CN111104730B - 一种基于白度的大米碾白程度快速判别方法 - Google Patents
一种基于白度的大米碾白程度快速判别方法 Download PDFInfo
- Publication number
- CN111104730B CN111104730B CN201911119647.5A CN201911119647A CN111104730B CN 111104730 B CN111104730 B CN 111104730B CN 201911119647 A CN201911119647 A CN 201911119647A CN 111104730 B CN111104730 B CN 111104730B
- Authority
- CN
- China
- Prior art keywords
- rice
- whiteness
- degree
- brown
- reduction rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02B—PREPARING GRAIN FOR MILLING; REFINING GRANULAR FRUIT TO COMMERCIAL PRODUCTS BY WORKING THE SURFACE
- B02B7/00—Auxiliary devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Adjustment And Processing Of Grains (AREA)
Abstract
本发明提出了一种基于白度的大米碾白程度快速判别方法,其步骤为:首先,采集实际生产线上的糙米,将糙米输送至碾米机后产生米样,记录糙米的质量、米样的质量和碾磨时间,并利用智能白度仪测定糙米的白度和米样的白度;然后,根据糙米的质量和米样的质量计算米样的碾减率,并结合糙米的白度、米样的白度作为数据集;接着利用线性回归方法建立大米白度与碾减率的数学模型;最后,利用数学模型检测某道碾米机产出的米样的碾白工序的碾减率。本发明以白度计算碾减率,能够较好地反映大米碾白的程度,为碾米师提供简便、快捷的方法,不但能够实现碾米机的快速调节,减少不必要的浪费,也能较好的控制碾白程度,实现精准控制,避免过度加工。
Description
技术领域
本发明涉及稻谷加工技术领域,特别是指一种基于白度的大米碾白程度快速判别方法。
背景技术
稻谷属于禾本科稻属(Oryza),在世界各地分极广,可分为籼稻和粳稻两个亚种。我国稻谷产量约占世界总产的三分之一,居世界首位,其中籼稻产量约三分之二,粳稻约占三分之一,稻谷主要加工成大米作为日常口粮食用。稻谷籽粒由稻壳(颖)与糙米(颖果)两个主要部分组成,稻谷加工成大米的工艺一般分为两个阶段,第一阶段从稻谷干燥、清理、脱壳、谷糙分离、精选等工序得到干净饱满的糙米;第二阶段白米加工是以糙米为原料,主要通过碾米机的多道碾白、筛选分级、抛光、色选等工序得到成品大米。
碾白是大米加工过程中最重要的工序,碾白工艺效果主要由糙出白率、加工精度、碾减率、碎米率等来评价。糙米在碾米机内碾白过程中,因皮层及胚的碾除,其体积、重量均有所减少,减少的百分率称之为碾减率。在工艺设计、设备选型及操作等方面,用多道碾白工艺,选用合适的碾米机型,对每道碾白工序碾减率进行控制,可以减轻胚乳损伤,增加出米率。碾减率越高,加工精度越高,米粒颜色越白。
在实际生产过程中,由于糙米经过碾米机在配有米筛和吸风装置的碾白室碾白后的混合物大都直接把白米与糠粞分开处理;如果想要计算碾减率,可以通过暂时停机、停止吸风得到白米和米糠混合物,也很难得到全部的混合物,因为还需要清理收集米筛上黏连的米粞,因此很难准确得到每道碾白工序的碾减率。为了了解每道碾白工序的碾白效果,主要依赖于碾米师或操作人员的经验,随机抽取碾米机生产出来的白米,依靠自己的眼睛观察白米的碾制情况,如色泽、留皮、留胚情况,来调节压砣的位置调整碾白室的压力来较好地控制碾白效果。
根据人工经验判别大米的碾白效果,这种方法比较简单,但不是很客观,容易造成误差,也不容易实现自动控制。由于我国稻米加工程度在线控制手段落后,从而造成大米过度加工,导致营养流失、能耗高、风味较差等突出问题,因此研究碾白程度对大米加工品质、食用品质、营养特性等的影响,揭示碾米工艺固有的规律,为大米适度加工提供理论基础,并为实际生产提供指导,具有非常重要的意义。
由于我国稻谷品种繁多,难以建立统一的碾白程度数学模型,通过对我国主要水稻产区的籼稻、粳稻碾白对加工品质影响的研究表明,以白度检测换算成碾减率,能够较好地反映大米碾白的程度,这样可以为碾米师提供简便、快捷的方法,不但能够实现碾米机的快速调节,减少不必要的浪费,也能较好的控制碾白程度,实现精准控制,避免过度加工。
然而,目前市场上还没有一个判断大米碾白程度的快速判定方法和模型,也还没有统一的标准。作为稻谷加工的关键工序,对于一个加工企业,迫切需要一个简便、快捷的判别方法,以实现客观、定量、准确和快速的测定大米加工程度,以指导实际生产。
发明内容
针对上述背景技术中存在的不足,本发明提出了一种基于白度的大米碾白程度快速判别方法,解决了现有大米碾白程度判断方法误差大的技术问题。
本发明的技术方案是这样实现的:
一种基于白度的大米碾白程度快速判别方法,其步骤为:
S1、采集实际生产线上的糙米,记录糙米的质量,并利用智能白度仪测定糙米的白度;
S2、将步骤S1中的糙米输送至碾米机后产生的米样,记录米样的质量和碾磨时间,并利用智能白度仪测定米样的白度;
S3、根据步骤S1中的糙米的质量和步骤S2中的米样的质量计算米样的碾减率,并将糙米的白度、米样的白度和碾磨率作为数据集;
S4、利用线性回归方法建立大米白度与碾减率的数学模型;
S5、利用步骤S4中的数学模型和智能白度仪测定的白度检测某道碾米机产出的米样的碾白工序的碾减率。
所述步骤S3中米样的碾减率的计算方法为: 为类别l、种类i的糙米在碾磨时间t后的碾减率,Ril为类别l、种类i的糙米质量,R'il,t为类别l、种类i的糙米在碾磨时间t后的质量;类别l、种类i的糙米在碾磨时间t后的米样的白度记为 为糙米的类别,i∈{粳米1,粳米2,粳米3,籼米1,籼米2}为糙米的种类,t为碾磨时间。
所述大米白度与碾减率的数学模型为:
其中,为类别l、种类i的糙米在碾磨时间t后的碾减率,表示类别l的糙米其白度为零时的留皮度值,表示类别l的糙米其白度为零时的留皮度值的最小值,表示类别l的糙米其白度增加一个单位时对留皮度值的影响度,表示类别l的糙米其白度增加一个单位时对留皮度值的影响度的最小值。
所述糙米类别为粳米时,粳米白度与粳米的碾减率的关系的计算方法为:
S11、粳米白度增加的一个单位时对留皮度值的影响度其中,粳米白度的离差平方和为粳米白度与留皮度的协方差,且为粳米白度样本的均值,为粳米留皮度的样本均值,m(0)为粳米的种类数,n(0)为不同时刻t对粳米测量的样本数,为种类为i的粳米在时刻t处测定的白度值,为种类为i的粳米在时刻t处测定的碾减率;
所述糙米类别为籼米时,籼米白度与籼米的碾减率的关系的计算方法为:
S21、粳米白度增加的一个单位时对留皮度值的影响度其中,为籼米白度的离差平方和,为籼米白度与留皮度的协方差,且为籼米白度样本的均值,为籼米留皮度的样本均值,m(1)为籼米的种类数,n(1)为不同时刻t对籼米测量的样本数,为种类为i的籼米在时刻t处测定的白度值,为种类为i的籼米在时刻t处测定的碾减率;
所述大米白度与碾减率的线性回归模型为:其中,Y(l)为类别l的碾减率,X(l)为类别l的大米白度,表示类别l的糙米其白度为零时的留皮度值的最小值,表示类别l的糙米其白度增加一个单位时对留皮度值的影响度的最小值。
本技术方案能产生的有益效果:本发明以白度计算碾减率,能够较好地反映大米碾白的程度,为碾米师提供简便、快捷的方法,不但能够实现碾米机的快速调节,减少不必要的浪费,也能较好的控制碾白程度,实现精准控制,避免过度加工。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
图2为本发明的白度与碾减率的关系曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于白度的大米碾白程度快速判别方法,具体步骤如下:
S1、采集实际生产线上的糙米,记录糙米的质量,并利用智能白度仪测定糙米的白度;白度测定方法如下:使用WSB-X型智能白度仪,首先接通电源,显示器开始倒计时2min,其次,使用黑筒校准白度为0.0,使用白板校准白度为83.6,最后,装上待测大米样品,即可测定样品白度。
S2、将步骤S1中的糙米输送至碾米机后产生的米样,记录米样的质量和碾磨时间,并利用智能白度仪测定米样的白度。
S3、根据步骤S1中的糙米的质量和步骤S2中的米样的质量计算米样的碾减率,并将糙米的白度、米样的白度和碾磨率作为数据集。米样的碾减率的计算方法为: 为类别l种类i的糙米在碾磨时间t后的碾减率,Ril为类别l种类i的糙米质量,R'il,t为类别l种类i的糙米在碾磨时间t后的质量,类别l种类i的糙米在碾磨时间t后的米样的白度记为为糙米的类别,i∈{粳米1,粳米2,粳米3,籼米1,籼米2}为糙米的种类,t为碾磨时间。
S4、利用线性回归方法建立大米白度与碾减率的数学模型:
其中,表示类别l的糙米其白度为零时的留皮度值,表示类别l的糙米其白度为零时的留皮度值的最小值,表示类别l的糙米其白度增加一个单位时对留皮度值的影响度,表示类别l的糙米其白度增加一个单位时对留皮度值的影响度的最小值。
当糙米类别为粳米时,粳米白度与粳米的碾减率的关系的计算方法为:
S11、粳米白度增加的一个单位时对留皮度值的影响度其中,粳米白度的离差平方和,为粳米白度与留皮度的协方差,且为粳米白度样本的均值,为粳米留皮度的样本均值,m(0)为粳米的种类数,n(0)为不同时刻t对粳米测量的样本数,为种类为i的粳米在时刻t处测定的白度值,为种类为i的粳米在时刻t处测定的碾减率;
所述糙米类别为籼米时,籼米白度与籼米的碾减率的关系的计算方法为:
S21、粳米白度增加的一个单位时对留皮度值的影响度其中,为籼米白度的离差平方和,为籼米白度与留皮度的协方差,且为籼米白度样本的均值,为籼米留皮度的样本均值,m(1)为籼米的种类数,n(1)为不同时刻t对籼米测量的样本数,为种类为i的籼米在时刻t处测定的白度值,为种类为i的籼米在时刻t处测定的碾减率;
根据大米加工经验,在规定的取值内,碾磨时间越长,碾减率越高,而白度值越高,故,本发明假设糙米糠层具有正态分布Y(l)~N(μ(l),σ2),在此基础上建立碾减率与白度的线性回归模型,其中,ε(l)~N(0,σ2),ε(l)为模型误差,实验过程中,由于仪器设备和不同的操作人员,对同类型的糙米的白度、留皮度的测量会带来一定的、不可避免的偏差;或者糙米本身糠层分布有系统差别,这些不可控的偏差均假定为模型误差。根据公式(1)的数学模型,大米白度与碾减率的线性回归模型可转化为:其中,Y(l)为类别l的碾减率,X(l)为类别l的大米白度。
S5、利用步骤S4中的数学模型检测某道碾米机产出的米样的碾白工序的碾减率。
为了验证本发明的效果,对原阳新丰2号、本溪辽粳和吉林超级稻3种米的白度和碾减率的进行预测,模型的拟合值及预测区间如图2所示,图中黑色圆点为三种米的测试白度与碾减率值,实线为回归曲线,从图形可以看出,预测值基本符合检验数据,两条虚线为预测精度为95%的预测区间的上下限,尽管有三个点在预测区间之外,但绝大多数都在本发明的预测区间内。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于白度的大米碾白程度快速判别方法,其特征在于,其步骤为:
S1、采集实际生产线上的糙米,记录糙米的质量,并利用智能白度仪测定糙米的白度;
S2、将步骤S1中的糙米输送至碾米机后产生的米样,记录米样的质量和碾磨时间,并利用智能白度仪测定米样的白度;
S3、根据步骤S1中的糙米的质量和步骤S2中的米样的质量计算米样的碾减率,并将糙米的白度、米样的白度和碾减率作为数据集;
所述步骤S3中米样的碾减率的计算方法为: 为类别l、种类i的糙米在碾磨时间t后的碾减率,Ril为类别l、种类i的糙米质量,R′il,t为类别l、种类i的糙米在碾磨时间t后的质量;类别l、种类i的糙米在碾磨时间t后的米样的白度记为 为糙米的类别,i∈{粳米1,粳米2,粳米3,籼米1,籼米2}为糙米的种类,t为碾磨时间;
S4、利用线性回归方法建立大米白度与碾减率的数学模型;
所述大米白度与碾减率的数学模型为:
其中,为类别l、种类i的糙米在碾磨时间t后的碾减率,表示类别l的糙米其白度为零时的留皮度值,表示类别l的糙米其白度为零时的留皮度值的最小值,表示类别l的糙米其白度增加一个单位时对留皮度值的影响度,表示类别l的糙米其白度增加一个单位时对留皮度值的影响度的最小值;
S5、利用步骤S4中的数学模型和智能白度仪测定的白度检测某道碾米机产出的米样的碾白工序的碾减率。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019105218674 | 2019-06-17 | ||
CN201910521867 | 2019-06-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111104730A CN111104730A (zh) | 2020-05-05 |
CN111104730B true CN111104730B (zh) | 2023-04-07 |
Family
ID=70420753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911119647.5A Active CN111104730B (zh) | 2019-06-17 | 2019-11-15 | 一种基于白度的大米碾白程度快速判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111104730B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114160234B (zh) * | 2021-11-17 | 2022-11-01 | 长沙荣业软件有限公司 | 碾米生产工艺控制方法及米珍生产线 |
CN114471798B (zh) * | 2022-01-21 | 2023-03-10 | 长沙荣业软件有限公司 | 稻米加工碾减率的在线检测方法、碾米压力控制方法 |
CN115069327A (zh) * | 2022-06-24 | 2022-09-20 | 国家粮食和物资储备局科学研究院 | 一种基于白度模型的粳稻加工方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103411929A (zh) * | 2013-05-10 | 2013-11-27 | 中国水稻研究所 | 一种稻米透明度检测方法 |
WO2018084612A1 (ko) * | 2016-11-02 | 2018-05-11 | 한국식품연구원 | 쌀의 품질측정 시스템, 쌀의 식미평가방법, 곡물의 발아율 예측 시스템 및 발아율 예측 방법 |
CN109046519A (zh) * | 2018-09-06 | 2018-12-21 | 东北农业大学 | 一种基于行为相似准则的碾白室参数设计方法 |
-
2019
- 2019-11-15 CN CN201911119647.5A patent/CN111104730B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103411929A (zh) * | 2013-05-10 | 2013-11-27 | 中国水稻研究所 | 一种稻米透明度检测方法 |
WO2018084612A1 (ko) * | 2016-11-02 | 2018-05-11 | 한국식품연구원 | 쌀의 품질측정 시스템, 쌀의 식미평가방법, 곡물의 발아율 예측 시스템 및 발아율 예측 방법 |
CN109046519A (zh) * | 2018-09-06 | 2018-12-21 | 东北农业大学 | 一种基于行为相似准则的碾白室参数设计方法 |
Non-Patent Citations (1)
Title |
---|
碾减率对大米理化特性及蒸煮食味品质的影响;张玉荣等;《河南工业大学学报(自然科学版)》;20080820(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111104730A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104730B (zh) | 一种基于白度的大米碾白程度快速判别方法 | |
CN105044021B (zh) | 一种中秋酥脆枣糖度无损检测方法 | |
CN109932333B (zh) | 声学振动和近红外光谱融合的水果坚实度测量系统和方法 | |
CN102253052B (zh) | 基于fpga的粮食品质在线检测装置 | |
CN108680515B (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
CN1865997A (zh) | 一种无损检测苹果冷藏和货架品质的方法 | |
CN105044022B (zh) | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 | |
CN113426709B (zh) | 谷料收购智能检测机器人及谷料分类方法 | |
CN110715918B (zh) | 单籽粒玉米淀粉含量拉曼高光谱分级方法 | |
CN107202784B (zh) | 一种水稻浸种催芽过程中工艺节点的检测方法 | |
CN103752535A (zh) | 基于机器视觉的大豆籽粒精选方法 | |
CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
CN109961179A (zh) | 一种水产品品质检测方法及便携式拉曼装置 | |
CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 | |
Venkatesan et al. | Characterization of barnyard millet cultivars using seed image analysis | |
CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
Finney et al. | Prediction of damaged starch in straight-grade flour by near-infrared reflectance analysis of whole ground wheat | |
Armstrong et al. | The effect of moisture content on determining corn hardness from grinding time, grinding energy, and near-infrared spectroscopy | |
CN108717001B (zh) | 一种小麦籽粒硬度的检测方法 | |
CN101915712A (zh) | 大米加工精度的检测方法 | |
CN106645022A (zh) | 一种大麦籽粒总淀粉含量的快速无损检测方法 | |
CN115069327A (zh) | 一种基于白度模型的粳稻加工方法 | |
Heman et al. | Development and Optimization of an Automatic System to Determine the Moisture Content in Single-Kernel Rough Rice Using Visible/NIR Spectroscopy | |
CN115468931B (zh) | 豆粕质量检测模型的构建方法、豆粕质量检测方法及装置 | |
JP3180847B2 (ja) | 酒米の心白測定方法及びその装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |