生产线上的在线或近线质量监测需求,通过拟合响应面模型将周期性图像采样与螺杆和切割速度的自动调节相结合。除模拟米外,该十描述符测量框架还可推广至细长谷物、种子和挤出颗粒的质量评估。研究人员建议未来研究在设备安全范围内扩展操作窗口,并采用随机化的独立制造重复运行以进一步验证结果的可靠性。