馬鈴薯品質無損檢測技術研究進展

吳 佳 湯全武 史崇升 王 健 李秩期

WU Jia TANG Quan－wu SHI Chong－sheng WANG JianLI Zhi－qi

（寧夏大學物理電氣信息學院，寧夏 銀川 750021）

（School of Physics ＆ Electrical Information，Ningxia University，Yinchuan，Ningxia 750021，China）

無損檢測技術是在不破壞待測對象原來狀態及化學性質的前提下，給予待測對象輸入一定形式的能量，利用對象本身的光、聲、力和電磁學等特性來獲取大量反映待測對象品質的特性信息，如形狀、色澤、紋理、缺陷、物理量或化學成份等理化指標信息［1］。目前檢測的農產品類別有：肉類、魚類、蛋類、油料作物、谷物、蔬菜、茶葉、煙葉、水果、酒類和轉基因食品等。農產品的品質有內部品質和外部品質，內部品質如成熟程度、糖分、酸度、主要營養成分、主要功能成分、內部病蟲害等；外部品質如表面光滑度、外部病蟲害、色澤、形狀和大小等。根據檢測原理的不同，無損檢測技術大致可分為五類：光學特性分析法、聲學特性分析法、機器視覺檢測方法、電學特性分析法、電磁與射線檢測技術［2］。馬鈴薯品質的無損檢測從20世紀90年代開始，技術逐漸成熟，從最初的外部品質檢測向內部品質檢測發展，處理速度越來越快，準確率越來越高。

馬鈴薯品質檢測是馬鈴薯加工中的重要環節，其品質檢測主要包括空心、黑色心腐等內部缺陷和綠皮、病斑、腐爛、機械損傷等外部缺陷，文章擬從超聲波檢測技術、機器視覺檢測技術、近紅外檢測技術、高光譜檢測技術綜述馬鈴薯內、外品質檢測的研究現狀，為理論研究和生產加工提供借鑒參考。

1 馬鈴薯品質的超聲波檢測技術

Cheng等［3］采用超聲波檢測馬鈴薯空心，分別在馬鈴薯兩側放置兩個探頭，一側探頭經偶合劑直接與馬鈴薯接觸，射入這一側的是寬頻帶超聲波，它是由脈沖電信號轉換而來的，而這個電信號來自于高能脈沖發射器，馬鈴薯空心會導致超聲波被多次反射，最后穿過馬鈴薯的超聲波被另一側的接收探頭接收，經過寬頻帶濾波器放大后顯示在示波器上。根據接收到的信號強弱和波動時間的長短，就可以將空心與實心馬鈴薯區分開來。在此基礎上，Hosainpour A等［4］研發了一套高速識別馬鈴薯和土塊的智能系統。當馬鈴薯收獲機的傳送帶以1 m／s的速度運動時，系統的識別準確率達到了97%。

2 馬鈴薯品質的機器視覺檢測技術

機器視覺系統見圖1。首先將圖像信號轉化成電信號，這一步由圖像傳感器來完成，而這些電信號可以由計算機來處理，將這些電信號運用圖像處理系統進行特征信號的提取，如面積、長度、大小等［5］。根據提取到的信號進行運算處理，以便計算機能夠根據結果進行相應動作［6］。

圖1 機器視覺系統示意圖［5］Figure 1 Schematic of machine vision system

Zhou等［7］研發了一套基于機器視覺的能客觀評價馬鈴薯的外部指標的實時檢測分級系統。Al－Mallahi等［8］研究了一套基于機器視覺系統，系統包含480 nm波段和752 nm波段，經過三維處理預測馬鈴薯和土塊的準確率在98%以上。高繼森等［9］研究了一套基于人工神經網絡的馬鈴薯品質分級的機器視覺系統，該系統準確率超過90%。

Dacal－Nieto等［10］研究了一種根據馬鈴薯外部缺陷和疾病特征來進行馬鈴薯分類的計算機視覺系統，該系統在對未清洗馬鈴薯的分類試驗中取得了很好的效果。鄭冠楠等［11］研究了一套可以實現實時檢測的基于計算機視覺的馬鈴薯分級系統，系統根據馬鈴薯外部特征實現了準確率為88.0%的馬鈴薯在線檢測分級。郝敏等［5，12］針對馬鈴薯主要外部品質研究了一套機器視覺系統，其中，分大、中、小3種規格檢測馬鈴薯的重量，準確率分別達到了97%，96%，98%；良好薯和畸形薯的檢測準確率達到了93%和100%。金晶［13］研究了單個馬鈴薯的外部品質靜態檢測的機器視覺方法，大小檢測誤差率為7%，形狀檢測結果為98.8%；針對馬鈴薯綠皮提出的基于色域的閾值識別檢測方法準確率達到了97.5%；提出了一套提取面積大小和黑色比率進行模式識別的新方法，表面缺陷和馬鈴薯塊莖的檢測率分別為91.4%和100%。

Al－Mallahi等［14］開發了一套機器視覺系統來區分馬鈴薯和土塊，系統引入紫外線成像技術，正確區分率在98%以上。

楊冬風等［15］提出了一套基于機器視覺的檢測馬鈴薯表面綠皮的方法，在分析顏色特征的基礎上，聯系BP神經網絡，識別綠皮區域的準確率達96.88%。高曉陽等［16］設計了一套馬鈴薯外部品質和重量相結合的基于單片機和機器視覺的分級模型樣機，綜合分類結果平均準確率為94.71%。王澤京［17］進行了單薯檢測分級機器視覺的研究，針對靜態馬鈴薯，在形狀檢測方面其準確率為94.7%；缺陷的檢測準確率分別為94%，無缺陷薯的檢測準確率為90%。

周竹等［18］根據馬鈴薯的大小、外形特性以及缺陷等特點，設計了一套基于機器視覺的馬鈴薯自動分級系統，為了同時獲取馬鈴薯的三面圖像，采用了V型平面鏡，系統由輸送單元、機器視覺系統、分級執行單元、控制單元等組成，從而實現馬鈴薯的自動分級，分級的正確率達到了91.0%。

崔建麗等［19－21］研究了一種基于機器視覺的優形馬鈴薯篩選的系統，提出利用邊界點矩特征傅里葉描述子來完成薯形的檢測，準確率達到了90%以上，還有一種引入光學相關聯合變換的理論，檢測準確率平均為91.25%。孔彥龍等［22］將馬鈴薯圖像綜合特征參數利用于馬鈴薯的分選中，結果表明質量和形狀分選準確率分別為95.3%和96%。

劉韋［23］開展了針對馬鈴薯青斑、腐爛、機械損傷3種缺陷的識別算法的研究，結果顯示該算法對3種缺陷的識別正確率分別為93%，90%，87.5%。周平等［24］研究了一種薯形檢測方法，檢驗結果球形預測率達95%，橢圓形達88%，其它形達97%。

綜上所述，機器視覺主要用于檢測馬鈴薯的大小、形狀、顏色、腐爛、機械損傷等外部缺陷以及區分馬鈴薯與土塊，涉及技術有：GA遺傳算法、人工神經網絡、Zernike矩算法、傅里葉描述子法、Canny算子等方法。為了能夠高效、準確地實現馬鈴薯在線檢測分級系統，所設計和實現的算法研究準確率越來越高、速度越來越快。但基于機器視覺的馬鈴薯檢測很難實現快速準確的內部品質檢測。

3 馬鈴薯品質的近紅外檢測技術

近紅外光譜檢測技術能滿足高速、高效、低成本、無損的要求。近紅外光譜儀器從分光系統可分為固定邊長濾光片、光柵掃描、快速傅里葉變換和聲光掃描［25］。

Baljinder［26］對馬鈴薯的水分含量進行了預測研究，使用偏最小二乘法（PLS）在400～1 750 nm內光譜分析可以對有皮和無皮土豆樣本進行水分預測。Qiao等［27］根據高光譜成像系統得到光譜數據，分析研究了這些數據與馬鈴薯的含水量之間的關系，并通過人工神經網絡做出了馬鈴薯水分含量預測模型，預測結果為R＝0.78。

田海清等［28］采用可見／近紅外漫反射光譜技術對馬鈴薯塊莖干物質含量進行了快速無損檢測研究，結果表明光譜經一階微分處理后，采用PLS法可以得到最好的建模效果。

張小燕等［29，30］驗證了利用近紅外光譜技術預測馬鈴薯水分、還原糖、蛋白質、淀粉含量的可行性，并建立了預測模型。

席那順朝克圖等［31］結合小波變換設計了一套針對馬鈴薯環腐病無損檢測的近紅外光譜采集系統，具有較好的檢測效果。孫旭東等［32］建立了基于最小二乘支持向量機算法的非線性近紅外光譜技術的數學模型，用來預測還原糖在馬鈴薯全粉中的含量，建立預測模型的相關系數是0.984，標準差是0.223%。

以上資料表明，引入近紅外光譜技術主要是針對馬鈴薯干物質含量、主要營養成分和環腐病的預測模型的研究；主要采用方法有主成分分析（PCA）、偏最小二乘法（PLS）、偏最小二乘的傅里葉變換、最小二乘支持向量機算法（LSSVM）等。大量的研究從外部缺陷轉為以馬鈴薯內部物質含量的檢測為主，兼顧馬鈴薯內外品質，為實現馬鈴薯的分級奠定了理論基礎。

4 馬鈴薯品質的高光譜檢測技術

將成像和光譜結合起來的技術被稱為高光譜技術，該技術對任一物體用成百個波段在波譜連續的情況下進行成像，構成該物體的圖像數據“立方體”，“立方體”按照光譜順序排列［33］。高光譜成像檢測系統［34］主要由CCD相機、光譜儀、環形燈、物體移動臺、計算機操作平臺等組件組成，見圖2。高光譜成像檢測系統用于記載在400～1 700 nm光譜區域的檢測物體光譜信息，檢測數據量一般都很龐大，為加快處理速度，通常對光譜數據先進行主成分分析 （principle component analysis，PCA）處理，能對數據進行降維和去噪處理，得到數據量小，且原始變量保留多的信息。

圖2 高光譜成像檢測系統［34］Figure 2 Hyperspectral imaging detecting system

Dacal－Nieto等［35］針對馬鈴薯結疤研究了運用近紅外高光譜成像系統，該系統準確率達到97.1%。Dacal－Nieto等［36］研究了空心馬鈴薯高光譜無損檢測方法，該方法的準確率達到89.1%。Ray等［37］針對馬鈴薯晚期枯萎病運用高光譜成像技術獲得到光譜數據進行分析。研究表明區分健康馬鈴薯與受病蟲害馬鈴薯的最優高光譜波段是540，610，620，700，730，780，1 040 nm。

Razmjooy等［38，39］的研究表明支持向量機（SVM）和人工神經網絡（ANN）針對馬鈴薯品質分類中有很好的預期效果，準確率超過96%。周竹等［40－42］分別研究了馬鈴薯干物質含量、黑心病及外部缺陷檢測的高光譜檢測技術。提出了CARS—SPA波長選擇方法，建立的多元線性回歸模型預測均方根誤差為1.06%。針對馬鈴薯黑心病提出光學無損檢測方法，采用偏最小二乘—線性判別分析方法（PLS—LDA），分別結合透射光譜采集系統采集的可見／近紅外透射光譜、高光譜圖像采集系統、傅里葉變換近紅外光譜儀建立馬鈴薯黑心病的識別模型，識別正確率分別為98.46%，92.31%，90.77%。

高海龍等［43］研究了檢測馬鈴薯內部黑心病和單薯質量的高光譜成像方法，用9個光譜變量建立最小二乘判別分析模型檢測馬鈴薯黑心病，偏最小二乘回歸模型檢測馬鈴薯質量。

蘇文浩等［34］針對馬鈴薯機械損傷、孔洞、結痂、表面損傷、發芽5種缺陷對比合格馬鈴薯，運用波段比和主成分分析相結合的算法，識別正確率為97.08%。

綜上所述，目前高光譜成像技術主要用于檢測馬鈴薯干物質含量、黑心病、外部缺陷等，用到的方法主要有CARS—SPA波長選擇方法建模、偏最小二乘—線性判別分析方法建模、支持向量機和人工神經網絡的方法。高光譜成像檢測技術相對于近紅外光譜的優勢明顯，其包含圖像信息和光譜信息，具有連續多波段、光譜分辨率高等特點，能夠兼顧馬鈴薯內外品質的檢測。

5 總結與展望

綜合已有文獻［44］可知，馬鈴薯品質的無損檢測技術主要有：超聲波檢測技術、機器視覺檢測技術、近紅外光譜檢測技術及高光譜成像檢測技術。根據檢測得到的信息，針對馬鈴薯外部缺陷，主要采用的技術有遺傳算法、人工神經網絡、回歸分析；內部缺陷采用主成分分析、偏最小二乘法、最小二乘支持向量機、競爭性自適應重加權算法與連續投影算法SPA相結合的波長選擇方法、偏最小二乘—線性判別分析方法；針對馬鈴薯形狀、大小采用Zernike矩算法、長短軸比、BP神經網絡、最小外接柱體體積法、邊界點矩特征傅里葉描述法、光學相關聯合變換的旁瓣峰值法、canny算子；馬鈴薯綠皮問題采用基于色域的閾值識別檢測方法、基于顏色特征的檢測方法。與國外對于馬鈴薯自動分級系統的研究相比，中國在馬鈴薯檢測實時性上有一定的缺陷，而且對于馬鈴薯內部缺陷的檢測也處于起步階段。建議在馬鈴薯品質無損檢測方面考慮以下3點。

（1）考慮到馬鈴薯檢測系統的實時性、準確性和成本，完善馬鈴薯內部品質高光譜成像技術的檢測理論，而在實際生產中將高光譜數據的采集環節利用多光譜成像技術替代。馬鈴薯內部品質的檢測對于馬鈴薯的加工業來說必不可少，而高光譜成像檢測技術對其內部品質的檢測又有十分明顯的研究效果，因此對于高光譜成像技術所得數據的處理及從這一角度對馬鈴薯品質無損檢測具有更大的發展空間，結合傳統的化學計量學理論算法進行優選、改進和集成，完成馬鈴薯內部蟲害、隱性損傷和變質的高光譜檢測機理、特征波長選擇及預測模型的建立。此外，高光譜成像檢測技術的數據龐大、成像速度慢、數據處理復雜、儀器價格昂貴，難以滿足馬鈴薯在線監測的實時要求，可建立完善的馬鈴薯高光譜檢測技術理論，而在實際生產中，將馬鈴薯光譜采集環節利用多光譜成像儀代替高光譜成像系統，降低生產成本。

（2）結合現有成熟的機器視覺與先進的高光譜成像技術，共同應用于馬鈴薯品質的檢測。相對于高光譜成像檢測技術，機器視覺應用于馬鈴薯的品質檢測領域，其技術成熟，滿足實時性檢測要求。機器視覺技術主要針對馬鈴薯外部缺陷有更穩定的檢測模型，在速度上完全符合實時在線檢測要求，因此在檢測設備確定時，考慮將機器視覺技術與高光譜成像技術合理的結合，各取其長，這樣對于馬鈴薯內外部的實時在線檢測就有比較理想的效果。

（3）馬鈴薯品質的分級系統研究要與實際生產相結合。馬鈴薯檢測技術的快速發展對其加工設備提出了更高的要求，研究技術解決了高準確性的問題，但在實時性上又有新的問題出現。加工設備不僅僅是針對單薯，更要實現多薯的在線檢測分類，研究技術在準確性上的提高勢必帶來算法的復雜度和繁瑣性，這樣就導致實時性這一矛盾體的出現。因此，對于馬鈴薯加工設備就提出了實時、高效的要求，而現今能夠同時檢測馬鈴薯內、外部品質并實現在線分級的設備為數甚少，這就對新一輪的研究提出了更高的要求。

1 彭嘉虎.基于近紅外光譜的鮮棗無損檢測建模及優化研究［D］.銀川：寧夏大學，2012.

2 潘立剛，張縉，陸安祥，等.農產品質量無損檢測技術研究進展與應用［J］.農業工程學，2008，24（2）：325～330.

3 Cheng Y，Haugh C G.Detecting hollow heart in potatoes using ultrasound［J］.Transsactions of the ASAE，1994，37（1）：217～222.

4 Hosainpour A，Komarizade M H，Mahmoudi A，et al.High speed detection of potato and clod using an a－coustic based intelligent system［J］.Expert Systemswith Applications，2011，38（10）：12 101～12 106.

5 赫敏.基于機器視覺的馬鈴薯外部品質檢測技術研究［D］.呼和浩特：內蒙古農業大學，2009.

6 王運哲，白雁兵，張博.機器視覺系統的設計方法［J］.現代顯示，2011（130）：24～27.

7 Zhou L Y，Chalana V，Kim Y M.PC－based machine vision system for real－time computer－aided potato inspection［J］.International Journal of Imaging Systems and Technology，1998，9（6）：423～433.

8 Al－Mallahi A，Kataoka T，Okamoto H.Discrimination between potato tubers and clods by detecting the significant wavebands［J］.Biosystems Engineering，2008，100（3）：329～337.

9 高繼森，陳勉舟，李玉平.基于人工神經網絡的馬鈴薯品質分級系統［J］.五邑大學學報（自然科學版），2008，22（3）：62～65.

10 Dacal－Nieto A，Vazquez－Fernandez E，Formella A，et al.A genetic algorithm approach for feature selection in potatoes classification by computer vision［C］／／35th Annual Conference of the IEEE.Porto：IEEE，2009：1 955～1 960.

11 鄭冠楠，譚豫之，張俊雄，等.基于計算機視覺的馬鈴薯自動檢測分級［J］.農業機械學報，2009，40（4）：156～168.

12 赫敏，麻碩士.基于機器視覺的馬鈴薯單薯質量檢測技術研究［J］.農業化研究，2009（9）：61～63.

13 金晶.基于計算機視覺的馬鈴薯外部品質檢測應用研究［D］.長沙：湖南農業大學，2009.

14 Al－Mallahi A，Kataoka T，Okamoto H，et al.Detection of potato tubers using an ultraviolet imaging－based machine vision system［J］.Biosystems Engineering，2010，105（2）：257～265.

15 楊冬風，陳爭光.基于顏色特征的馬鈴薯綠皮檢測［J］.黑龍江八一農墾大學學報，2011，23（1）：83～87.

16 高曉陽，王澤京，畢陽，等.基于單片機和機器視覺的馬鈴薯品質分級研究［C］／／中國農業工程學會2011年學術年會論文集.重慶：中國農業工程學會，2011：126～128.

17 王澤京.基于機器視覺的馬鈴薯自動檢測分級研究［D］.蘭州：甘肅農業大學，2011.

18 周竹，黃懿，李小昱，等.基于機器視覺的馬鈴薯自動分級方法［J］.農業工程學報，2012，28（7）：178～183.

19 崔建麗，童淑敏，赫敏.邊界點矩特征傅里葉描述的馬鈴薯薯形研究［J］.中國農機化，2012（2）：59～62.

20 赫敏，葛麗娟，崔建麗，等.基于光學相關聯合變換的馬鈴薯薯形檢測［J］.中國農機化，2013（7）：28～31.

21 崔建麗.基于機器視覺的馬鈴薯薯形檢測技術研究［D］.呼和浩特：內蒙古農業大學，2012.

22 孔彥龍，高曉陽，李紅玲，等.基于機器視覺的馬鈴薯質量和形狀分選方法［J］.農業工程學報，2012，28（17）：143～148.

23 劉韋.基于機器視覺的馬鈴薯表面缺陷檢測算法的研究［D］.大慶：黑龍江八一農墾大學，2013.

24 周平，徐旭艷，楊兵，等.基于圖像信息的馬鈴薯薯形檢測方法研究［J］.安徽農業大學學報，2013，40（5）：1～4.

25 徐廣通，袁洪福，陸婉珍.現代近紅外光譜技術及應用進展［J］.光譜學與光譜分析，2000，20（2）：134～142.

26 Baljinder S.Dissertation［C］／／American Society of Agricultural Engineers Annual Meeting.Ottawa，Canada：ASAE，2004.

27 Qiao Jun，Wang Ning.Dissertation［C］／／American Society of Agricultural Engineers Annual Meeting.Tampa，Florida：ASAE，2005.

28 田海清，王春光，吳桂芳，等.馬鈴薯品質可見近紅外漫反射光譜檢測研究［C］／／中國農業工程學會2011年學術年會論文集.重慶：中國農業工程學會，2011.

29 張小燕，劉威，興麗，等.馬鈴薯加工品質指標近紅外預測模型研究［J］.紅外，2012，33（12）：33～39.

30 張小燕，楊炳南，劉威，等.馬鈴薯主要營養成分的近紅外光譜分析［J］.食品科學，2013，34（2）：165～169.

31 席那順朝克圖，郁志宏，張寶超，等.基于小波分析的馬鈴薯環腐病光譜數據去噪［J］.農村牧區機械化，2013（3）：19～22.

32 孫旭東，董小玲.近紅外光譜快速檢測馬鈴薯全粉還原糖［J］.農業工程學報，2013，29（14）：262～268.

33 呂東亞，黃普明，孫獻璞.高光譜圖像的數據特征及壓縮技術［J］.空間電子技術，2005（1）：15～22.

34 蘇文浩，何建國，劉貴珊，等.近紅外高光譜圖像技術在馬鈴薯外部缺陷檢測中的應用［J］.食品與機械，2013，29（5）：127～133.

37 Ray S S，Jain N，Arora R K，et al.Utility of hyperspectral data for potato late blight disease detection ［J］.J.Indian Soc.Remote Sens，2011，39（2）：161～169.

38 Navid Razmjooy，B Somayeh Mousavi，F Soleymani.A realtime mathematical computer method for potato inspection usingmachine vision ［J］.Computers＆ Mathematics with Applications，2012，63（1）：268～279.

39 Rios－Cabrera R，Lopez－Juarez I，Hsieh Sheng－Jen.ANN analysis in a vision approach for potato inspection［J］.Journal of Applied Research and Technology，2008，6（2）：106～119.

40 周竹，李小昱，高海龍，等.馬鈴薯干物質含量高光譜檢測中變量選擇方法比較［J］.農業機械學報，2012，43（2）：128～133.

41 周竹，李小昱，高海龍，等.漫反射和透射光譜檢測馬鈴薯黑心病的比較［J］.農業工程學報，2012，28（11）：237～242.

42 周竹，李小昱，高海龍，等.基于高光譜成像技術的馬鈴薯外部缺陷檢測［J］.農業工程學報，2012，28（21）：221～228.

43 高海龍，李小昱，徐森森，等.馬鈴薯黑心病和單薯質量的透射高光譜檢測方法［J］.農業工程學報，2013，29（15）：279～285.

44 孫金風，李小昱，汪成龍，等.馬鈴薯無損檢測技術的研究進展［J］.湖北農業科學，2012，51（22）：4 974～4 977.