稻米垩白与变色损伤的多特征定量描述符研究

《JOURNAL OF FOOD QUALITY》：A Quantitative Descriptor for Chalky and Discoloration Damage in Rice Grains

　　

摘要：稻米垩白与变色籽粒的品质评定通常受限于主观方法或仅能捕捉损伤粗略信息的单值度量指标，难以表征单颗米粒内损伤的严重程度、精确位置及其在籽粒表面的分散模式。尽管这两类缺陷在视觉上可检测且富含特征信息，但目前缺乏能在单粒尺度上对其严重程度、空间分布及形态进行定量描述的统一框架。为此，研究人员基于5598张高分辨率（2400万像素）高倍率（3.9 μm/像素）图像数据集，提出了一种基于多特征(Multi-feature)的计算机视觉(Computer Vision)框架。该框架包含两个阶段：第一阶段通过K-means聚类(K-means Clustering)对图像进行无监督分割(Unsupervised Segmentation)；第二阶段从分割掩码(Mask)中提取空间(Spatial)、几何(Geometric)及基于强度(Intensity-based)的特征，构建垩白与变色的定量描述符(Quantitative Descriptor)。两类损伤表现出不同模式——变色米粒的损伤面积与距籽粒中心欧氏距离(Euclidean Distance, ED)呈强负相关(?0.75)，表明较小缺陷常定位于籽粒顶端附近；垩白米粒的损伤区域圆度(Circularity)与相对强度(Relative Intensity, RI)差呈强正相关(0.80)，表明更紧凑的垩白区视觉对比度更显著。结果表明，相比仅基于损伤面积百分比的单度量方法，多指标方法能更细致地刻画籽粒品质。从严重程度与空间分散度两个维度量化变色与垩白，为稻米分级提供了更客观且具物理意义的依据。该多度量表征减少了主观性，降低了粗分类或低分辨率成像引起的歧义，并能更好区分不同损伤模式，有助于建立更稳健、可重复、透明的分级体系，提升稻米品质评定的准确性，弥补传统人工检验与计算密集型高分辨率技术之间的鸿沟。

《A Quantitative Descriptor for Chalky and Discoloration Damage in Rice Grains》论文解读

一、研究背景与意义

稻米是全球重要主食，其市场价值与加工、蒸煮品质高度依赖于外观品质，其中垩白（Chalkiness，胚乳中淀粉颗粒排列疏松、透光性差形成的不透明区域）与变色（Discoloration，由虫害、真菌侵染、不当储藏或高温灌浆引起色泽异常的区域）是最核心的视觉缺陷。传统品质评定依赖人工感官判别，结果主观且只能做"健康/部分变色/全变色"等粗分类；工业常用的色选机(Color Sorter)或扫描成像系统也仅以损伤面积占籽粒面积百分比（Degree of Damage, DoD）这一单值度量做二值分选，无法反映损伤的空间位置、分散程度与形状特征。现有国际分级标准（如USDA FGIS、印度FCI）主要依据样品中缺陷粒的数量比例定级，忽视单粒内部损伤的异质性——严重局部垩白与轻微散布垩白可能被归为同类，导致分级精度不足。虽有三维显微CT(micro-CT)可精细重建，但设备昂贵、耗时（单粒约1小时）、数据量大，难以工程化应用。深度学习在农作物图像领域多用于分类或语义分割，少有研究提取具物理意义的形态学量化指标来描述损伤程度与空间分布。因此，研究人员开展了本研究，旨在建立一套基于二维高分辨率RGB图像的、多度量(Multi-metric)的稻米单粒垩白与变色损伤定量表征框架，弥补现有方法只"检测"不"精细描述"的缺口，发表于《Journal of Food Quality》。

二、主要关键技术方法

研究人员采集印度BPT 5204品种精米（2019年产）经色选机剔除后的垩白与变色拒收粒共5598粒（垩白2264粒、变色3334粒），使用Sony α5100相机配Navitar Zoom 6000显微镜头（分辨率6000×4000像素，放大倍率3.9 μm/像素，180 W LED光纤冷光源）在蓝色背景上逐粒定向拍摄。图像预处理将原图缩小至600×400加速运算，转换至HSV色彩空间后通过阈值分割(InRange)获得米粒前景二值掩码并反相提取ROI。采用K-means聚类(K-means Clustering, k=3)对前景像素RGB空间无监督划分为背景、健康区、损伤区三簇，经肘部法(Elbow Method)验证k=2（健康/损伤）为籽粒内部最优簇数；通过后处理按平均灰度高低判定损伤簇（变色取低亮度簇为损伤着红色RGB[255,0,0]，垩白取高亮度簇为损伤着天蓝RGB[70,177,255]，健康区统一着绿RGB[0,255,0]）。从分割掩码中提取三类定量特征：(1)强度特征——损伤区与健康区灰度均值之差的绝对值代入相对强度(Relative Intensity, RI)差公式，及损伤面积占籽粒总面积比即损伤程度(Degree of Damage, DoD)；(2)空间特征——损伤区质心(Centroid)、损伤质心与整粒质心的欧氏距离(Euclidean Distance, ED)、损伤像素坐标相对其质心的标准偏差(Standard Deviation of Damage, 表征分散度)并归一化；(3)几何特征——损伤区圆度(Circularity = 4πA/P²，A为面积P为周长)。以Python+OpenCV+Scikit-learn实现，工作站配置Intel i9-12900 + NVIDIA RTX A4000。另以67粒米样由4名专家目视评分(0–1.0)与模型DoD做对比验证；初步测试长粒香米(PUSA 1121 Basmati)适应性；研制含给料、成像、处理、分拣四单元的自动原型装置，融合上述特征通过Sigmoid映射与加权组合计算综合品质指数(Quality Index)。

三、研究结果

5.1. Correlation Among Damage Quantification Metrics（损伤量化指标间相关性分析）

研究人员对垩白与变色两组数据集各特征做Pearson相关分析。变色组发现DoD与ED呈强负相关(r=?0.75)，即损伤面积越小越远离籽粒中心而靠近顶端；标准偏差(σ_y)与RI差呈中度负相关(?0.46)，DoD与RI差呈中度负相关(?0.43)。垩白组发现圆度(Circularity)与RI差呈强正相关(r=0.80)，即更紧凑的垩白区对比度更大；DoD与ED呈中度负相关(?0.45)；DoD与σ_x、σ_y均呈中度正相关(分别为0.68、0.65)，即垩白面积越大空间散布越广。其余指标组合相关性弱。

5.2. Damage Quantification（损伤量化结果）

5.2.1. Damage Quantification in Discolored Rice Grains（变色米粒损伤量化）

变色组DoD分布范围0.02–0.81（均值0.37，中位数0.36），79%样本DoD≤0.50，仅0.2%达Region IV(0.76–1.00)。RI差范围0.05–0.47，DoD<0.20时RI差升高（小面积变色对比明显易检），DoD>0.30后RI差趋集中于~0.13（大面积变色反而色差弱化难辨）。损伤质心多分布于籽粒上半部靠近顶端处；DoD减小时损伤质心距籽粒质心ED增大，证实小变色斑多偏于籽粒头部。K-means分割中若识别到沿边缘细条状深色带判定为碾磨不净残留糊粉层(Bran Layer)而非真正变色，可反馈碾磨工艺优化。

5.2.2. Damage Quantification in Chalky Rice Grains（垩白米粒损伤量化）

垩白组DoD分布范围0.15–0.91（均值0.58，中位数0.58），50%样本DoD≤0.58。RI差范围0.06–0.61；圆度与RI差强正相关证实紧凑型垩白视觉更突出。垩白损伤质心多重合于整粒质心附近，符合垩白由心/腹部向外扩展的发育特征。DoD与σ_x、σ_y正相关说明大面积垩白在粒内分布更分散。DoD与ED仅中度负相关因垩白始发区多近中心。

5.3. Models Adaptability to Long-Grain Rice（模型对长粒稻米的适用性）

研究人员用PUSA 1121长粒香米样品测试，K-means基于像素强度分布而非固定阈值或形状先验，分割不受长宽比影响，成功量化长粒垩白DoD，证明框架对不同粒形的适应性，后续将扩大品种验证。

5.4. Small-Scale Validation Against Manual Grading（与人工分级的小样本验证）

67粒样本由4名专家独立目视评分与模型DoD对比。专家评分均值与模型接近（垩白专家0.43–0.54 vs 模型0.47；变色专家0.41–0.52 vs 模型0.49），但专家标准差(σ≈0.25–0.33)约为模型(σ≈0.09–0.10)的三倍；专家间Spearman秩相关仅~0.60（垩白）/~0.65（变色），受放大偏见(Magnification Bias)与疲劳影响大。模型基于逐像素线性计算DoD，消除主观波动，一致性显著优于人工。

5.5. An Automated System for Damage Quantification and Quality Indexing of Rice Grains（自动损伤量化与品质指数化系统）

研究人员搭建原型装置：振动给料→光学计数触发→显微平台定位→高分辨率成像→K-means分割与多特征提取→Sigmoid映射各属性得分→加权合成品质指数(Quality Index, 含尺寸/破碎、DoD损伤分、空间分散分、强度分，默认等权可调)→控制多格收集斗按等级分拣，并可输出含直方图与代表图的品质评估报告。

5.6. Methodological Efficacy and Limitations（方法效能与局限）

K-means无监督分割结合多度量特征可有效量化单粒损伤严重程度、位置与形态，较单值DoD更丰富；局限是对光照不均与镜面反射敏感，仅靠颜色强度可能在复杂变色区分割欠佳，未来可引入纹理(Texture)特征辅助；标准化成像协议是复现前提。

四、讨论与结论翻译（浓缩自Conclusion部分）

讨论指出：本研究建立了基于K-means分割的多度量框架，在5598粒样本上揭示——(1)变色粒DoD与距粒心ED强负相关(r=?0.75)，小变色斑偏籽粒顶端，DoD<0.20时RI差增大更易检出；(2)垩白粒圆度与RI差强正相关(r=0.80)，垩白质心趋近粒心，大面积垩白空间更分散；(3)DoD可作为主强度指标，建议按DoD划为低(0.00–0.25)、中(0.26–0.50)、高(0.51–0.75)、极高(0.76–1.00)四级；(4)K-means适用于分割但需注意糊粉层干扰与反光影响。该多特征定量描述符弥补了传统仅依缺陷粒比例的粗分级缺陷，未来可纳入纹理特征、标准化摄制协议并拓展至虫蚀(Peck Damage)、热损、水渍等其他损伤类型，推动更客观、透明、可重复的稻米品质分级体系建立。