我国每年大米产量巨大。随着计算机技术的飞速发展,机器学习在大米检测方面的应用越来越广泛,与传统人工检测技术相比,具有客观性和科学性,是自动化分级发展的必然趋势。目前,我国大米外观品质的快速检测技术已经取得了不错的成果,但是现有的研究成果距在农业生产上的实际应用还有一定的距离。因而研究基于机器学习的大米外观品质检测技术具有很高的理论价值和实际意义。本文以四川省科技计划项目“基于非接触式传感和大数据分析的稻谷品质检测系统原型设计与开发运用”为背景,展开如下研究:首先,介绍大米图像的检测系统,包括硬件系统、软件环境及大米选取与分类规定等内容。对大米图像进行灰度化处理、图像噪声处理、背景分割及图像标记处理,并对仿真结果进行分析说明,选择出适合本文的预处理算法。其次,采用基于BP神经网络的方法实现对大米外观品质的检测,包含对完善粒、垩白粒、黄米粒及碎米粒品质的划分。选取大米米粒的面积、长度、宽度、长宽比、色调均值及垩白度作为网络的输入参数,并通过测试验证了它们作为神经网络的输入数据是合理且有效的,训练完成后的BP网络平均识别准确率可以达到91.8%。最后,研究基于卷积神经网络的大米外观品质检测方法,即采用离线检测的方式在移动设备上实现对大米外观品质的检测。首先,选择合适的轻量化神经网络,对网络通过剪枝的方法优化模型。然后,在PC端利用自建大米数据集训练网络,并测试网络精度。最后,将网络移植到安卓手机端,完成应用开发。实验结果表明,手机端的平均检测精度为85%,检测结果满足需求。