稻谷储藏和运输过程中,在适宜的温度湿度环境下极易发生霉变,会导致大量的粮食浪费和巨大的经济损失,进而影响粮食安全,为解决在传统的稻谷霉变检测过程中存在的繁琐且耗时较长等不足,本研究以东北寒地稻谷为研究对象,提出了基于NIR光谱图像特征的稻谷霉变程度检测方法,在此基础上开发了基于Android的稻谷霉变程度检测系统。该方法与系统为检测稻谷运输和仓储时是否发生霉变提供理论基础和技术支持,对稻谷发生霉变早期预警具有一定的价值。主要研究内容如下:（1）NIR图像采集与特征提取。通过农业多光谱相机-Sequoia和固定光源等设备,搭建了霉变稻谷NIR图像数据采集平台,获取了黑龙江地区牡响、早香、彩稻三个品种不同的霉变状态分别为:健康、轻度霉变、中度霉变的NIR光谱成像数据。其次,对于三种霉变程度稻谷的NIR图像的160×160反射值有效区域,应用数字图像处理技术结合光谱图像分析方法,分析了NIR图像多种纹理特征和光谱反射值频域特征,计算了NIR图像的8个纹理特征包括:均值、标准差、平滑度、三阶距、一致性、信息熵、平均梯度、分型维数,以及间隔步长0.1时NIR光谱图像在0.2～0.8区间6个频域特征,共计14维度的光谱图像特性指标,为构建稻谷霉变检测模型提供指标依据。（2）构建稻谷霉变程度检测模型。以提取的NIR图像14维特征向量为依据,分别构建了决策树、BP神经网络、RBF神经网络的三种稻谷霉变程度检测模型。通过剪枝得到决策树结构,节点数为5,数深度为2,终端节点为3,仿真测试中准确率为67.2%;构建BP神经网络检测模型,该网络结构为14-60-3,所提取的稻谷NIR图像特征与模型输出的相关系数为0.85,对于不同稻谷的霉变程度检测准确率为93.33%。建立RBF神经网络模型,网络结构为14-44-3,在仿真测试中平方和误差为6.959,准确率为82.3%。综合对比三种模型,BP神经网络在检测模型学习次数为28455次时达到预设的目标精度0.06,且预测准确率较高,故选取BP神经网络为最优检测模型,该模型的建立能够为稻谷仓储时霉变早期自动快速检测提供技术支持,同时为检测系统的实现提供算法保证。（3）开发基于Android的稻谷霉变程度检测系统。以最优检测模型为理论基础,开发了稻谷霉变程度检测系统,用户即传即检,实现了全程无接触式检测。系统前端使用Android Studio开发环境,后端采用Flask框架以及内网穿透技术,完成了交互界面、图像裁剪、图像上传、特征提取和图像检测五个功能模块。待检测图像通过用户的手动裁剪,利用外网上传,经过后台计算,特征值将会显示在用户手机界面,点击检测结果,当前稻谷处于何种健康状态将通过弹窗的方式反馈于用户手机并给予一定的建议。该APP整合了本研究中有效区域的获取、特征值计算以及霉变程度检测的关键部分,且该APP扩展性强,有助于技术进一步的升级和推广。