【智慧农业之窗】水稻产后智慧化关键技术研究现状与展望

半喂入机型结构复杂，割台切割下来的作物仅穗头部进入脱粒滚筒脱粒。这种机型的含杂率相对较低，脱粒干净。Doungpueng等收集了15台联合收割机的数据，生成了KDML-105（Kao Dawk Mali 105）变体的预测模型，使用12台联合收割机验证预测模型。结果表明，该模型的RMSE为0.24 m2/s。Liang等在切向-纵向轴联合收割机上安装传感器，在华北地区进行了粮食分离损失监测试验，结果表明该监测方法可行，收割水稻时测量相对误差最大为4.63%。Hasan等分别使用小型联合收割机和手动收割两种方式对不同地区的水稻进行收割，与手动收割方式相比，使用小型联合收割机成本节省了55.86%。

目前，智能化技术的应用使得无人收割机能够实现自主运行、智能识别作物的功能，极大地提高了农业生产效率和质量。然而在收割中有时需要多台机器协同作业以提高作业的效率，满足农事生产的需求。因此，合理分配各农机作业任务、协同各农机间任务的逻辑关系至关重要。河北农业大学等高校已开展相关研究。如李文鑫等针对联合收割机与运粮车无法协同优化调度的问题，构建多机型多任务协同优化调度模型，为联合收割机与运粮车的协同调度问题提供了有效的解决方案。

从水稻无人收割机的企业发展来看，国际上水稻收割机中知名度较高的有久保田、约翰迪尔、雷沃谷神、江苏沃德等。其中，久保田凭借其高质量产品长期占据着中国水稻联合收割机市场的最大份额。而江苏沃德作为水稻联合收割机的领头羊企业，是久保田在水稻联合收割机市场中的主要竞争对象。就目前来看，中国水稻联合收割机市场格局已经趋向稳定，市场集中度较高。从收割技术的发展来看，无人收割技术仍存在着图像识别准确度不高，自动驾驶安全性不足等问题。未来可以通过加强传感器设备、引入碰撞避免算法、建立完善的紧急制动系统等方法改善这些问题，使无人收割机能够更好的为农业提供支持，实现农业生产的高效，精准和可持续发展。

稻谷储藏品质指标主要包括水分含量、脂肪酸含量、直链淀粉含量、淀粉酶活性、挥发性物质等。

在水分含量、脂肪酸含量、直链淀粉含量、淀粉酶活性等稻谷储藏品质检测方面，光谱技术提高了检测的准确性、速度和自动化水平。苗雪雪等利用近红外光谱技术实现了大米中含水量的快速测定。Weng等使用反射光谱技术，实现了对大米淀粉酶活性和水分含量的快速、无损检测。目前，已有公司研发了稻谷储藏品质检测的仪器，如波通公司研发的IM9500近红外分析仪和FT9700傅里叶变换型近红外光谱仪均能够快速准确地分析稻谷脂肪酸含量，简化了检测流程。

挥发性物质的检测方法主要包括气质联用技术和电子鼻技术等。Ashokkumar等通过气相色谱-质谱联用技术分析了南印度八种传统稻米和两种现代稻米的挥发性有机化合物和总酚含量。Wang等用气相色谱-质谱联用技术对稻谷储存前后的代谢物进行了分析。Xu等应用电子鼻技术检测大米在陈化过程中产生的主要挥发性有机化合物。Zhang等使用电子鼻和气相色谱-质谱联用技术检测了粳稻发霉过程中的挥发性有机化合物，并成功识别了与霉菌污染相关的主要成分。

综上，目前多种稻谷品质指标依赖不同的检测技术，集成难度较大。未来研究应着重开发便捷、经济的挥发性物质检测技术，并且集成多项检测指标，实现稻谷储藏品质的高效综合监控。

在稻谷加工过程中，机器视觉技术的应用逐渐增加，通过图像传感器获取物体图像信息，并将其转换为数字信号，以分析大米表面颜色、亮度等特征，可以客观、高效地检测加工精度、垩白度、碎米率等大米加工品质，从而提高生产效率，降低人为误差。万鹏等利用机器视觉和反向传播神经网络（Back Propagation Neural Network，BPNN），通过颜色特征值检测大米加工精度，试验平均准确率为92.17%。陈昊然等研究提出了一种基于图像显著性区域提取的垩白区域检测算法，用于提高大米垩白度检测的准确性，试验表明其检测准确率为96.76%。程科等设计了一套基于机器视觉的大米外观品质参数在线检测系统，能够实时检测碾米机出料口的大米碎米率和留皮度，以在满足加工精度的同时控制碎米率。Prabira等应用聚类算法精确区分并分割出大米中的垩白区域，分割效果如图2所示。中谷机械公司研发了大米外观品质测定仪，通过图像采集、图像处理技术可以检测大米质量指标中的整精米率、垩白粒率、垩白度等指标。

综上，机器视觉技术在稻谷加工品质检测中虽取得了一定成效，但仍存在不足之处。首先，检测精度易受光照、灰尘、设备震动等环境因素影响，导致检测结果不够稳定；其次，由于不同品种和加工批次的大米在颜色、形状等方面存在差异，现有模型的泛化能力还不足。未来研究可结合深度学习与多模态融合技术，提升机器视觉系统对大米外观特征的识别能力及适应性。