一、檢測項目的定義與重要性

1. • 定義：指目標作物中混入的其他品種或物種的顆粒，可能因種植混雜或加工污染導致。
   • 影響：降低產品純度，影響種子發芽率或加工食品的一致性。
2. • 定義：因發育不良導致體積、重量顯著低于正常水平的顆粒。
   • 影響：降低出米率、出粉率，影響加工效率和終端產品品質。
3. • 定義：種皮結構致密、吸水性差的顆粒，常見于豆類作物中。
   • 影響：發芽率低（種子領域）或烹飪時間延長（食品領域）。

二、檢測方法與技術標準

（一）異品種粒檢測

1. • 形態學檢測：通過人工目視或放大鏡觀察顆粒形狀、顏色、紋理等特征。
   • 化學染色法：利用特定試劑（如碘化鉀檢測淀粉差異）區分品種。
2. • 分子標記技術：基于DNA條形碼（如SSR、SNP標記）精準鑒別品種。
   • 高光譜成像：結合光譜與圖像分析，快速識別異品種的微小特征差異。
3. • 國家標準：如GB/T 5494-2019《糧油檢驗 雜質、不完善粒檢驗》規定異品種粒的占比閾值。
   • 國際規范：ISO 520:2010對谷物純度分級提出明確要求。

（二）瘦小粒檢測

1. • 篩分法：使用標準篩網分離不同粒徑顆粒（如小麥篩分采用Φ2.0mm篩孔）。
   • 重力分選：通過密度差異（如風選機、比重篩）去除輕癟粒。
2. • 圖像識別技術：利用深度學習算法分析顆粒圖像，自動判定體積與飽滿度。
   • 重量分選系統：基于動態稱重技術實時剔除低于標準重量的顆粒。
3. • 行業標準：NY/T 2334-2013規定稻谷瘦小粒率≤5%為一級品。

（三）硬實粒檢測

1. • 浸泡法：將顆粒浸水24小時，未膨脹的顆粒判定為硬實粒。
   • 切割試驗：人工切開顆粒觀察種皮厚度與結構。
2. • 近紅外光譜（NIRS）：通過吸光度分析種皮成分，預測硬實率。
   • 聲波共振：利用聲波穿透性差異識別硬度異常的顆粒。
3. • 食品領域：硬實粒占比超過3%需進行預處理（如機械破皮）。
   • 種子領域：硬實率＞10%需標注警示信息（參照ISTA國際種子檢驗規程）。

三、檢測技術的創新趨勢

1. • 結合高光譜、X射線與AI算法，同步檢測三類缺陷顆粒（精度＞98%）。
   • 案例：大米加工線集成在線檢測系統，每小時處理量達5噸。
2. • 手持式近紅外儀可在田間快速篩查異品種粒與硬實粒。
3. • 將檢測數據上鏈，實現從種植到加工的全流程質量追溯。

四、質量控制體系的應用

1. 加工流程優化
   • 在清理工段增設色選機與重量分選機，降低異品種粒與瘦小粒殘留。
2. 成本效益分析
   • 硬實粒預處理可提升豆類加工出品率10%-15%，綜合效益顯著。

五、結語

1. GB/T 5494-2019 糧油檢驗雜質、不完善粒檢驗
2. ISO 520:2010 Cereals and pulses
3. 王某某等. 基于深度學習的糧食不完善粒識別[J]. 農業工程學報, 2021.