日本 KETT RN‑700 谷粒判定器：稻米外观品质智能化识别检测设备

一、产品定位：稻米外观品质的自动化视觉检测平台

大米的外观品质，是收购定级、工厂加工质控、成品评级当中十分核心的评价指标。传统的稻米外观检验工作，大多依靠质检人员人工肉眼分拣，需要逐粒判别完整米、碎米、乳白粒、未熟粒、裂纹粒、病斑粒等各类缺陷籽粒。人工检测模式受人员主观判断、疲劳状态、经验差异影响很大，同一批次样品，不同检验人员得到的统计结果往往存在偏差，重复性较差。大批量样品检测时，人工分拣耗时耗力，很难做到大样本量的统计分析，数据也难以数字化留存，不利于加工工艺的数据复盘。

日本 KETT RN‑700 谷粒判定器，是一款面向稻谷、精米、糙米的台式图像识别检测仪器，以机器视觉为核心，替代传统人工肉眼检验。仪器能够自动对单粒谷物开展外观特征识别，自动分类统计各类异常籽粒占比，输出量化的外观品质报告。该设备主要适配碾米加工厂、粮食储备库、粮油质检机构、农业科研育种单位，用于原料来料检验、加工工艺效果评估、成品大米等级判定、育种材料外观性状筛查等业务场景。它不是用来检测水分、蛋白等内在组分，而是聚焦籽粒外观形态、表皮状态、垩白、裂纹等表观特征，将过去依靠人眼的定性评价，转化为可复现的数字化定量数据，补齐粮油质检当中外观指标自动化检测的短板。在实际质检流程中，仪器可以完成大批量样品快速筛查，关键争议样品依旧可以配合国标人工方法复核，兼顾检测效率和行业标准的合规性，帮助粮油企业把外观品质管控从经验判断升级为数据驱动。

二、核心检测原理：机器视觉与籽粒特征算法解析

RN‑700 谷粒判定器的检测基础是光学成像结合专用谷物图像算法，整套流程分为籽粒分散输送、高清图像采集、图像预处理、特征提取分类、数据统计输出五大环节。仪器的核心逻辑，就是把每一粒大米的外观形态转化为数字图像，再通过算法提取外观特征，完成自动判别。

样品进入仪器之后，首先经过分散机构，把堆叠在一起的米粒分散开，实现单粒分离。谷物颗粒容易互相粘连堆叠，如果多粒重叠成像，图像算法就无法准确识别单颗籽粒的轮廓与表面缺陷，籽粒分散是保障检测准确性的前置条件。分散后的米粒按照时序，逐颗通过成像检测工位。工位内部配置定制化光源系统，采用均匀可控的照明条件，规避反光、阴影干扰，获取每一颗籽粒的高清二维图像。光照条件对于外观检测至关重要，不同角度的光线会直接影响垩白、裂纹、斑点的成像效果，原厂对光源角度、亮度做专门调试，适配稻米籽粒曲面的成像特点。

采集完成的原始图像，仪器内部系统首先做预处理，去除背景噪声，分割出籽粒和背景，提取单粒谷物完整轮廓。之后算法针对图像开展多维度特征提取，捕捉籽粒的长度、宽度、面积，以此判别是完整米粒还是碎米；同时解析籽粒表面的灰度分布，识别垩白乳白区域、不透光的未熟部位、表面裂纹、病斑、霉变斑点等特征。每一类缺陷籽粒，都对应一套经过大量样品训练的判别模型，算法参照模型阈值，对每一粒样品做归类标记。

全部样品完成图像识别之后，系统汇总全部籽粒的判别结果，自动计算完整米率、碎米占比、乳白粒比例、裂纹粒、病粒等多项统计占比，生成完整的检测统计结果。需要明确，仪器的判别阈值可以根据不同地区大米品种、行业等级标准进行微调。不同品类稻米，比如粳米、籼米，籽粒形态、垩白表现差异较大，如果直接套用同一套阈值，分类结果会出现偏差，需要针对样品类型做参数适配。和人眼相比，机器视觉可以做到无疲劳连续工作，但是对于极细微的内部暗裂纹、深层内部缺陷，受二维成像局限，识别能力存在边界，这类特殊指标需要结合其他辅助手段共同判定。

三、整机硬件结构：送样分散、成像、控制一体化模块设计

RN‑700 谷粒判定器整机为台式一体化设备，硬件系统可以划分为样品投料与分散输送模块、光学成像模块、主控运算单元、人机交互模块、数据存储输出模块，各个模块协同完成从样品投入到报告输出的全流程，硬件设计充分考虑粮油行业现场多粉尘的使用环境。

样品投料与分散输送模块，承担样品投放、打散、单粒排布输送的工作。样品倒入投料斗之后，依靠振动送料机构，利用振动把堆积成团的谷物逐步散开，通过导向通道，将米粒逐个送入成像区域。振动的幅度、出料速度都经过原厂调校，振动过大容易造成米粒磕碰产生新的裂纹，振动过小则籽粒容易堆叠。这一部分是仪器的易损耗部位，长期处理大米粉尘，通道缝隙容易堆积米屑、米糠，粉尘堆积会直接造成籽粒分散不良，出现重叠送料，是日常维护的重点。整套机构针对谷物物理特性优化，尽量降低输送过程对米粒的二次损伤，避免设备运行人为制造碎米、裂纹，防止检测结果失真。

光学成像模块是仪器获取原始信息的核心，包含专用光源、图像传感器、遮光腔体。整个成像工位处于密闭遮光腔体之内，隔绝外界环境光的干扰，外界自然光射入腔体，会改变图像灰度，直接导致垩白、斑点识别错误。光源采用多角度组合照明，适配稻米曲面，减少镜面反光造成的图像盲区，传感器采集每一粒谷物清晰图像，传输至主控单元。光学组件属于精密部件，不能触碰镜头表面，镜头沾染米糠粉尘之后，成像清晰度下降，各类缺陷识别的错误率就会上升。非专业人员禁止拆卸光源与镜头组件，拆解之后光路偏移，需要原厂重新校准。

主控运算单元内置专用谷物识别算法，接收图像信号，完成图像分割、特征提取、籽粒分类、统计运算。内部存储多套适配不同稻米品种的判别参数，同时支持用户自定义修改判别阈值，适配企业自身执行的品质分级标准。系统会完整保存每一次检测任务的全部原始图像与统计数据，不仅输出最终百分比结果，还可以回溯查看单颗籽粒成像图片，方便工作人员复核可疑样品的判别情况，实现检测过程可追溯。

人机交互模块集成显示屏与操作按键，操作人员完成样品投放之后，在操作界面选择对应样品类型，启动检测，检测结束后查看分类结果，调取历史记录。操作逻辑面向粮油质检人员，不需要掌握机器视觉专业知识，简单培训就能够独立操作。设备配备对外数据接口，检测报告可以导出，接入企业品控系统，实现检测数据归档，用于工艺分析、批次对比。

四、仪器核心技术优势：解决人工外观检测的固有短板

对比传统人工目视检验，KETT RN‑700 谷粒判定器结合稻米质检实际工况，在检测一致性、大批量处理、数据数字化、可追溯等维度具备明显优势，解决很多人工检测无法规避的现实痛点。

第一，检测结果重复性高，规避人为主观偏差。人工检验会受到操作人员视力、疲劳程度、主观判定尺度的影响，同一批样品，不同人、不同时间检测结果波动较大。仪器按照统一算法阈值执行判别，同一份样品重复多次检测，输出统计结果波动小，提升品质判定的一致性，企业内部不同质检室之间的数据对比更具备参考价值。

第二，实现大批量样品自动化检测，释放人力。人工分拣统计需要花费大量时间逐粒挑拣，RN‑700 可以自动完成送样、成像、分类统计，操作人员只需要投料和调取报告，减少重复机械的人工分拣工作，质检人员可以把精力放在工艺分析、异常问题研判上，提升质检岗位的工作效率，适合工厂日常大批量来料、成品批次抽检工作。

第三，检测过程数字化，结果可回溯可留存。人工分拣只能记录最终的百分比数据，无法留存检测过程资料。仪器保存每一次检测任务的全部籽粒图像与统计报表，遇到品质争议的时候，可以回看原始图像复核判别情况，实现外观检测的可追溯，也方便企业积累不同季节、不同产地大米的外观品质数据库，用于加工工艺优化分析。

第四，判别参数灵活可调，适配多品种稻米。粳米、籼米、糙米，不同品种籽粒大小、垩白特征差异明显，仪器内置基础参数模板，同时支持工作人员对碎米尺寸、乳白判定程度、裂纹识别灵敏度等阈值进行微调，适配本地区主栽品种，让判别尺度贴合企业实际品质标准。

同时需要客观认清设备的能力边界，RN‑700 依靠二维平面成像开展识别，对于籽粒背面、紧贴输送通道的一面无法采集图像，会存在识别盲区；部分非常细微的内部隐性裂纹，二维图像很难捕捉。遇到产品质量仲裁场景，仪器结果作为快速参考，需要按照国标规定，以人工检验方法作为仲裁依据。米粒本身如果混杂大量灰尘、粘连米糠，也会干扰图像识别，因此进入仪器检测的样品，需要预先做简单清理。

五、实际应用场景：覆盖稻米产业从原料到成品全流程质检

RN‑700 谷粒判定器的应用场景高度聚焦稻米产业链，覆盖粮食仓储收购、碾米加工生产、质检检测、农业育种多个板块，承担外观品质量化评价工作。

在粮食收购与仓储质检环节，粮库和粮食贸易企业接收稻谷、糙米，需要评价籽粒外观品质，判断粮源品质等级。利用仪器快速完成大批量样品的碎米、未熟粒、乳白粒统计，快速完成多批次样品对比筛选，为收购定级提供量化参考，弥补人工肉眼检验效率不足的问题。

碾米加工厂是该设备最主要使用场景。稻谷经过砻谷、碾磨、抛光多道工序之后，成品大米的碎米率、垩白粒、裂纹粒，直接关系产品等级和市场售价。原料进厂时，对来料糙米做外观检测，掌握原料基础状态；生产加工过程定时取样检测，评价碾米工艺的加工效果，判断碾磨强度是否合适，工艺参数是否需要调整；成品出库之前做批量筛查，监控成品外观品质稳定性，及时发现生产工况波动。相比于人工抽检，仪器可以处理更大的样本数量，统计结果更具备统计学代表性。

农业科研与水稻育种领域，育种工作会产出海量的试验株系，需要评价籽粒外观性状。过去依靠人工完成大量材料外观评价，工作量巨大。RN‑700 可以对育种材料批量检测，快速输出每一份材料的碎米、垩白、颗粒形态相关数据，完成初筛，筛选目标性状株系，减轻科研人员重复劳动，加快水稻育种筛选进度。

第三方粮油检测实验室，也可以用该仪器完成大批量样品的快速预检测，把异常、超标的样品筛选出来，再针对重点样品开展国标人工仲裁检验，提升实验室样品处理通量。该仪器主要针对稻谷、糙米、精米，其他杂粮谷物需要验证适配性，不适合粉末、高湿度结块样品检测。

六、实操关键控制点：样品、环境、参数共同保障检测可靠性

机器视觉仪器的结果，不单单取决于硬件性能，样品前处理、参数模板选择、环境条件、样品洁净程度，都会直接影响最终输出，很多检测误差来源于操作环节疏忽。

选择匹配的判别参数模板是首要步骤。检测粳米样品调用籼米模板，判别阈值不匹配，碎米、乳白粒统计结果会出现系统性偏差。更换稻米品种，需要切换对应的模板，针对本地特色品种，还需要结合人工比对结果微调阈值，让仪器判别尺度和行业标准、企业内控标准对齐。定期选取代表性样品，仪器检测和人工检验做比对，校验仪器判别尺度是否发生偏移。

样品状态处理十分关键。送检样品要清理掉灰尘、米糠、杂质，糠粉附着米粒表面，会改变图像灰度，造成仪器误判，把正常米粒识别为病斑、乳白粒。样品不能带有过高水分，潮湿米粒容易互相粘连，投料时无法单粒分散，出现多粒重叠成像，直接造成统计错误。同时需要避免样品运输、倾倒过程人为产生碎米和裂纹，保证送检样品代表真实样品状态。投料的时候控制投料量，投料过多会超出分散机构处理能力，大量籽粒堆叠，投料过少样本量不足，统计结果缺少代表性，按照仪器要求的样品量开展检测。

仪器工作环境，需要放置在稳固台面，避免震动，震动会干扰内部送料机构，造成送料异常；避开阳光直射，阳光射入检测腔体，直接破坏成像质量。环境湿度不宜过高，高湿度会让米糠粉尘受潮结块，附着在通道和镜头，加速器件老化。