张玉荣 陈赛赛 周显青

(河南工业大学粮油食品学院，郑州 450001)

小麦作为一种世界性的粮食作物，也是我国传统主食的主要原料之一，由于其具有良好的耐储存性而成为我国的三大储备粮食之一，做好小麦品质的检测工作对经济的平稳发展具有重要的现实意义和战略意义。随着信息技术的迅速发展，利用图像检测技术对小麦进行外观及品质检测得到广大学者的普遍关注。图像检测技术是将数字图像处理技术和数字图像分析、图像识别技术相结合，开发出的一种能与人脑的部分功能相比拟的技术，以实现理解自然景物和环境的功能［1］。与传统检测方法相比，图像检测技术具有速度快、精度高、信息量大、重现性好等优点。图像检测技术在小麦质量与品质的检测过程中，通常从形态、颜色和纹理等方面对其进行单一指标或者综合评价。目前，该检测技术在小麦种类与品种识别、小麦与类似谷物的分类、质量分级、不完善粒检测、角质率测定等方面已经取得了一定的研究进展。

1 图像检测技术在小麦品种与类似谷物检测中的应用研究

图像检测技术应用于小麦品种识别和检测已有30年的历史，早期的应用主要集中在小麦种类与品种识别以及对小麦和类似谷物或杂质的识别。这主要是由于待识别籽粒之间存在明显的形态或颜色差异，有利于选取特征参数并进行模式识别。

1.1 小麦种类与品种识别的图像检测技术研究

在小麦品质等方面的图像检测技术中，种类与品种识别是最早提出并且已经比较成熟的研究。由于小麦品种繁多，不同品种和地区的小麦在形态、颜色等方面差异显著，导致了不同国家和地区对小麦的分类方法也不尽相同。目前，一些小麦主产国通常都按照小麦的皮色、粒质和播种季节对小麦进行描述和分类，而我国也是将小麦按皮色分为白麦和红麦，按硬度指数分为硬麦和软麦。在我国小麦粒色鉴别的标准方法中，随机取出100粒小麦完整粒，按照GB 1351—2008中红麦和白麦的规定，感官鉴别小麦粒色，但该方法繁琐、费时费力、主观性强，而颜色和形态是图像检测技术容易识别的特征，因此早期的种类与品种识别一般提取差异性比较明显的形态和颜色特征参数进行识别。Zayas等［2］以单个小麦籽粒为研究对象，使用图像检测技术分析小麦籽粒图像，提取了2种红色硬质冬小麦和红色软质冬小麦的9个形态特征，将它们从8种其他品种小麦中成功分离出来。鉴于之前的相关研究，Zayas等［3］又采用长度、宽度、正切、正弦等6个形态特征参数，对含有3种红色硬质冬小麦和红色软质冬小麦的混合样进行识别，识别率为83%～85%，对含有2种红色硬质春小麦和红色硬质冬小麦的混合样的识别率为77%～78%。国内方面，何胜美等［4］提取小麦籽粒的20个形态特征和12个颜色特征，对来自中国4个地区的7个春小麦品种共28个试样进行了识别与分类。其研究结果表明，应用籽粒的形态特征和颜色特征能对小麦的品种和来源地进行有效识别，品种识别率均在95.0%以上，来源地的识别率平均为87.5%。研究中还发现，以图片籽粒特征为单位(将每幅图片中20粒小麦各特征的平均值作为一个观测值)的识别率要高于以单个籽粒特征为单位的识别率。在特征参数选取和算法优化方面，部分学者也做了一定的探索和研究。樊超等［5－6］利用不同品种的小麦在形态、颜色和纹理特征上的差异，分别提取了每种小麦的5个形态特征(周长、面积、矩形度、圆形度、伸长度)、6 个颜色特征(R、G、B、H、S、I分量)和5个纹理特征(能量、熵、对比度、局部平稳性、相关性)共16个特征参数，建立神经网络模型将这些参数作为网络输入应用于小麦品种的分类识别，并研究了小麦品种的识别准确率与品种数量之间的关系。研究结果表明，增加纹理特征后的样本识别率明显高于仅使用形态、颜色两方面特征参数时的识别率。此外，随着小麦品种的增加，分类的准确率会逐步下降，而利用MIV算法计算出各特征参数对分类结果影响的平均值，进而使用遗传算法对网络结构进行优化，可有效提高小麦品种分类的准确性。除此之外，也有一些学者研究了环境条件等因素对识别效果的影响。Manickavasagan等［7］在3种不同光照(白炽灯、环形荧光灯、室内荧光灯)条件下根据小麦灰度图像的灰度值差异识别了处于4种不同含水量(11%、14%、17%、20%)的8种加拿大西部小麦。研究发现，在室内荧光灯环境下识别效果最好。当所有小麦处于同一水分含量时，该环境下的总体识别率为96.0%;将每种小麦所有水分含量的图像混合后识别时，总体识别率只有85.0%，但改进后可达到90.0%。Tahir等［8］认为谷物含水量会对籽粒外观和形态产生显著的影响，因此以水分含量作为可变参数，研究了含水量对小麦和大麦数字图像检测的影响。他们通过设定不同的水分含量，使用神经网络分类器和统计分类器分别对单籽粒谷物和整批谷物样品的籽粒进行了识别，结果显示谷物含水量对单籽粒图像分析的影响不大，其图像特征区别不明显，不利于区分，识别率相应较低，但含水量对整批谷物样品的图像分析有较大的影响。

1.2 小麦与类似谷物分类的图像检测技术研究

在小麦购销过程中，异种粮粒会作为有机杂质处理。因此，能否对异种粮粒进行准确识别将影响小麦的品质评定。由于大麦、黑麦、燕麦等谷物与小麦外观特征较为接近，在分类识别中容易发生误判的现象，导致对这一领域的研究较种类识别稍晚，并且研究方向偏重识别精度的提高和算法的选取和优化。Paliwal等［9］使用图像分析算法研究了谷物籽粒的长度、形状和颜色特征，建立了用以区分加拿大西部红春麦和琥珀杜伦麦以及大麦、燕麦和黑麦的数学模型。研究指出，形状对籽粒识别影响最大，其次是颜色，长度影响最小。运用该算法对上述谷物进行分类，加拿大西部红春麦和燕麦的识别率分别为100%和99%;由于加拿大西部琥珀杜伦麦中的一些未熟粒和皱缩粒容易被错分为黑麦，一些籽粒比较大的黑麦容易被错分为加拿大西部红春麦，这两种谷物的识别率略低，分别为94%和95%;大麦由于籽粒表面有芒，会影响长度和形状的识别，但其识别率也达到了93%。Luo等［10］从谷物籽粒图像获取了其形态和颜色特征，使用两种统计分类器和一种神经网络分类器对5种谷物籽粒进行分类并对加拿大西部红春麦的不同破损粒进行了识别。对于籽粒的分类以及加拿大西部红春麦完善粒和破损粒的识别，K近邻统计分类器和多层神经网络分类器得出了较好并且相似的结论。该分类器通过分析提取的15个形态特征和13个颜色特征，对加拿大西部红春麦和琥珀杜伦麦以及大麦、黑麦和燕麦的平均识别率分别为 98.2%，96.9%，99.0%，98.2%和 99.0%;通过提取的4个形态特征和24个颜色特征参数，对加拿大西部红春麦完善粒和6种受损粒的平均识别率也达到了96.7%。Majumdar等［11］以加拿大西部20个种植区域的红春麦、加拿大西部琥珀杜伦麦、大麦、燕麦和黑麦作为分析对象，采用23个形态特征参数对谷物识别作了深入细致的研究，采用其中最重要的10个形态特征对试验组进行识别，对上述5种谷物籽粒的识别率分别为 98.9%、93.7%、96.8%、99.9%和81.6%。Zhang等［12］以加拿大西部 30 个种植区域的红春麦、大麦和燕麦作为识别对象，通过研究籽粒的纹理特征建立了综合纹理识别模型，该模型利用灰度共生矩阵提取了8个纹理特征并用多分形模型提取了10个纹理特征，然后结合BP神经网络，使上述3种谷物的平均识别率达到95%。大部分研究在初期都已设定好要使用的特征参数，而Choudhary等［13］研究了不同特征组合下的识别精度。研究选取加拿大西部红春麦、加拿大西部琥珀杜伦麦、大麦、燕麦和黑麦的单个籽粒彩色图像中提取的形态、颜色、纹理和小波特征，分析了在单特征模型、两特征组合模型、三特征组合模型和四特征组合模型下的识别率，并分别用线性分类器和二次分类器比较了不同谷物的分类精度。研究结果表明，在单特征模型下，采用纹理特征对5种谷物进行识别的平均识别率最高，为92.2%;在两特征组合模型中，采用形态－纹理这一组合模型时识别的平均识别率最高，为96.3%;在三特征组合模型中，采用形态－纹理－小波组合模型时对5种谷物的平均识别率最高，为96.9%;当综合采用这四种特征时，总体平均识别率达97.0%，对上述谷物籽粒的识别率分别可达 99.4%、99.3%、98.6%、98.5%和 89.4%。此外，利用线性分类器的识别精度要高于二次分类器的识别精度。

1.3 小麦与杂质识别的图像检测技术研究

小麦中的杂质是指除小麦籽粒以外的其他物质，包括筛下物、无机杂质和有机杂质。其中，无机杂质包括砂石、煤渣、砖瓦块、泥土等矿物质及其他无机类物质，有机杂质包括无使用价值的小麦，异种粮粒及其他有机类物质。由于杂质与小麦的形态特征差异明显，识别较为容易。Zayas等［14］用多元判别分析等模式识别方法区别混合小麦和非小麦组分，以及非小麦组分中的草籽和石头。结果发现，仅区分小麦与非小麦组分时，识别效果较好;而在非小麦组分的识别中，其中的四种草籽也能较好识别，但石头识别效果不佳，在识别时需用物理方法剔除。Paliwal等［15］提取了5种谷物和5种有机杂质的形状、颜色和纹理共230个特征参数，并建立神经网络模型对谷物和有机杂质进行了分类识别。结果表明，不仅是谷物，有机杂质也可以通过图像分析得到很高的识别率(加拿大西部红春麦、荞麦等谷物和一些有机杂质由于特征参数容易提取，识别率将近100%，而谷壳、麦穗等有机杂质的正确识别率也在90%左右)。研究还指出，综合利用形态、纹理和颜色这三类特征建立的模型对样品的识别率要远远高于单独使用某一类特征建立的模型，但是要控制输入参数的数量，因为过多的特征参数会使分类器的识别能力退化。

2 图像检测技术在小麦质量检测中的应用研究

小麦质量检测一般涉及容重、千粒重、不完善粒、硬度指数、水分、色泽和气味等指标，在我国将容重作为小麦定等指标，而不完善粒等指标一般也作为小麦质量限制指标。与小麦品种识别相比，利用图像检测技术进行小麦质量检测时需要提取的小麦籽粒特征参数较多，使用的检测方法也更多样化。

2.1 小麦不完善粒的图像检测技术研究

不完善粒是衡量小麦质量优劣的限制指标，是指受到损伤但尚有使用价值的小麦籽粒，包括虫蚀粒、病斑粒、破损粒、生芽粒和生霉粒，其实质就是小麦的胚或胚乳受到机械损伤或生理变化和微生物的侵害，导致其种用品质和食用品质下降的一种变化［16］。此外，在小麦流通过程中，不完善粒含量是小麦增扣量的依据，且不完善粒对小麦容重有显著影响，因此对小麦不完善粒检测技术的研究对正确评定小麦等级也有着重大的意义。Thomson等［17］通过获取小麦的三维图像和小麦籽粒表面反射光强度的图像，对小麦的两个不同品种以及小麦正常粒和生芽粒进行了识别。研究指出，综合考虑从两种图像中提取出的14个特征参数，对小麦品种的识别率可达94%;采用逐步判别分析选择的4个特征用于正常粒和生芽粒的识别，对生芽粒的识别率为89%，正常粒的识别率为83%。Luo等［18］通过提取小麦籽粒的24个颜色特征和4个形态特征参数，分别使用参数分类器(二次判别分类器)和非参数分类器(K近邻分类器)在3种特征模型下对小麦完善粒与6种损伤粒进行了识别。结果表明，颜色特征可有效显示完善粒与损伤粒之间的特征差异，而形态特征有助于识别破损和皱缩的小麦籽粒，综合考虑颜色和形态特征并使用K近邻分类器可以较好的对不同籽粒进行识别，其对完善粒和6种损伤粒的平均识别率均在90%以上。由于生芽粒、虫蚀粒等不完善粒的密度等特征与完善粒有明显差异，而以可见光作为光源进行图像采集难以反映籽粒内部特征差异，因此一些学者以X射线、光谱图像代替可见光图像。Neethirajan等［19］根据小麦生芽粒与正常粒的密度不同，分别获取其软X射线图像并利用Matlab提取出17个主要图像特征，然后分别用统计分类器和神经网络分类器对生芽粒和正常粒进行识别。结果表明，软X射线图像可以较好地显示出生芽粒和正常粒的差异，统计分类器对生芽粒和正常粒的识别率分别为87%和92%，而建立的4层神经网络分类器对生芽粒和正常粒的识别率分别可达到90%和95%。Singh等［20］利用近红外高光谱成像系统和彩色成像系统扫描了小麦正常粒和被4种不同害虫蛀蚀的虫蚀粒，将降维后的高光谱数据和从彩色图像中提取的颜色、纹理和形态特征参数作为3种统计判别分类器和一种神经网络分类器的输入，并比较不同分类器在不同输入参数下对正常粒和虫蚀粒的识别效果。研究结果显示，近红外高光谱图像特征与彩色图像特征相结合可以很好的对虫蚀粒进行识别，并且运用二次判别分类器对样品进行识别的效果最好，其对正常粒和虫蚀粒的识别率分别为96.3%和91.0%～100.0%。

2.2 小麦角质率和硬度的图像检测技术研究

小麦籽粒硬度是其重要的品质指标，它通过影响润麦加水量、润麦时间长短、出粉率、小麦粉颗粒度大小及破损淀粉粒数量，最终决定小麦磨粉品质和加工品质。硬度关系到小麦籽粒品质的分级，根据硬度指数大小可将小麦分为硬质和软质两大类［21］。小麦角质率的测定一般采用目测法，做法是从小麦样品中随机取出约100粒正常的小麦，将每粒小麦用刀片从中部横向切断，玻璃状透明体(角质胚乳部分)占本籽粒截面1/2以上的小麦定义为角质粒。角质粒的总粒数占所取样品粒数的百分数，即为小麦角质率［22］。传统检测方法对角质率的测定依赖于人的主观判断，检测结果缺乏稳定性，而图像检测技术可以客观的反映籽粒的角质特性。

近年来，不少国内外学者以可见光作为光源对角质粒的识别进行了研究。Xie等［23］利用小麦籽粒的反射和透射图像检测小麦的角质情况，研究中使用了角质和非角质两种杜伦麦，运用逐步判别分析和人工神经网络建立了分类器。结果表明，采用判别分析方法建立的分类器可对角质情况作出较好的判定，其对角质琥珀杜伦麦和非角质琥珀杜伦麦的识别率分别为92.4%和92.7%。Wang等［24］使用两个图像采集系统，分别获取了每个杜伦麦籽粒的反射图像、侧面透射图像和透射图像，并将提取的空间和颜色共104个特征参数作为人工神经网络模型的输入，对籽粒的角质情况进行了识别。研究结果表明，使用透射图像的特征参数作为模型的输入，对籽粒角质情况的识别效果最好，其对非角质粒和角质粒的识别率分别为100%和92.6%。研究还指出，运用透射图像采集系统对角质情况进行检测，不仅识别效果最好，还可减少检测系统硬件和软件的成本，更适于普及应用。

国内方面，在运用图像分析技术进行角质率和硬度的研究中，河南工业大学近年来有较多的探讨。范璐等［25－26］测定了40种红麦的硬度以及13种白麦的硬度和角质率，并采集了经不同方法处理的红麦和白麦的反射扫描图像，获取其色泽参数，将色泽参数与抗粉碎硬度指数以及角质率进行线性回归，证明利用小麦图像的色泽特征参数来测定其角质率和硬度是可行的。范璐［27］应用图像分析技术，运用扫描仪以透射扫描方式对43种红麦籽粒图像进行采集，分别在RGB、CMYK、HSI和Lab色彩模式下提取其色泽参数，并研究了色泽参数值与角质率直线回归的相关性。结果表明，在透射扫描方式中，红麦图像的色泽特征参数与角质率显著相关，并且CMYK模式中的青色分量和RGB模式中的红色分量可以作为最佳特征参数。范璐等［28］在不区分红麦和白麦的情况下，测定了53种小麦的角质率和抗粉碎硬度指数。同时，使用扫描仪采集小麦剖面的反射图像，分别对每种小麦反射图像进行分析，提取其色泽参数，将色泽参数与角质率和抗粉碎硬度指数进行线性回归。结果显示，小麦剖粒反射图像包含与小麦角质率有关的信息，色泽参数与角质率和硬度之间显著相关，可选取相关系数最大的RGB模式中的蓝色分量或CMYK模式中的黄色分量作为最佳特征参数。

2.3 小麦品质检测与分级的图像检测技术研究

小麦的等级划分需要考虑多方面的指标，国标以容重作为定等指标，而水分、杂质和不完善粒含量对小麦的容重都有显著的影响。因此，运用图像检测技术对小麦进行检测分级的过程比较复杂，现有的研究一般都在分级精度要求不高的情况下进行。王志军等［29］利用不同品质的小麦在形态特征和颜色特征上的差异，运用图像处理和人工神经网络技术对小麦品质进行了自动化评价。在黑色毛面纸板背景下，使用数码像机获取包含优质、次质和劣质3个等级的混合小麦样品图像。应用分水岭算法对小麦图像进行分割并计算小麦籽粒图像形态学特征参数和色泽参数，利用所提取的每个小麦籽粒的12个形态特征参数和12个色泽参数，采用BP神经网络建立起小麦粒径外观品质评价模型，并应用于小麦品质的识别。多次建模运算表明，该方法对优质小麦的识别率可达92.7%，由于次质与劣质小麦的外观特征容易混淆，对两者的识别率较低，但是将次质和劣质小麦样品归为一类进行建模时，该模型对测试集小麦样品的平均识别率可达93.0%。

3 结语

伴随着信息技术的迅速发展，基于图像检测技术的小麦质量与品质检测已经取得了一定的研究成果，该技术在小麦品种与种类识别、杂质与不完善粒的识别、角质和硬度的测定、小麦品质检测与分级等方面均受到广大学者的普遍关注。在图像检测技术的研究与应用中，也已经逐步实现了从黑白图像到彩色图像采集，从二维图像信息到三维空间数据信息提取的重大改变，并将图像与光谱技术相融合的高光谱成像技术引入到小麦质量与品质检测研究中，使特征信息的提取及处理方法更加多元化。应用方面，将图像检测技术与光电转换技术、信号处理技术相结合的小麦色选机已经用于小麦加工检测流程中。由于其能够将常规清理设备无法清除的小麦病斑粒、生霉粒等异色粒以及与小麦籽粒大小、比重相似的杂质清除掉，具有较高的自动化水平和检测效率，已经受到面粉厂等小麦加工企业的普遍重视。

图像检测技术在小麦质量与品质检测中的应用研究虽然取得了一定进展，但其研究成果离大规模实际应用仍有一定距离，还存在许多需要解决的问题。如:1)识别或检测精度不高。主要原因是识别方法和特征参数选取方法尚不够成熟，导致图像检测技术对小麦品种进行识别或对其质量进行检测时，特征差异显著时有较好的识别或检测结果，而对特征差异不显著的样品识别率或检测结果则不太理想。2)目前的研究中图像采集仍以静态图像采集为主，虽然动态图像采集技术也有所发展，但与静态图像相比其图像特征表现能力仍比较低，难以实现实际检测中动态、实时检测的需求，如何从快速运动的小麦群体中提取有效特征信息，是一个亟需解决的问题。3)技术与应用融合较少。基于图像检测技术的小麦质量与品质检测大多以基础理论研究为主，距实际应用仍有一定差距，相应的检测仪器或设备也较少。开发相应的检测方法和评价体系，发展快速、实时、高灵敏度的在线检测和无损检测，研制相应的检测仪器和设备，是时代的需求也是小麦质量检测的发展趋势，应该加强研究力度。4)检测指标过于单一。之前的检测技术多集中于小麦品种识别、小麦籽粒的单一品质检测，对小麦综合品质检测的应用研究比较少，且对小麦的品质检测多停留在利用籽粒形态、颜色和纹理特征进行的定性分析上，还达不到品质检测的定量分析，致使类似不完善粒、杂质含量等指标的检测达不到预期的效果。利用图像检测技术研究小麦的综合籽粒品质性状和内在品质性状，建立与标准检测方法对比的样本库，将图像检测技术运用于实际检测如小麦流通过程中的现场等级评定、中央储备粮的轮换检测并研制相应的在线检测设备，从简单的品质性状识别上升为定性定量分析，将是今后研究需要关注的重点。

［1］张铮，王艳平，薛桂香.数字图像处理与机器视觉［M］.北京:人民邮电出版社，2010，7 －8

［2］Zayas I，Pomeranz Y，Lai F S.Discrimination between Arthur and Arkan Wheats by image analysis［J］.Cereal Chemistry，1985，62(6):478 －480

［3］Zayas I，Lai F S，Pomeranz Y.Discrimination between wheat classes and varieties by image analysis［J］.Cereal Chemistry，1986，63(1):52 －56

［4］何胜美，李仲来，何中虎.基于图像识别的小麦品种分类研究［J］.中国农业科学，2005，38(9):1869 －1875

［5］樊超，夏旭，石小凤，等.基于图像处理的小麦品种分类研究［J］.河南工业大学学报，2011，32(5):74 －77

［6］樊超，夏旭，石小凤，等.基于优化神经网络的小麦品种分类研究［J］.河南工业大学学报，2012，33(4):72－76

［7］Manickavasagan A，Sathya G，Jayas D S.Comparison of illuminations to identify wheat classes using monochrome images［J］.Computers and Electronics in Agriculture，2008，63(2):237－244

［8］Tahir A R，Neethirajan S，Jayas D S，et al.Evaluation of the effect of moisture content on cereal grains by digital image analysis［J］.Food Research International，2007，40(9):1140－1145

［9］Paliwal J，Shashidhar N S，Jayas D S.Grain kernel identification using kernel signature［J］.Transactions of the ASAE，1999，42(6):1921 －1924

［10］Luo X，Jayas D S，Symons S J.Comparison of statistical and neural network methods for classifying cereal grains using machine vision［J］.Transactions of the ASAE，1999，42(2):413－419

［11］Majumdar S，Jayas D S.Classification of cereal grains using machine vision:I.morphology models［J］.Transactions of the ASAE，2000，43(6):1669 －1675

［12］Zhang Gong，Jayas D S，Jiang Deyun，et al.Grain classification with combined texture model［J］.Transactions of the CSAE，2001，17(1):149 －153

［13］Choudhary R，Paliwal J，Jayas D S.Classification of cereal grains using wavelet，morphological，colour，and textural features of non － touching kernel images［J］.Biosystems Engineering，2008，99(3):330 －337

［14］Zayas I，Pomeranz Y，Lai F S.Discrimination of wheat and nonwheat components in grain samples by image analysis［J］.Cereal Chemistry，1989，66(3):233 －237

［15］Paliwal J，Visen N S，Jayas D S，et al.Cereal grain and dockage identification using machine vision［J］.Biosystems Engineering，2003，85(1):51 －57

［16］赵增宝，殷树清，常大理，等.小麦不完善粒的成因及解决办法［J］.粮食流通技术，2009(5):44－45

［17］Thomson W H，Pomeranz Y.Classification of wheat kernels using Three － Dimensional image analysis［J］.Cereal Chem-istry，1991，68(4):357 －361

［18］Luo X，Jayas D S，Symons S J.Identification of damaged kernels in wheat using a colour machine vision system［J］.Journal of Cereal Science，1999，30(1):49 －59

［19］Neethirajan S，Jayas D S，White N D G.Detection of sprouted wheat kernels using soft X － ray image analysis［J］.Journal of Food Engineering，2007，81(3):509 －513

［20］Singh C B，Jayas D S，Paliwal J，et al.Identification of insect－damaged wheat kernels using short－wave near－infrared hyperspectral and digital colour imaging［J］.Computers and Electronics in Agriculture，2010，73(2):118 －125

［21］吴存荣，唐道五，虞泓，等.小麦硬度指数测定技术研究进展［J］.粮食与饲料工业，2008(1):7－9

［22］赵仁勇.小麦硬度测定方法的研究与应用［J］.面粉通讯，2003(4):26－30

［23］Xie F，Pearson T，Dowell F E，et al.Detecting vitreous wheat kernels using reflectance and transmittance image analysis［J］.Cereal Chemistry，2004，81(5):594 －597

［24］Wang N，Zhang N，Dowell F E.Determining vitreousness of durum wheat using transmitted and reflected images［J］.Transactions of the ASAE，2005，48(1):219 －222

［25］范璐，周展明，汤坚，等.图像分析测定红麦硬度方法的研究［J］.中国粮油学报，2002，17(6):28－31

［26］范璐，展海军，周展明，等.图像分析测定白麦的角质率和硬度方法的研究［J］.粮食与饲料工业，2002(4):44－45

［27］范璐.透射图像测定小麦角质率的方法研究［J］.郑州工程学院学报，2002，23(3):53 －55

［28］范璐，杜娟，周展明，等.图像分析技术测定小麦角质率和硬度的方法探讨［J］.河南工业大学学报:自然科学版，2006，27(5):51 －54

［29］王志军，丛培盛，周佳璐，等.基于图像处理与人工神经网络的小麦颗粒外观品质评价方法［J］.农业工程学报，2007，23(1):158 －161.