農林學報 46(4) : 59 - 81 (1997) AWV FO

電腦類神經網路應用於糙米品質檢測之研究

萬一起 1) 楊智超 2)

(接受刊載日期:中華民國 86 年 8 月 31 日)

摘要:本文探討結合機械視覺與類神經網路對糙米品質的檢測，實驗以台農 67 號髓米中屑

米、變色拉、費芽拉、褐色拉、具型拉、碎拉、白星質粒、畸型拉、宋熟拉旦完整拉爵標本，

以影像處理擷取 16 項參數經正現化後輸入不同顯神經網路學習，湖試結果聽示完整拉典人主

分頭相符率超過 94% 、自皇質拉 80% 左右、發芽拉 85% 以上、碎拉 84% 、屑米 79.9

%、未熟拉 75% 以上、真型粒 64% 、褐色拉為 67% 、變色拉 30% 左右、畸型粒只達

29.67% 較不理想。研究亦顯示了現今以主觀方式設定，非量化的檢測標準中有許多並不盡合

理的地方，而以機械視覺量化檢測有其客觀性。

關鍵詞:穎神經網路、稻米品質、機械視覺、自動檢潤

，品主-_

-一、則已

台灣地區目前稻米產銷包括公糧轍驗及

民間大宗稻米交易，大都以糙米為主要品質

檢制對象，故糙米晶質之檢測為稻米產銷中

個重要的問題。圍內稻米產銷依晶質分等

之檢驗，以及分級分價收購的制度尚無法落

實，使得農民普遍揖敢重量不重質的稻米生

產策略，造成政府推展良質米產銷的困難。

而檢驗人員的不足，傳統以人眼主觀檢驗的

等級判定亦容且受外在人情因素的影響，揣

測的客觀性及槍測速度的緩慢皆是問題，因

此開發高效率之稻米品質檢測系統實有其必

要性。應用電腦影像技衛，發展自動視覺樟

測 (AVI) 系統代勞傳統以人眼睛的輸驗方

式，自動客觀的檢驗穀物品質，一直被圍內

外處理穀物交易、加工、品種改良等相關行

業，認鳥是非常需要的研究工作。

在本研究室先前的相關研究中，發展了

糙米品質自動檢測分級系統，並獲得中華民

國兩項發明專利(寓， 1997 ) ，該原型機能

自動槍測每次取像的 24 顆米位，其槍測分級

的程式流程，使用了+四種與糙米外觀品質

相闊的特擻參數，能辨識台農 67 號糙米將之

區分為八頭。機體之動作是直接J;J、 PLC 控

制，而影像處理電腦與機體控制器之間設計

了旗標交換資料。以 C 語言所發展的描米晶

質檢測軟體，能達到使米拉影像處理與檢測

機控制系統連線而並行作業。經初步測試，

平均檢擱一顆糙米所需時間為 0.098 秒，糙

1) 國立中興大學農業機械工程學系副教授。

2) 國立中興大學農業機械工程學系研究生。

60

米整體分頓正確率可達 80% 以上，而輸出完

整粒之正確率超過 95% 。

電腦買賣神經網路使用簡單的人工神經元

來模攝入腦神經系統的架構，具有簡單的自

我組織、學習與容錯能力，可適用自士條件不

甚明確及含有少量錯誤或雜訊的情沮下做決

策判斷。因此對於外觀描述及分額標準不屬

達到如工業產品艦量化的農產品來說，以頡

神經網路進行分組判斷是另一種可行的選

擇。本實驗室所研華之糙米棉測系統已達到

自動化之程度，但若待棚糙米因產期識產地

的不同而造成糙米外觀性狀與系統中所建立

之標準不同時，則必讀對各項決策娶數及決

策流程作偕正，這種被策妻數及快策流程之

設定與調整，需要揖作人員具有足鉤的專業

知識，包括統計方法、程式設計及單富之稻

米檢測經驗。本研究顯示，此決策參數及決

策流程之設定與調整，可以應用電腦額神經

網路，以學習的方式達到，因此將可提高所

研聶橄制系統的適用性。

電腦輯神色祠路應用這怖主主~品質捨j刑之研究

二雄主巨陣，其中各元素即攝像章點 (pixel) ,

其值分佈在 0 至U 255 之間馬詰點的光強度

(intensity) 或稱謂當像素點之 tJ< 階值 (gray

level) 。在大小相同的顯示區中，體素點越多

則聶華{車之解析度 (resolution) 越高 (Gonza­

lez and Woods , 1993) 。輪訓一幅含多顆米

粒的影像，需先將各米粒由整幅最主{象中分離

出來，以利最主f象分析攝制的進行。分割的方

式可先以臨界值法將目標物與背景分離，再

利用間隙追蹤法 (Rosenfeld and K此， 1982)

將目標物之邊界找出。如圖 1 所示厲米粒賣主

f象之統計直方圖 (histogram) ，橫軸馬灰階

值，縱軸攝相對庸之像景點數。由圖中分開

的兩個技峰間可找出一個分界點臨界值 T

(threshold) ，將影像分肩米粒與背景兩個群

組。

陣等(1989) 利用影像處理，收集水稻單

位 73 項外型特擻參數，包括面積、最長軸、

寬、脖尖面積、脖尖上角、去障基吉~ro靜央

部陸的長軸、寬、穀粒周圓最為~出的位置

及其長度等性狀。經由統計分析，選出 11 個

二、文獻探討 參數對台農 67 號、台農 70 號和新竹 64 號

三個水稻品種判別，判別正確率的為 77.32

CCD 軒色攝影機數位化的影像，是 個 %。

/一叫m的一ωMEMO-oz

T f叫ernel

255

Gray level

圖 l 、米粒影像統計直方圖

Fig. 1. Histogram of rice kernel and background

農林學報 46(4) : 59 ~ 81 (1 997)

萬與庫(1996) 應用機器視覺檢驗糙米，

μCCD 對人工分額之台農 67 號糙米樣本取

蝕，找出米拉影f象之量化特徵參獸，包括投

影面積、長短軸比、形狀細密度、米粒上下

端部寬度平均值、平均紅色與結色灰階值、

白里質比等。以統計方式找出其中數項參

數，可分辨檢測台農 67 號糙米中正常粒、褐

米、青末熟拉、著色粒、青死米、腹自粒、

基部未熟拉、畸型粒、發芽拉、自星質拉及

酷碎粒等。在相關研究中(萬等人， 1997 )

以 C 語言發展的糙米影像判別程式，對人主

選出的糙米做翻試，正常拉的辨識芷確率可

達 100% '桐製粒的正確識率宵達 93.3% '

所有糙米粒的平均正確辨識率馬 92% 。

接續上一研究所發展的糙米自動分級輪

訓系統，檢測機之進料散佈機構可使米拉同

一方向整齊地散佈入皮帶之米粒承載孔中，

由皮帶將米粒輸送至敢像區進行歌像及槍

棚，每次敢像可包含 24 顆米粒，由電腦程式

將米粒區分為八頭:完整粒、著色粒、畸型

粒、異型粒、褐色粒、自星質粒、青未熟粒

及屑米，檢測結果由電腦傳送至檢測機之控

制器，控制米粒所屬額別之電磁間，將米粒

吹進輸送導管中並落入所屬額別之收集筒

(萬， 1997 )

Zayas et al. (1 985 , 1986) 使用了外形

與大小等形狀參數來辨識不同等級與品種的

小麥 。 Zayas et al. (1996 ) 結合了硬度重潮

與影像檢測兩種方法，辨識 6 個等級和 17 種

不同的小麥，其中所取的影像是在量測硬度

時經壓過變形的小麥粒，結合所獲得的硬度

及影像辨識的外形參數，可將這些小麥分為

軟硬兩個等級。 Casady 和 Paulsen (1 989)

以工業上應用廣泛的圓盤迴雄震動進料器為

單拉化的進料系統， 發展了將玉米粒單粒化

及定位的裝置，此裝置所設計的機構能將玉

- 61-

米拉經單拉化、輸送、調整方向、定位、敢

像然後分版，單粒化並定位的潤試正確率達

99% 。然而此系統利用了長距離的輸送帶、

轉盤帶動的推桿等機構，一顆一顆的處理玉

米拉，因此其處理速度比較緩慢。 Shatadal

et al.(1 995) 發展程式潰算法，以軟體方式

解決電腦影像檢測穀物時，二穀拉互相靠接

的問題。在以各種麥類所傲的測試中，能正

確將各穀拉分離的比率在 79 到 95% 之間。

同年的另一篇相關的研究報告中，進一步比

較穀拉以人工分離放置或以軟體分離，對辨

識外形差異的影響 (Shatadal et al., 1995) 。

然而其研究中指出，當穀物靠接線較長時，

分離清算較容易失敗，甚至有時會選錯分離

點而讀穀物影像折斷。真研究是以電腦工作

站 (Sun Sparcstation 2) 處理大小為 128 x 132 約含有 20 粒靠接穀物的影像，平均一次

需要 562 秒的處理時間。

電腦額神經網路 (artificial neural

network) ，是利用簡單的處理單元 (process­

ing element , PE) 來模擬生物腦的神經元，

並透過大量 PE 相互連結所形成的網路結構來

實現神經網路的功能。人工神經元數學模型

是由 McCulloch 及 Pitts 所提出的 MP 神經

元 (Zurada， 1992) 0 MP 模型之訊號擻發規

則如下:

( 1, if 玄 WiX，法 T。={tll 還 iζn

lo , if ~ WjXj < T (1)

MP 神經元之輸入端相當於生物模型中

的樹突 ，輸出端則相當於軸突，而加權值則

類似生物神經元之神經連結。當激發性訊號

Xi 輸入，經過加權矩陣之計算， 若訊號總和超過臨界值 T. 則該神經元可被擻鞋，產生

激發性訊號輸出 o 0 顯神經網路根撮不斷送

入的訓練範例，依選定的學習法則，調整網

內L

CU

時虛理單元間的連結加權值，直到達到所設

定的輸出目標，此過程稱之為學習，其學官

方式司分成監督式 (supervised) 與非監督式

學習兩種頭型。

Liao et al. (1 993) 利用機器視覺與額

神組網路判斷玉米粒之破揖或完整，將玉米

粒分肩冠區、棋體區及頂蓋區，並選取八個

形態喜數以倒傳遞額神經網路進行檢測，其

分頭正確率在圓形玉米粒馬 89% 以上，在扁

平陪玉米粒馬 96% 以上，使用 Compaq 386

/33 MHz 之個人電腦，每顆玉米粒由取像至

分重頁完成約需1.5 秒。 Steirnnetz et al.

(1 994 )以紅色影像分割玫瑰間花之花寶典璽

葉，尋找出童的部份，並以贖神經網路對黃

色品種玫瑰進行故現草之直度分析，分純正

確率馬 82% 0 Patel et al. (1 994) 利用機器

視覺與顯神經網路對雞蛋做型縫之值棚，以

128 組灰階直標所對應之偉景點獸，經正揖化

使其值介於 0.0 到1.0 之間，做為贖神經網

路之輸入值，輯神經綱使用T 30 個體繭節點

及 l 個輸出節點，判斷正確率最高可達 90

%'達到了 USDA 的楠湖標準。

謝 (1993) 將乾蟑1年件視攝輸入而乾;揖結

果馬輸出的映射， i故搞學習範憫，求出網路

之連接權重，嘗試建立稻穀乾燥時的會水乾

減車模式。黃(1995) 以胡蘿蔔長軸、對稱

車、直哩車、曲車、細密度及蘭色參數，以

神經串罔聞進行分組，實驗顯示所建立之分組

典人工分級措果其相符度攝制%。

三、實驗設備與方法

本研究使用先前研型之糙米外觀品質攝

制分組構， 如圖 2 所示，經改進幢其特色

CCD 一次可對輸送帶米孔中排列整齊的 30

顆米粒敢 悔 ， CCD 攝影機揖 WATEC

電腦頗神經網路應用於糙主~品質推測之研究

WAT-202B '感光解析虛烏 768 x 494 ' 輸出 NTSC 檀合影色視訊。特色影像攝取卡

為 Coreco Oculus-T間，敢像解析度爵 640

x 480 0 米粒取{象值儲存扭電腦之記憶體

RAM 中，利用個人電腦謹展較快的 CUP 做

影像運算，以加快影像處理的連度。個人電

腦使用 IBM PC/AT Pentium 133 MHz 相

容電腦， 14 吋特色監視器用加顯示星星偉擷取

卡儲存之影像。取像照明使用 PHILIPS

1.3W PL 日光燼。攝影攝取像鐘，以電腦程

式計算各拉髓米之外觀特種參獸，然能輸入

額神經網路中進行分額訓蟬與制試。

研究使用 Kett Piceter Model L 型電阻

式水份計量測輯物水份，以 Humterlab 色差

計校正做厲打光敢{韋拉正色恆之白色標準色

恆。頭神誼網路的制試輿訓牌應用 Neural

Works Professional I1/PLUS 額神經網路，

它提供了多種糧神經網路模式包括誤差倒傳

遞網路。研究棉潤的糙米馬台中農業改良場

所提快之台農 67 號稻米曹穀而f旱，平均吉水

率 16.3 '由實驗米中隨攝取樺八*量翻得

到。

頭神經網路所需之糙米分額訓輔範制，

是以人工將台蠱的號髓米分蝠，包括屑米

200 顆、體色粒 100 顆、體芽粒 300 顆、

褐色粒 150 顆、異型粒 50 顆、碎拉 50 顆、

白里質粒 200 顆、畸型拉 100 顆、未熟粒

100 輯及完整粒 400 賴，以影像處理對每顆

米粒擷敢 16 項參數，包括投影面積、面積周

長比、形狀細密度、平均紅色灰階值、平均

蜻色灰暗值、平均藍色灰階值、紅色灰階標

準差、蜻色灰階標準差、 藍色灰階標準差、

結色對紅色灰階比值、 白罣賈比、長短軸

比、副短軸與主短軸差之租、副題軸典主垣

軸絕對值差之和、上下端寬度上t值及上下端

寬廣蓋等分額參數，經芷規fU壘作為買賣神經

農林學報 46(4 ) : 59 - 81 (1997)

,.

。u

no

、、.， 、 - .' _. ~. .、~竹、

、, ,

:<1: 'í川:'d ;:JJlJ; t

, : ,':,",,, ':,1.' ，'~，! ,) ;', J";l;

圖 2 、稻米品質檢測分級機(萬， 1997 ) Fig. 2. Automatic quality inspection and grading machine of brown rice

網路之輸入，藉由誤差倒傳遞網路與學習法

則，進行糙米分頭之訓練。而網路的分額能

力測試，是以人工分類選出的屑米 239 顆，

變色拉 36 顆、發芽粒 434 顆、褐色粒 74

顆、異型拉 76 顆、碎粒的顆、自皇質粒

152 賴 、 畸型拉 91 顆、朱熟粒 118 顆及完整

粒 869 顆，作為類神經網路分額糙米的測試

樣本。網路輸出值與糙米分類之對應規矗立日

表 1 0

表 1 、顯神經網路輯出值與糙米分顯之對應

Table 1. The NN output value vs. the classification of brown rice

網路輸出值 糙米至于額

1 0 0 0 0 0 0 000 屑米

o 1 000 0 0 0 0 0 變色粒

0010000000 聲芽垃

000 1 0 0 0 0 0 0 褐色拉

o 0 0 0 1 000 0 0 異型粒

o 000 0 1 0 0 0 0 碎粒

o 0 000 0 1 000 白星質拉

0000000100 畸型拉

o 0 0 0 0 0 0 0 1 0 未熟粒

o 0 0 0 0 0 0 0 0 1 完整粒L_

- 64 •

在計算米粒之各項外觀特種書數前，需

先以草草{象分割方式將各米粒由整幅影{象中獨

立出來，分割是以臨界值法在紅色影像買中

將糙米影像輿橄欖綠顏色皮帶之背景~t象分

離，再以間隙追蹤法來搜尋出米粒邊界，確

定各顆米拉在影像中的位置與範圍(萬與

廖， 1996 ) (一)糙米外觀特徵分頭參數

本研究所選用的十六個特徵參數包括先前

研究所發展的書數(萬與塵， 1996 ) ，及

針對本研究需要增加的參數:米粒投影面

積、形狀細密度(compactness) 、面積/

周長比、白里質比(即米拉之白星質點加

總/米粒像素點數)、和糙米影像之紅、

緒和藍色灰階平均值及綠色與紅色灰階上t

值，另加上:

L 米粒紅、線及藍色灰階標準差。

2.長軸/短軸比 Hotelling 轉揖 (Gonza

lez and Woods , 1993) 是將一顆米粒之

影像視為一個群體，以向量表示米粒像

素點的統計特性，可將米粒正置，求取

通過米拉形心的長題軸，如圖 3 所示。

短軸

長軸

圖 3 、以 Hotelling 轉換正置後求出的

米拉長盟軸

Fig. 3. The long and short axes of a kernel from Hotelling transformation

3 副盟軸典主短軸差之和與副垣軸與主埋

軸絕對值差之和;如圖 4 所示，在距主

埋軸 1/8 及 114 長軸處'3ð<出主短軸

左、右側各兩個和長軸成垂直相交的副

電腦類神經網絡應用於糙米品質投ìJl1之研究

煙軸 sl 、 s2 、 s3 及抖 。

sl s2 s s3 s4 圖 4 、副短軸位置示意圖

Fig. 4. The positions of short 位es

糙米若有聲芽的情沮'則發芽粒的上端部

匪芽部份會因為發芽的關係，值得其寬度

較芷常拉的胚芽部份大，為了能對糙米的

發芽情形進行磁訓，增加了下列兩個參數。

4. 上下端部寬度比值和上下端部寬度差

值:米拉長軸方向距兩端點 1/10 長軸處

之 A 、 B 兩點，各點往左右兩側廟序啟

動 2 點，計算米住此 5 點處之平均寬

度，如圖 5 所示。

圖 5 、米粒上下端部寬度計算示意圖

Fig. 5. The top and bottom widths of kernel

(.=)誤差倒傳遞贖神經網路

本研究以誤差倒傳遍額神經網路 (Error

Back-Propagation, EBP) 作爵分級糙米之分

類機制。誤差倒傳遞額神經網路是屬於多層

次前授式網路，揖用監督式的訓練方式，其

學習是以最小平方差為基礎 ，使用樺度陡障

法為搜尋技術，揖用非線性的轉換函數 (trans­

formation function) ，網路學習包含繭入訓

農林學報 46(4) : 59 - 81 (1997)

練值的前向傳遞計算與誤差傳遍逐層體正網

路連結權重的反向傳遞計算兩個階段。

本研究中攝制糙米的參數共有 16 種，各

參數的畫捌單位與範圓並不相間，因此先將

輸入參數正規化(式 2 ) ，以降低某大值塌的變數主控整個網路的學習而使小值域變數

不敏感的現象。

(R-r)f+(M. r-m.R)

(M-m)

wb no

(2)

f :原始輸入值

1 映射值

M: 訓練範例最夫值

m. 訓練範側最小值

R: 網路最大輸入值

r .網路最小輸入值

本研究中使用的轉換函數如圖 6 所示為

S 形雙極致動函數又稱 TanH ·其對映範圍在

[-1 ， 1] 之間。 Sigmoid 函數之導數可用函數

本身表示，並可藉由 λ 的調整達到增益控

制。

圖 6 、 Sigmoid 型雙極致動函數 (TanH)

Fig. 6. Sigmoid bipolar activation function (TanH)

額神經網路的演算，以圖 7 本研究中使

用的三層網路示意圖為例，第一層厲輸入

層，有 I 個輸入節點，第二層為隱藏層有 J 個

節點，最佳一層昂輸出層，有 K 個輸出甜

點，各節點使用 TanH 致動函數。隱藏層之

輸入向量為 z ，輸出向量為 y ，而輸出層之

輸入向量為 y ，輸出向量為 Q ， W 為網路

輸出層之加權矩陣 .v 馬網路隱藏層之加權

矩陣， d 為訓練範倒之期望輸出，分別定義

如下:

- 66-

Z,

z,

z. (J- ---,-, ")/

電腦類神經網路應用於糙未品質檢測之研究

一--þo- 0,

一~-þo- q

一一-.- OK

國 7 、具有一層隱藏層之網路

Fig. 7. Neural network with one hidden layer

三||i J; 叫:2:1l:::|Z=I : 1, y斗: 1, o=j : 1, d=j : l' W=I. .- -_. . 1. v ••• I • •••

~J 1J'1 1 I α I I 正在 1 LWA' W且 WKI 扔， V12 ••. YiI

òE ð.Vv九三句一一一一

"r ' ôW'J

(3)

(4)

網路進行學習訓練時，首先計算輸入到

隱藏層處理單元 j 的淨輸入值的巧，並經由

轉換函數，塵土隱藏層處理單元之輸出值 Yj 。

按著計算進入到輸出層處理單元 k 的淨騙入

值的丸，再經由轉擴函數，便可得到網路之

實際輸出值 Ok 0 網路誤差反向傳遞之調整權

值，首先修正輸出層和隱藏層間的連接權

重，將連接權重以負楊廣 (gradient) 方向改

變，使誤差最小化，故定義權值修正量為

刁為學習常數(learning constant) ·而

E 馬均方根誤差。使 Wkj 對 E 微分，經代揖可得到權值修正量

.é:.. Wkj=η(dkz-Ok)f k(netk)Yj (5)

若以致動函數 f ·則可得其一次微分

f' (netk)=2λOk( l-ok) (6)

農林學報 46(4) : 59 - 81 (1997)

則新的隱藏層和輸出層間的連接權重馬

W' kj=Wkj+ A Wkj

=Wkj十 η ( dk-Ok)f(netk)的

=Wkj+ 刁(dk-o k)2λOk( 1-ok )的 (7)

輸出層和隱藏層之權重修正可用向量形

式表示如下:

W'=W+ 刁0' 0 yt

輸出層和醋藏層之連接權重修正值，握

著進行隱藏層和輸入層之連接權重調整，皓

正方法與前面所述相同，得隱藏層與輸入層

之新連接權重為

v'=v+η8y zt 誤差倒傳遞網路之演算，在修正權重時

通常都會加上一個動量項 (momentum term) ,

藉此來改善學習過程中誤差收斂置盪的現

象，式(1的中 α 稱晶動量常數，其值由使用者

決定，通常介於 0.1 到1.0 之間。

A w(t)=η8 (t)+αAw(t-l)

學習過程中，若連接權重修正量連續同

號，表示誤差加權值較小，學習減緩，此時

學習常數應增加，若權重之修正量連續數~

為異號，則表示誤差加權值過大有跳出現

象，此時學習常數應減小。 DBD(Delta-Bar­

Delta) 學習法則(Jacobs ， 1988) 中，每個連

接均被指定了一個獨立的學習連率變數。

EDBD(Eztented Delta-Bar-Delta) 學習法

則中，每個連接都有獨立的動量變數，學習

參數自動調整之外也能使動量項做自動調

整，動量項之改變方式與 DBD 中學習常數改

變方式相同。

倒傳遍額神經網路之網路參數調整，目

前尚無絕對有效之規則，大多仍須依賴經驗

或試誤法 (trial and error) 決定，對網路訓

句a

oo

(8)

練時其參數調整的一般原則如下 (Zura血，

1992) :

1，隱藏層單元數目過少易造成較大的誤

差，而過多對降低誤差幾乎沒有幫助

，反而會增加訓練時間，更易造成訓

練時過度吻合(overfitting) 。

2. 多層網路有較好的收敵性質，但過多

的隱藏層將增加網路複雜度，並造成

訓練時!&敵於更多的局部最小。

3. 網路訓硨時應將分屬各額之訓練範伊j

隨機輸入。

4，神組網路不同的訓融輸入參數間需盡

可能的正交 (orthogonal) 。

本研究揖用循序漸進的方式，由簡單的

網路結構及學習法則開始學習，在學習收斂

不佳或測試故果不好時，進一步調整網路之

層數、處理單元、學習常數及學習法則，重日

此反復實行，找出適扭糙米分穎的額神經網

路模式。

(9)

(10) 四、結果與討論

以機器視覺對糙米影像作品質檢測的應

用，其過程如圖 8 所示，先將真實世界的糙

米影像，經取{象以電腦影像處理技術計算出

糙米品質相關之各特體參數量化值，然f糞便

用不同分類機制加以辨識槍棚，圖中所提到

的傳統程式，以 if-then-else 作為決策分頭流

程的研究，其結果正在相闊的期刊發表中，

本文探討以頓神經網路作為分類決策機制的

應用。

經打光校正後敢像，將米拉與綠色背景

影像分割之臨界值定揖紅色灰階 72 ，並將紅

色灰階大於 190 Z米拉{象景點視爵白星質

點。完整粒之影像輿背景差異明顯，可得到

良好的分割，如圖 9 所示。然而褐色拉 RGB

- 68- 電腦類神控網路應用於糙主f..品質梭測之研究

真實世界 特故選取最主米

分類械制糙米辨識

糙米影像影像處理

特徵空間(知識庫與搜尋控制)

分頓決定及計算 (奏員手申f<Æ.Y;用且各Îf.#..元)

( if-then-else 決策:炙手莖〉

圖 8 、糙米影像的辨識

Fig. 8. The flow chart of brown rice inspection by machine vision

• :r.J [:.:J 9 e • • • • • ~ (_'": 翎﹒ e 都 • • • • • [) • 。 ﹒ • a砂 • • (. • • • • • • 績， [] • • • • 司， [_] • e • Lj c-. . • • • [] [_.l lJ ' • • • II e

圖 9 、糙米完整拉與其分割影像

Fig. 9. The original and processed images of sound kernels

l"Ii 且， 1KII 句由區 9 Q r:.; [l品， L., • !"r.l 、lI!;l ‘. r'l:暑 、‘回

旬， L71 ~1 ("...J - ‘~ 斗之 呻 “::l

缸， [- 1

‘ ‘. • “立， ~ 司』唔唔 m 之 ‘u

r".J (" .J r....: 咽， 罩，

~ ... .J 、，

‘ 向 d d ‘ • 、 、 e

~ .. 司~ ~J 喔， 、K) !旦 “ • a ~~ • 圖 10 、糙米褐色拉與其分割後影像

Fig. 10. The original and processed images of rusty kernel

農林學報 46(4) : 59 -- 81 (1997)

三個灰階值和背景皮帶有相當的重疊性，因

此其米拉分割並不容品達到完整，如圓 10 所

示。變色拉亦由於色特性狀繁多，也有與褐

色拉相似的分割特性。

實驗中各團正確率之計算，分頓正確率

爵該種米拉分頭之正確顆數/該種米拉數，

平均正確率為各種米粒分頓正確率之和/分

類項目，總體正確率二分頭正確米拉之和/

米拉總數。表 2 為額神經網路分穎實驗中，

以台農 67 號糙米，屑米 200 顆、變色拉 100

顆、發芽拉 300 顆、福色拉 150 顆、真型拉

50 顆、碎粒 50 顆、自罣質拉 200 顆、畸型

粒 100 顆、未熟拉 100 顆及完整粒 400 顆，

對每顆米拉擷敗的項參數經正規化?是輸入不

同網路學習，其中正確率較高的四種模式，

表 3 至表 6 所示為其學習結果。

由表 2 至表 6 各表可得知，以完整粒、

碎粒、真型拉、褐色粒及屑米的學習效果最

好，分類正確率多在 90% 以上，未熟拉及發

芽拉的分顯正確率也在 80% 以上，而畸型拉

和變色拉則分別只有 60% 及 50% 的學習正

確率。以整體和平均分頭正確率來看，以有

二層隱藏層的網路模式 C 學習敢果較好，然

AV no

而在測試樣本中表現卻不如預期。

網路參數之調整及網路皈敵之改善需考

盧諸多因素，學習過程中顯示，學習常數及

動量常數初始值可設為 0.3 及 0.4 '若因故

雖不佳要做調整時，兩者均不得超過 0.9 。

訓硨初始權值以隨機方式產土，然後超由學

習自動調整。隱藏層處理單元數可嘗試設定

在 4 至 12 之間。使用 EDBD 學習法則，在

學習切期誤差較快降低，但不比 8 法則有較

好的收轍，由於 EDBD 運算較接雜，故學習

速度較使用 S 法則的模式慢。實驗顯示皈斂

良好的網路模式，並不代表該模式具有良好

的推廣能力，分頭致能的評估，應以學習完

成後網路對訓練範例的分頭正確率為指標。

學習完成的四種額神經網路，以人工分

額完成的台農 67 號糙米中，屑米 239 顆、變

色拉 36 顆、發芽拉 434 顆、褐色粒 74 顆、

異型粒 76 顆、碎拉 95 顆、自星質粒 152

顆、畸型粒 91 顆、未熟拉 118 顆及完整拉

869 顆，作為類神經網路分頭糙米的測試，

表 7 顯示在 4 個網路模式中，以模式 D 的平

均正確率及總體正確率最高。其詳細測試結

果如表 8 至表 11 所示。

表 2 、額神經網路學習結果

Table 2. The learning results of neural network models

模式隱藏層與

學習法則 學習常數 訓蹄次數 誤判數平均正確 總體正確

單元數 率(%) 寧(%)

A 13 B 0.5 200000 306 78 .02 81.64

B 13 EDBE 0.3 1200000 238 80.43 85.58

C 12 x 10 EDBD 0.7 2500000 173 88.50 89.52

D 13 ð * 0.3 50000 248 83.70 84.97

*使用 TanH 致動函數

nu 弓， 電腦輝、神經網路應用於糙米品質檢i~1之研究

表 3 、額神經網路模式 A 對糙米分額學習結果

Table 3. The learning results of neural network model A

完整 。 G 5.00 。 4.00 6.00 0.50 11 .00 。 95 .50 未熟 7.00 1.00 。 。 。 。 。 2.00 77.00 0.25 畸型 。 11 1.00 。 。 。 0.50 33.00 。 0.25 白噩 0.50 6.00 9.67 。 。 2.00 70.00 26.00 。 0.25 碎粒 。 G 0.33 。 。 92.00 。 1.00 。 。異型 。 G 。 0.67 94.00 。 。 1.00 。 0.25 褐色 2.00 24.00 。 90.67 2.00 。 。 2.00 3.00 。發芽 。 2.00 84.00 。 。 。 29.00 21.00 。 0.35

變色 0.50 54.00 。 8.00 。 。 。 1.00 。 。屑米 90 2.00 。 0.67 。 。 。 2.00 20.00 。

fii 屑米 變色 聲芽 褐色 真型 碎拉 自罣 畸型 未熟 完整

樣本數 200 100 300 150 50 50 200 100 100 400

表 4 、穎神經網路模式 B 對糙米分額學習結果

Table 4. The learning results of neural network model B

完整 。 。 5.67 。 6.00 。 1.00 11.00 。 96.50 未熟 6.50 1.00 。 。 2.00 2.00 。 1.00 85.00 0.25 畸型 。 9.00 1.00 。 。 。 。 48.00 。 0.50 白罣 。 5.00 7.00 。 。 。 80.00 23.00 。 0.25 碎拉 0.50 。 。 。 。 98 .00 。 。 。 。異型 。 1.00 。 。 92.00 。 。 1.00 。 0.25 褐色 1.50 15.00 。 87.33 。 。 。 2.00 1.00 。發芽 。 2.00 86.33 。 。 。 19.00 11.00 。 2.25

變色 0.50 66.00 。 12.67 。 。 。 1.00 。 。屑米 91.00 1.00 。 。 。 。 。 2.00 14.00 。

7ii 屑 米 變色 發芽 褐色 異型 碎拉 白罣 畸型 未熟 完整

標本數 200 100 300 150 50 50 200 100 100 400

農林學報 46(4) : 59 - 81 (997) • 71-

表 5 、額神經網路模式 C 對糙米分贖學習結果

Table 5. The learning results of neural network model C

完整 。 。 2.67 。 。 。 。 5.00 。 96.50

宋熟 7.00 1.00 。 。 2.00 。 0.50 3.00 94.00 。畸型 。 5.00 2.67 。 。 。 1.50 59.00 。 1.25

自皇 。 3.00 5.33 。 。 。 86.00 9.00 。 0.50

碎粒 。 。 。 。 。 100.00 。 。 。 。異型 。 。 。 。 98.00 。 。 1.00 。 。褐色 。 8.00 。 88.67 。 。 。 1.00 。 。發芽 。 1.00 89 .33 。 。 。 12.00 13.00 。 1.75

變色 0.50 81.00 。 11.33 。 。 。 7.00 。 。屑米 92.5 1.00 。 。 。 。 。 2.00 6.00 。

fii 屑米 變色 發芽 褐色 異型 碎拉 自噩 畸型 未熟 完整

樣本數 200 100 300 150 50 50 200 100 100 400

表 6 、顯神經網路模式 D 對糙米分額學習結果

Table 3. The learning results of neural network model D

完整 。 。 3.33 0.67 2.00 。 。 5.00 。 94.50

未熟 0.95 2.00 。 0.67 。 。 。 2.00 89.00 0.25

畸型 。 12.00 3.67 。 。 。 1.00 66.00 。 1.75

白星 0.50 2.00 8.33 。 。 。 75.00 11.00 。 0.25

碎粒 0.50 。 。 。 。 100.0 。 。 。 。異型 0.50 。 。 。 98.00 。 。 。 。 。褐色 。 32.00 。 95.33 。 。 。 1.00 。 。發芽 。 0.30 84.67 。 。 。 2.35 14.00 。 3.25

變色 0.50 46.00 。 3.33 。 。 0.50 。 。 。屑米 88.50 3.00 。 。 。 。 。 1.00 11.00 。

rz 屑米 費 色 發芽 褐色 真型 碎拉 自罣 畸型 未 熟 完整

樣本數 200 100 300 150 50 50 200 100 100 400

-72 -

額神超網路對髓米分額的潮試結果，雖

有許多米粒的歸贖並不符合人工分蝠，研究

顯示有缺陷的髓米經常是具有多性狀情唔，

因此從這些非預期的歸頓中，有的顯示了現

今以人工主觀方式設定非量化的標準中，有

許多並不盡合理的地方，而研究中也聶示7

以機械視覺量 11:::柚潤的客觀性。根攝中國國

竄標準 CNS3491 所設定的插米棉驗程序，當

一顆糙米具有兩項以上的缺陷性狀時，其歸

頡!眉序如下所示，例如一顆米粒同時具有白

罣質與畸型兩項特擻，以對品質的損害輕重

度來分，可先歸屬於白皇質粒。

庸芽4立 褐色粒屑主f;.→變色拉守 一步 一子異型粒

發芽粒為蟲害粒

胸裂粒→碎粒寸白壘質粒一子 .~ -7未熟拉

畸型粒

1. 屑米攝制

屑米除了面積較小外，通常同時帶有其他

種米額的外觀性狀，屑米在各網路模式中

的制試惜現，其分額平均正確率為 79.9

%'而說判情阻主要是將屑米歸額馬白皇

質粒及未熟粒，研究顯示屑米中包含了白

死米，為無光澤且不還明之白色不成熟米

粒，雖然面積廳較自皇質粒小且無光澤，

表 7 、各種顯神經網路模式制試正確率

Table 7. Test results of neural network models

~ 誤判數

A 341

B 366

C 383

D 329

*潤閻標本數 2185 顆

電腦類神經網路應用於糙米品質槍i~1之研究

但是性狀在二者之間的米粒則並不容屬界

定。屑米亦包括了青死米，近似齡青未熟

拉，青未熟拉伯帶有些傲的還明度，而二

者間亦有重疊的部份。

2. 暨色拉輸測

暨色拉多由病害、蟲害或米拉暨賈產生豐

色且j軍入胚乳，表示了米質的當化，因此

對米貴的棉潤十分重要。豐色粒的外觀性

狀繁多，如圖 11 所示，人工分頡即島生爭

韻，而本研究中使用的台蠱的號稻米聲育

正常，豐色拉數量稀少，因此在網路訓練

階段，已顯示學習的不品，在各頡神經網

路模式的制試中，正確率只有 30% 左右。

其觀判多產生在褐色拉及畸型粒，其原因

為褐色拉在外觀上和撞色粒有很大的相似

性，要人工辨別完全正確已不屬撞到，機

械視覺轍制將二者糧福是可預期的。聲色

拉除聶色的特體外許多在外形上也和正常

粒有很大的差異，加上其擇色部份有時被

當作背景去阱，則會極歸攝畸型粒。

3 褐色拉攝制

褐色粒的平均分贖正確寧為 67% 。由加褐

色粒在外觀上近似於變色拉中的一圈，故

其誤判結果集中出現在變色拉的分體中。

平均正確率 輯、體正確率

( % ) ( % )

70.70 84.39

69.34 83.25

69 .43 82.47

74.95 84.94

農林學報 46(4) : 59 - 81 (1997) 。。

句a

表 8 、顯神經網路模式 A 對糙米分類測試結果

Table 8. The test results of neural network model A

完整 。 。 1.84 。 21.05 5.26 。 52.75 4.24 94 .48

未熟、 4.60 5.56 。 0.27 。 。 。 5.49 76.27 0.58

畸型 0.42 19 .44 0 .46 。 。 。 。 21.98 5.08 0.12

自罣 9.62 11. 11 11.03 。 。 1.05 86.84 1. 10 3.39 0.58

碎粒 。 。 0.23 。 。 92.63 。 5.49 。 0.12

異型 。 。 。 。 76.32 。 。 3.30 。 。褐色 。 30.56 。 64.86 。 。 。 5 .49 2.54 。發芽 。 11. 11 86 .44 。 2.63 。 13.16 4 .40 0.85 4.14

變色 0.42 22 .22 。 32.43 。 。 。 。 。 。屑米 84.94 。 。 。 。 1.05 。 。 7.63 。

fii 屑米 變色 發芽 褐色 異型 碎粒 白星 畸型 未熟 完整

樣本數 239 36 435 74 76 95 152 91 118 869

表 9 、顯神經網路模式 B 對糙米分顯測試結果

Table 9. The test results of neural network model B

完整 。 。 3.22 。 14.47 9 .47 。 53.85 4.24 95.86

未熟 4.60 5.56 。 2.70 。 。 。 9.89 75 .42 0 .46

畸型 0.84 25.00 0.92 。 。 。 。 15.38 4.24 0.46

白星 23 .43 2.78 8.97 。 。 1.05 94.08 2.20 5.93 0.81

碎粒 。 。 。 。 。 89 .47 。 。 。 0.12

異型 0.42 。 0.23 。 71.05 。 。 。 0.85 。褐色 。 22.22 。 59.46 。 。 。 10.99 0.85 。費芽 。 8.33 86.67 。 14.47 。 5.92 6.59 0.85 2.30

變色 0.84 36.11 。 36 .49 。 。 。 1.10 。 。屑米 69.87 。 。 1.35 。 。 。 。 7.63 。

rz 屑米 變色 發芽 褐色 異型 碎粒 自星 畸型 未 熟 完整

樣本數 239 36 435 74 76 95 152 91 118 869

4 月4

電腦類神控網路應用於糙未品質搶;則之研究

表 10 、額神經網路模式 C 對糙米分頭捌試結果

Table 10. The test results of neural network model C

完整

。 。 2.07 。 15.79 3.16 。 45.05 12.71 94.02

未熟 7.11 。 。 。 。 1.05 。 1.10 73.73 。畸型 0.84 30.56 2.99 。 。 3.16 0.66 29.67 2.54 1.84

白罣 10.04 2.78 9.43 。 。 1.05 76.97 1. 10 4.24 1.61

碎粒 。 。 。 。 。 89 .47 。 1. 10 。 0.23

異型 。 。 0.23 。 63.16 。 。 1. 10 0.85 。褐色 。 19 .44 。 54.05 。 。 。 5.49 1.69 。謹芽 。 。 85.29 。 21.05 1.05 22.37 8.79 0.85 2.30

變色 1.26 47.22 。 43.24 。 1.05 。 6.59 0.85 。屑米 80.75 。 。 2.70 。 。 。 。 2.54 。

fii 屑米 變色 章芽 褐色 異型 碎粒 自皇 畸型 未熟 完整

標本數 239 36 435 74 76 95 152 91 118 869

表 11 、頡神經網路模式 D 對糧米分攝制試結果

Table 11. The test results of neural network model D

完整 。 2.78 1.38 。 1.32 3.16 。 51.65 6.78 91.60

未熟 7.95 。 0.23 4.05 0' 3.16 。 7.69 80.51 0.23 畸型 0.42 38.89 4.14 。 。 。 。 27 .47 。 1.61 自皇 6.69 5.56 8.97 。 。 3.16 96.05 1. 10 5.08 1.38

碎粒 。 。 。 。 。 90.53 。 。 。 0.12 異型 0.42 2.78 。 。 97.37 。 。 。 0.85 。褐色 。 22.22 。 71.62 。 。 。 4 .40 。 。聲芽 0.42 2.78 85.29 。 1.32 。 3.29 5.49 3.39 5.06

蠻色 。 25.00 。 24.32 。 。 0.66 1. 10 。 。屑米 84.10 。 。 。 。 。 。 1. 10 3.39 。

rz 屑 米 變色 噩芽 褐色 異型 碎粒 自皇 畸型 未熟 完整

樣本數 239 36 435 74 76 95 152 91 118 869

農林學報 46(4) : 59 - 81 (1997)

4 . 發芽粒檢測

實驗結果顯示分頭正確率在 85% 以上，不

同歸額情形多出現在自罣質粒及完整拉。

發芽程度低的易歸額為完整拉，而發芽拉

在基部位置有明顯的自噩質堆積，如圖 12

所示，此為判為自星質粒的主因。

5. 自罣質拉檢測

白星質粒分頭正確率在 80% 左右，自星質

拉很少被判為屑米，而其與人工歸類不同

情形多出現在發芽粒，比率約 10% 。其原

因如上所述，額神經網路可能將自星質比

較低之白罣質拉判為發芽粒。

6. 異型粒檢測

RU 句a

訓線接本的真型粒爵台中制 10 號，其測試

符合率依網路模式而有差異，整體來說分

額芷確率晶 64% '網路模式 D 測試符合率

最高為 97.37% 。其不同判別多為完整拉

及發芽粒，經研究贖示， 16 噴參數中只有

長短軸比一項參數可分別台中柚 10 號與台

農 67 號，因此網路訓練可能不足，造成測

試比訓備時爵差。另外台中柚 10 號在兩端

端部的寬度大致相同和台麗的號完整粒的

胚芽端部寬度較另一端之捕部寬度較小的

情況不同，故有造成判別厲聲芽拉的情

形 。

-OJI--JJ

」

一麟WULYJu-­

Fhw帶扑

iIJ

一…蛤帶臨可…tw一

聶』昕一

iAWUAh--J

一

-1)W恥

-IV一 圖 11 、各種外觀性狀的變色拉

Fig. 11. The appearance variety of discolor kernels

去碎拉檢測

碎拉性狀單純分顯正確率超過 84% '而觀

判多出現分頸鹿完整粒，雖然碎粒的面積

遠小於完整粒， 但由於額神經網路是考量

所有的外觀參數後才進行分穎判斷，故觀

判成其他任何一種米拉種額的情形都有可

能發生。

8. 畸型拉檢測

畸型粒分額正確率只達 29.67% 較不理

想，此由於畸型粒外觀性狀繁多，如圖l3

所示，其誤判為完整位的比例最高，估了

全體畸型粒的一半以上，此由於腹部凹陷

情況的畸型粒有許多項參數與完整拉接

近，故易判為完整控。

76 電腦類神經網路應用於糙未品質槍刑之研究

圖 12 、鞋芽粒與自噩質拉

Fig. 12. Sprouted and chalky kernels

9. 末熟粒融制

未熟粒馬非屬完整粒歸額順序的最佳

位，其分頓正確率在 75% 以上，不同的歸

頡判別多在與外觀性狀有重疊的屑米(青

死米)中。另外由於完整粒的學習標本中

包含了少許的活青米，主主與青末熟粒最大

差別只在於透明度，而未熟粒中較充實且

表皮殘留葉攝素較少者，在電腦盟主像中較

近似於完整粒或自里質粒，這是有未熟拉

被判為完整粒的一個原因。

10. 完整粒攝制

完整粒肩糙米品質棉棚中最重要的一項指

標，在非屬完整拉不超過規定標準的情回

下，完整粒所佔比例越高，則揖米的等級

越高。實驗顯示，額神經網路對完整粒的

分頭狀阻良好，其典人工分體相符率超過

94% '這與完整粒外觀性狀單純，且學習

樣本數較多有關。

歸納贖神經網路對各種米粒的學習訓融

與制試，依其結果可分屆四種 : 1 訓硨分頭

良好，制試樣本分體亦良好，包括完整粒、

未熟粒、屑米 、韓芽粒、碎粒及異型粒等，

其原因歸納焉 ，訓練標本且普遍性、樣本數

量充足且雜訊少和分額參數設計適當。 2 副|

蟬卦贖良好，然而潤試分頭並不佳的爵褐色

粒，其可能原因包括，訓蟬標本不足，使網

路無法充分歸納。 3. 訓練分頭不佳，而測試

分頭良好，倒如自皇質粒，其可能原因肩潤

試糧本皆屬性狀均一的群組，故制試結果良

好。 4. 訓蟬分暫不佳，割試分頭也不佳，包

括有聖色拉及畸型粒兩種，其可能原因馬訓

練標本不足、標本雜訊太多和分贖參數不

足。

由先前研究的經驗得知，紅色灰階標準

差、結色灰階標準蓋、藍色灰階標準差、副

短軸典主盟軸差之和及副短軸盟主短軸絕對

值差之和這五個參數的分額有致性較低，因

此將這五個參數刪除佳，以剩下的 11 個特擻

壘數作肩頡神經網路的輸入，進行髓米分額

學習與制試，其學習佳的測試結果如表 12 所

示。由學習及制試結果可知，有些米額的制

試正確車略概降低但並不大，因此這五個參

數在網路的制試上亦顯示了其分贖有雄性較

低，由此可知額神經網路對輸入的雜訊有一

定的容忍力，可接受部份有相依性的輸入書

獸。

農林學報 46(4) : 59 - 81 (1997) 一 77 一

圖 13 、各種不同的畸型拉

Fig. 13. The variety of abnormal kernels

五、結論

本文探討結合機械視覺與額神椏網路對

糙米品質的槍潤，其過程是先將糙米影像經

取{象以電腦影像處理技術計算出與糙米品質

相關之各特徵參數的量化值，然後以贖神經

網路分揮機制加以辨識檢棚。所使用網路參

數之學習及動量常數初始值為 0.3 及 0 .4 ' 調整時最大兩者均不超過 0.9 '訓轍胡始權

值是以隨機方式產生經由學習自動調整，研

究中提用T Sigmoid 致動面數，使用 81去則

和 EDBD 學習法則，研究顯示，網路學習敷

果，應以學習完成後網路對訓練範倒的分類

正確率爵指標。

實驗以台晨 67 號糙米中屑米、變色拉、

發芽粒、褐色拉、真型粒、碎粒、白噩質

粒、畸型鞋、未熟粒及完整粒為樣木，以影

像處理擷取 16 項參數經正規化後輸入不同額

神經網路學習，其中完整拉、碎拉、異型粒、

褐色拉及屑米的學習敷果良好，分類正確率

多在 90% '未熟粒及發芽拉的分頭正確率在

80% 以上，而畸型和變色粒則分別只有 60%

及 50% 的學習正確率。以整體和平均分類芷

確率來看，有二層隱藏層和以 EDBD 為學習

法則的網路之學習效果較好，然而在瀏試接

本中表現卻不如預期。

學習後的測試，完整粒典人工分額相符

率超過 94% '白聖質粒分頓正確率在 80%

左右，發芽拉分頭正確率在 85% 以上，碎拉

性狀單純分穎正確率超過 84% '屑米平均正

確率為 79.9% '未熟拉分額率在 75% 以上

，異型粒為台中柚 10 號，各模式潤試符合率

最高爵 97.37% '測試符合率平均為 64% ' 褐色粒的平均分類正確率爵 67% '變色粒正

確率只有 30% 左右，畸型粒分類率只達

29.67% 較不理想。

- 78 一 電腦類神經網路應用於桂未品質檢測之研究

表 12 、 11 個翰入參數之顯神經網路分頓測試結果Table 12. The test results of neural network models with only 11 input par缸neters

完整

。 。 0.92 。 22.37 4.21 。 49 .45 5.08 91.71 未熟 7.53 2.78 。 2.70 。 。 。 4 .40 79.66 0.23 畸型 1.67 25.00 1.38 。 。 。 。 21.98 0.85 0.58 自星 31.80 5.56 6.67 。 。 3.16 88.16 1. 10 7.63 1.96 碎粒 。 。 。 。 。 92.63 。 3.30 。 0.12 異型 1.26 。 0.23 。 44.74 。 。 3.30 。 0.12

褐色 。 27.78 。 74.32 。 。 。 6.59 1.69 。發芽 。 8.33 90.80 。 32.89 。 11. 18 9.89 4.24 5.29

變色 0.42 30.56 。 22.97 屑米 57.32 。 。 。

fii 屑米 變色 發芽 褐色

樣本數 239 36 435 74

研究中嘗試告除分顯有效性較低的五個

參數，以 11 個特徵參數作眉頭神經網路的輸

入，進行糙米分類學習與測試，其學習測試

結果顯示，對分類E確率影響並不大，由前

後結果顯示額神經網路可接受部份有相依性

的輸入參數 。

本研究測試亦顯示了現今以人工主觀方

式設定非量化的標準中有許多並不盡合理的

地方，而以機械視覺量化轍測有其客觀性。

。 。 0.66 。 。 。。 。 。 。 0.85 。

異型 碎拉 自皇 畸型 未熟 完整

76 95 152 91 118 869

六、謝誌

本研究承蒙行政院農業委員會 86 科控-

1. 8-糧-04(8) 計置之經費補助，特申謝軍。

研究承蒙台中農業改良場洪梅珠博士和糧食

局曹紹徵股長與黃怡仁先生提供資料與米拉

樣本，助理邱靜芬小姐的協助研究與文字校

對，在此併申謝忱。

農林學報 46(4) : 59 - 81 (1997)

參考文獻

1 萬一怒、廖竄興。 1996 。糙米外觀品質量~~象特徵之研究。農業機械學刊 5(2) :49-63 。

2. 萬一怒。 1997 0 穀物選別之方法及其裝置。專利公報 24(31):149-152 。

一 79 一

3. 萬一怒、林建銘、廖家興、周瑞仁。 1997 0 桐裂米反光特性的分析與應用。農業機械學刊

6(3):89-99 0

4 . 中國國家標準。 1987 0 CNS2424-N1058 。經濟部中央標準局。

5. 陳正義、謝英雄、曾美倉。 1989 0 判別水稻穀拉外型之品種差異一一利用影像處理技術。中

國統計學報。 27(7):21-36 。

6. 黃膺任。 1995 。使用影像處理與額神經網路分級胡蘿蔔之研究。碩士論文。台中:國立中興

大學農業機械工程學研究所。

7. 稻米外觀晶質判定參考手曲。 1994 。台灣省政府糧食屑。

8. 謝志誠。 1993 0 額神經網路在稻穀乾減率模式建立與分析上之應用。農業機械學刊。

2(4):21-31 0

9. Casady , W. W. and M. R. Paulsen. 1989. An automated kernel positioning device for

computer vision analysis of grains. Transactions of the ASAE 32(5):1821-1826.

10. Gonzal凹， R. C. and R. E. Woods. 1993. Digital Image Processing. Addition-Wesley

Publishing Cmpany. New York.

11. Liao , K. , M. R. Paulsen , J. F. Reid, B. C. Ni, and E. P. Bonifacio-Maghirang. 1993. Corn

kernel breakage classification by machine vision using a neural network c1assifier.

Transactions of the ASAE 36(6):1949-1953.

12. Jacobs , R. A. 1988. Increased rate of convergence through learning rate adaptation. Neural

Networks, 1 :295-307.

13. Patel, V. C. , R. W. McClendon and J. W. Goodrum. 1994. Crack detection in egg using

computer and neural networks. AI Application, 8(2):21-31.

14. Rosenfeld , A. and A. C. Kak. 1982. Digital picture processing. 2nd ed. Volumn 2. Academic

Press Inc. New York.

15. Shatadal, P. , D. S. Jayas and N. R. Bulley. 1995. Digital limage analysis for software

separation and c1assification of touching grains: 1. disconnect algorithm. Transactions of the

ASAE 38(2):635-643.

I丘 Shatadal ， P. , D. S. Jayas and N. R. Bulley. 1995. Digital image analysis for software

separation and c1assification of touching grains: II. classification. Transactions of the ASAE

3日 (2):645-649.

17. Steinmetz , V. , M. J. Delwiche, D. K. Gi1es and R. Evans. 1994. Sorting cut roses with

machine vision. Transactions of the ASAE 37(4):1347-1353.

18. Zaya且， 1. Y. , C. R. Martin, J. L. Steels and A. Katsevich. 1996. Wheat classification using

image analysis and crush-force parameters. Transactions of the ASAE 39(6):2199-2204.

8。一 電腦類神經網路應用於糙未品質控制之研究

19.Zayas, 1. Y. , Y. Pomeranz and F. S. Lai. 1985. Discrimination between Arkan and Arthur

wheat by image analysis. Cereal Chemistry 62(6):478-480.

20.Zayas, 1. Y. , F. S. Lai. and Y. Pomeranz. 1986. Discrimination between wheat c1asses and

varieties by image analysis. Cere且1 Chemistry 63 (1) :52-56.

21. Zurada, J. M. 1992. Introduction to Artificial Neural Systems. West Info Access Distribution

Pte Ltd.

農林學報 46(4) : 59 - 81 (1997)

The Study of Quality Inspection of Brown Rice by Computer Neural Networks

Ye-nu Wan1) Chih-chau Yang2)

(Accepted for publication: Aug 31 , 1997)

Abstract

- 81-

Machine vision and computer neural networks are applied in this research for brown rice

quality inspedion. Experiment is based on "Tainung 67" brown rice. The screening, discolored, sprout啞， rusty, off-type, brok凹， chalky, abnormal, immature and sound kernels are seleded

by man to use as learning and testing samples. First, image processing technique is applied to

extrad 16 parameters from the kernels. These parameters are normalized and then sent to train

several neural networks. The tests show the average categorized ratio of sound kernel by neural

networks is over 94%. The ratio of chalky kernel is around 80%, sprouted kernel is around 85% , broken kernel is above 84% , screening is 79.9% , immature kernel is above 75% ，。任-type kernel

is 64% , rusty kernel is 67% , discolored kernel is 30% , and abnormal kernel is only 29.7%. From

the study , it shows that the current non-quantify standard of brown rice inspedion proposed

subjedively from eyes is not proper for the application of machine vision. The quality inspedion

of brown rice by using machine vision can achieve objedive inspection.

Key Words: Neural Network, Rice quality, Machine vision, Automatic inspedion

1) Associate Professor, Dept. of Agricultural Machinery Engineering, National Chung Hsing

University

2) Former Graduate Student, Dept. of Agricultural Machinery Engineering, National Chung

Hsing University