光電檢測技術在馬鈴薯品質檢測中的研究進展

屠振華，張成龍，王瑤瑤，孫君茂，朱大洲，陳早艷

(1.農業(yè)部農產品質量安全風險評估實驗室(北京),北京 100097;2.農產品產地環(huán)境監(jiān)測北京市重點實驗室，北京 100097;3.食品行業(yè)生產力促進中心 ，北京 100062;4.農業(yè)部食物與營養(yǎng)發(fā)展研究所,北京 100081)

0 引言

馬鈴薯含有豐富的營養(yǎng)元素，是位列小麥、水稻與玉米之后的第四大食物性作物，在歐洲與美洲有廣泛種植，且被當作主食消費[1]。我國馬鈴薯產量位居世界第一，但長期以來主要當做蔬菜消費，如土豆絲、燉土豆、炸薯條等形式。馬鈴薯適應性廣，種植面積擴增潛力大，我國“從南到北、從高到低”的大部分地區(qū)生態(tài)氣候條件都能滿足馬鈴薯的栽培生產。馬鈴薯是高產作物，單產增加潛力大，單產遠高于小麥、水稻、玉米等三大主糧。

2015年1月，我國在北京舉辦馬鈴薯主糧化發(fā)展戰(zhàn)略研討會，會議圍繞馬鈴薯主糧化與國家糧食安全等主題，深入研討了馬鈴薯主糧化的戰(zhàn)略意義、發(fā)展思路、目標任務和推進途徑。與會領導和專家認為，推進馬鈴薯主糧化，有利于改善膳食結構，增強居民體質健康；有利于挖掘生產潛力，開辟保障國家糧食安全的新途徑；有利于緩解資源環(huán)境壓力，實現農業(yè)可持續(xù)發(fā)展。

馬鈴薯主糧化涉及專用品種選育、主食產品加工、儲藏運輸、終端消費及質量安全監(jiān)管等多個方面，本文針對馬鈴薯主糧化發(fā)展大趨勢，圍繞馬鈴薯質量安全管控方面的需求，詳細介紹了機器視覺技術、近紅外光譜分析技術、高光譜成像技術等光電檢測技術在馬鈴薯外觀形態(tài)、內部品質及缺陷檢測方面的研究和應用現狀，旨在為馬鈴薯深加工過程中原料篩選及分等分級提供參考。

1 國內外研究現狀

1.1 基于機器視覺技術的馬鈴薯外觀品質檢測研究進展

馬鈴薯生長過程中受光、溫、水、氣等多種因素影響，品質差異性較大，從而導致馬鈴薯的性狀各異、大小尺寸不一，以及各種外部缺陷。在馬鈴薯的商品化處理過程中，以前大多采用人工方法進行馬鈴薯分級，效率不高。機器視覺技術通過攝像頭獲取馬鈴薯的圖像，模擬人類視覺，然后結合人工智能模擬人類的大腦，從而實現對馬鈴薯的形態(tài)檢測和分等分級，且易于實現自動化操作。國內外學者較早就嘗試把機器視覺技術應用于農產品的品質檢測，研究者側重于研究不同圖像獲取技術和裝置及圖像識別參數等識別模型的影響。檢測的參數主要包括大小、形狀及表面缺陷等外部品質，核心在于圖像處理和特征提取等方面。

Deck等采用機器視覺技術進行馬鈴薯的檢測，采用雙攝像機獲取馬鈴薯的圖像，然后利用BP神經網絡建立馬鈴薯形狀、尺寸和發(fā)綠程度的分類識別模型，結果表明該方法優(yōu)于基于統(tǒng)計分類的識別方法[2]。Tao等設計了一個馬鈴薯機器視覺檢測系統(tǒng)，采用了多變量識別技術來判斷馬鈴薯是否發(fā)芽，識別正確率達到90%以上[3]。Heinemann等設計了一個馬鈴薯自動分級裝置，主要根據馬鈴薯的大小和形狀參數進行分級，采用8鄰域跟蹤算法和傅里葉描述子提取馬鈴薯的大小和形狀信息。研究結果表明：當馬鈴薯的移動速度為3個/min，3次試驗的分級準確率為77%～88%；當馬鈴薯靜止時，分級準確率達97%以上[4]。Noordam等設計了一套高速機器視覺系統(tǒng)，根據大小、形狀和外部缺陷等指標對馬鈴薯進行檢測和分級，系統(tǒng)分級速度約為50個/s，檢測能力達12t/h[5]。

國內鄭冠楠等人進行了基于計算機視覺的馬鈴薯自動檢測分級研究，一方面采用離心率法提取馬鈴薯的外形參數，劃分為球型和橢球型兩類；另一方面根據顏色特征，采用灰度差值法檢測馬鈴薯的發(fā)芽情況；此外，還提出了基于相鄰邊界點的馬鈴薯畸形檢測方法，實現了馬鈴薯綜合品質的在線檢測與分級，準確度達88%[6]。郝敏等針對馬鈴薯形狀檢測需求，首先進行圖像的歸一化處理，然后篩選出19個具有旋轉不變性的Zernike矩特征參數，再利用支持向量機建立馬鈴薯薯形的分類模型，對薯形良好和畸形的識別準確率分別達到93%和100%[7-8]。李錦衛(wèi)等提出了基于快速灰度截留分割的馬鈴薯表面疑似缺陷檢測方法，建立了基于十色模型的馬鈴薯表面缺陷識別方法，然后利用326個馬鈴薯樣本進行方法驗證。研究結果表明：利用上述兩種方法，對有芽體的馬鈴薯的正確識別率為97.5%，對馬鈴薯深色區(qū)域的正確識別率為93.6%，對馬鈴薯表面缺陷的識別準確率為95.7%[9]。王澤京針對單個馬鈴薯進行靜態(tài)檢測，重點研究了馬鈴薯圖像的獲取與預處理、形狀檢測、質量檢測及表面缺陷檢測等4個方面[10]。周竹等設計了基于V型平面鏡同時獲取三面圖像的馬鈴薯機器視覺分級系統(tǒng)，并提出了相應的分級算法；其利用最小外接柱體體積法實現馬鈴薯大小的檢測，利用最長徑外接矩形的寬高比法實現馬鈴薯形狀檢測和分類(包括類圓形、橢圓型以及長型[11]。王紅軍等利用機器視覺技術快速獲取馬鈴薯圖像特征參數，建立馬鈴薯質量和形狀參數的分級模型。研究結果表明：質量分級相關系數為0.991，形狀分級分辨率為86.7%[12]。田芳等針對馬鈴薯黑心病的問題，利用光的透射特性，設計了一種波長為705nm的LED面光源組成的馬鈴薯黑心病機器視覺檢測裝置，并通過對馬鈴薯樣品圖像特性分析研究，采用灰度值為閾值，進行分類。研究結果表明：正常馬鈴薯樣品和黑心病馬鈴薯樣品的判斷正確率分別為98%和96.6%[13]。

目前，國內的馬鈴薯分級設備已得到廣泛應用，如馬鈴薯大小分級篩及馬鈴薯分選機等，主要根據單薯直徑、質量進行分選；而國內基于機器視覺技術的馬鈴薯分選系統(tǒng)在實際生產中還比較少，可能跟我國農產品分級銷售的整體滯后有關。基于機器視覺的馬鈴薯檢測技術目前已趨于成熟，機器視覺技術的硬件成本較低，具有較好的推廣前景，需要在農產品產地商品化處理的帶動下逐步推進。

1.2 基于近紅外光譜技術的馬鈴薯內部品質檢測研究進展

目前，大多采用實驗室運用化學分析方法進行馬鈴薯的內部品質參數檢測。比如：采用直接干燥法及真空冷凍干燥等方式測定馬鈴薯水分含量；采用直接滴定法或3,5-二硝基水楊酸比色法進行馬鈴薯還原糖、總糖等指標測定；采用水解法進行淀粉檢測；采用凱氏定氮法進行蛋白質檢測，這類方法精度較高，但需要大量的前處理工作，操作復雜，耗時耗力，難以應用于生產中馬鈴薯加工指標的快速篩選。作為一種快速、無損、非接觸的內部品質檢測技術，近紅外光譜分析在石油化工、制藥、煙草、飼料、農業(yè)食品等領域已得到廣泛應用，在馬鈴薯檢測方面也開展了大量研究。

Krivoshiev等采用近紅外光譜對馬鈴薯中的可溶性固形物含量進行檢測分析[14]。Chalucova 等人研制了一種馬鈴薯內部品質無損探測儀，包含透射和反射兩種測量模式，可對帶皮的馬鈴薯進行內部品質檢測，該儀器雖然噪聲較大，但對馬鈴薯品質在線監(jiān)測儀的研制提供了參考[15]。Kang 等人采用熱力學特性和近紅外光譜技術檢測馬鈴薯的干物質以及相對密度，其干物質檢測模型的決定系數為0.87，相對密度檢測模型的決定系數為0.85，表明該方法具有一定可行性[16]。Haase歷時3年采集了8個地域133個馬鈴薯樣品的近紅外光譜，建立的水分模型的預測精度達90%，模型效果較好；淀粉模型的預測精度為53%，尚需要優(yōu)化；蛋白質模型的效果最差，預測精度為25%[17]。

南昌大學秦華俊結合近紅外光譜和廣義回歸神經網絡模型，測定了馬鈴薯中的營養(yǎng)成分含量[18]。東北農業(yè)大學劉翠翠等使用InfraXactLab型NIR分析儀測定馬鈴薯的光譜，結果表明：NIR技術可用來粗略測定馬鈴薯育種材料的鉀含量[19]。張小燕對馬鈴薯的主要加工指標進行快速檢測研究，利用近紅外技術和偏最小二乘法分別建立了新鮮樣品和真空冷凍干燥樣品的水分、還原糖、淀粉及蛋白質等4個指標的預測模型，并對馬鈴薯品種的加工適宜性進行了評價[20]。李鑫進行了基于近紅外光譜技術的馬鈴薯干物質含量檢測研究，分別對馬鈴薯切片樣本和完整馬鈴薯樣本的可見-短波近紅外光譜進行了預測建模研究。結果表明：馬鈴薯切片樣本的預測效果優(yōu)于完整馬鈴薯樣本，但完整馬鈴薯在最優(yōu)建模條件下，模型外部檢驗的決定系數可達0.847 5，標準誤差為4.07，基本上可以作為實際檢測馬鈴薯干物質含量的快速檢測方法[21]。姜微等采集了238個馬鈴薯樣品的400～1 000nm光譜，并建立了還原糖含量的預測模型，研究結果顯示：最優(yōu)模型的決定系數和預測均方根誤差分別為0.896 5和0.049 0，可有效檢測馬鈴薯還原糖含量[22]。

馬鈴薯的內部成分檢測，一方面可用于食品加工企業(yè)的原料質量控制；另一方面，在馬鈴薯現場采購時，也迫切需要進行還原糖等指標的快速檢測，以確定其用途，是否滿足食品加工的要求。目前，基于近紅外光譜的馬鈴薯品質檢測主要限于建模算法及預處理方法的研究，實際應用較少，一方面在于近紅外光譜儀的價格尚比較高；另一方面是近紅外分析模型的維護需要專業(yè)的人才隊伍來支撐，一般農產品加工企業(yè)缺乏相應的條件。

1.3 基于高光譜成像技術的馬鈴薯綜合品質檢測研究進展

高光譜成像技術最初主要用于遙感監(jiān)測，隨著光電傳感器及精密儀器技術的快速發(fā)展，該技術的核心部件成像光譜儀發(fā)展很快，成本逐漸降低，體積和質量減小很多，相比于傳統(tǒng)的多光譜成像儀能獲取更多的光譜信息，該技術開始由航天監(jiān)測轉向地面應用，在國內外農業(yè)、食品及藥品檢測領域顯示了巨大優(yōu)勢[23]。

在馬鈴薯外觀品質檢測方面，主要利用高光譜三維數據立方體中的圖像信息，對馬鈴薯的缺陷等進行識別。Angel等運用高光譜成像系統(tǒng)和支持向量機方法檢測馬鈴薯瘡痂，準確率達97.1%，識別空心馬鈴薯的準確率達89.1%[24]。Nguyen 等研究表明：利用高光譜圖像技術結合偏最小二乘法和圖像處理算法，可以準確地預測馬鈴薯的最適烹煮時間[25]。周竹等利用高光譜成像技術進行馬鈴薯外部缺陷檢測，以克新6 號、費烏瑞他等馬鈴薯樣品為研究對象，采集馬鈴薯干腐、表面碰傷、機械損傷、綠皮、孔洞以及發(fā)芽等6 類外部缺陷樣本及合格樣本反射高光譜圖像，并提出了波段比算法與均勻二次差分算法相結合的方法，使缺陷識別率提高到95.65%[26]。吳佳基于高光譜成像技術獲取馬鈴薯圖像，分別建立了基于小波的相對矩方法、基于極半徑的傅里葉描述子方法，以完成馬鈴薯的薯形檢測及分級[27]。張然采用高光譜成像技術對馬鈴薯外部凍傷、機械損傷、摔傷和正常馬鈴薯進行識別，對凍傷類識別率較低(識別率50%)，對正常類的識別率為80%，機械損傷類的識別率為75%，摔傷類的識別率為90%[28]。蘇文浩等采集了馬鈴薯在400～1 000nm的高光譜圖像，通過特征波段主成分分析法和圖像差值算法，建立了馬鈴薯外部缺陷的在線檢測方法，可對6種馬鈴薯缺陷類型(包括機械損傷、孔洞、瘡痂、表面碰傷、綠皮和發(fā)芽)以及完好無損的馬鈴薯進行識別，識別準確率達到96.43%[29]。史崇升進行了基于高光譜成像技術的馬鈴薯外部品質無損檢測研究。該研究中以青薯9號馬鈴薯為研究對象，分別采集了蟲眼、機械損傷、干腐、綠皮和畸形等外部損傷馬鈴薯樣品，采集了其400～1 000nm的高光譜圖像，并對高光譜圖像進行了特征波長提取、去噪、光譜預處理等，且建立了不同建模方法的模型。研究結果表明：在最優(yōu)建模條件下，平均識別率達到了86.73%[30]。金瑞等進行了基于高光譜圖像和光譜信息融合的馬鈴薯外部缺陷檢測方法研究，提出采用融合光譜維信息和圖像維信息的建模方法，對發(fā)芽、綠皮馬鈴薯單一識別率達到了97.30%和93.55%[31]。鄧建猛等以費烏瑞它馬鈴薯樣本為研究對象，采集了其370～1 000nm高光譜圖像，比較了不同光譜預處理方法，建立了發(fā)芽、綠皮、孔洞馬鈴薯的判別模型。研究結果顯示：在最優(yōu)建模條件時，預測集的判別準確率達到了100%，交叉驗證準確率為99.5%[32]。李小昱等進行了基于高光譜成像的綠皮馬鈴薯檢測方法研究。該研究提出采用半透射和反射高光譜的光譜信息融合信息建立模型時檢測效果最優(yōu)，校正集和測試集識別率均達到100%，可實現輕微綠皮馬鈴薯的無損檢測[33]。

在馬鈴薯內部成分檢測方面，主要提取感興趣區(qū)域的可見/近紅外光譜，然后利用光譜信息建立各營養(yǎng)成分、品質指標的定量預測模型。吳晨應用近紅外高光譜成像技術(900～1 700nm)對馬鈴薯淀粉含量進行無損檢測，驗證模型相關系數達0.982[34]。吳晨等進行了基于近紅外高光譜成像技術的馬鈴薯干物質含量無損檢測研究，以克新一號馬鈴薯為研究對象，采集了900～1 700nm近紅外高光譜圖像，并建立了預測模型。研究結果表明：在最優(yōu)模型條件下，校正集相關系數為0.944，驗證集均方根誤差為0.157，驗證了高光譜成像技術對馬鈴薯干物質含量進行無損檢測具有可行性[35]。宋娟等利用高光譜成像技術對馬鈴薯淀粉、干物質及水分含量等多種營養(yǎng)成分進行同時檢測的研究，以大西洋馬鈴薯為研究對象，采集了900～1700nm近紅外高光譜圖像，提取特征波長后建立預測模型。研究結果顯示：在最優(yōu)模型時，淀粉相關系數為0.965，預測模型均方根誤差為0.361；干物質相關系數為0.954，預測模型均方根誤差為0.383；水分含量相關系數為0.926，預測模型均方根誤差為0.398[36]。姜維利用高光譜成像技術建立馬鈴薯水分、淀粉及蛋白質含量預測模型，通過光譜預處理和建模方法優(yōu)化后，水分含量校正集決定系數為0.794 8，驗證集均方根誤差為0.373 5%；淀粉含量校正集決定系數為0.831 2，驗證集均方根誤差為0.398 6%；蛋白質含量校正集決定系數為0.791 9，驗證集均方根誤差為0.041 4%[37]。

在馬鈴薯內部缺陷綜合信息檢測方面，主要針對馬鈴薯的黑心病和空心病等不易發(fā)現內部缺陷，利用光譜信息和圖像信息進行數據融合和綜合判別，此外也進行馬鈴薯的品種識別和分類研究。高海龍等采用透射高光譜成像技術并融合光譜和圖像信息，檢測其內部黑心病和質量，建立了266個樣品的馬鈴薯高光譜圖像(400～1 000nm)檢測模型。研究結果顯示：黑心樣本識別率為100%，識別最小黑心面積為1.88cm2，質量模型的預測集相關系數為0.99，預測均方根誤差為10.88，檢測效果較好[38]。黃濤等進行了半透射高光譜成像技術與支持向量機的馬鈴薯空心病無損檢測研究，采集了224個馬鈴薯樣本的半透射高光譜圖像(390～1 040nm)，并進行了支持向量機建模研究。研究結果顯示：最優(yōu)模型的模型總體識別率達到100%[39-40]。姜微利用高光譜成像技術進行3個品種馬鈴薯的品種識別研究，采用判別分析、 SIMCA法、K-最鄰近法、BPNN和支持向量機判別分析等5種不同模式識別方法建立馬鈴薯品種分類識別模型，并對其識別結果進行比較。研究結果表明：在采用最優(yōu)預處理方法和建模方法時，該方法總體識別率為98.15%[41]。王麗艷將3種不同品種馬鈴薯的高光譜圖像的反射數據，采用數據預處理、特征信息提取等處理后，建立了支持向量機和人工神經網絡的品種鑒別模型，實現了馬鈴薯種類的快速、準確鑒別[42]。

在數據融合方面，李小昱等進行了基于多源信息融合技術的馬鈴薯痂瘡病無損檢測方法研究，提出以機器視覺和近紅外光譜的多源信息融合技術建立了馬鈴薯痂瘡病檢測模型，對測試集馬鈴薯識別率為95.83%[43]。陳爭光等采用多種光譜圖像處理技術及數據降維和壓縮技術對馬鈴薯的可見-近紅外圖像進行預處理，然后采用BP神經網絡建立了馬鈴薯品種鑒別模型，識別正確率達到100%[44]。

2 結論與展望

隨著我國馬鈴薯主糧化戰(zhàn)略的不斷推進實施，馬鈴薯的質量安全控制需求將不斷增強，光電檢測技術以其快速、便捷的優(yōu)勢，將在馬鈴薯塊莖質量檢測分選、加工制品檢測及終端產品檢測方面發(fā)揮越來越重要的作用。目前，機器視覺技術的軟硬件系統(tǒng)均已較為成熟，在馬鈴薯檢測中的應用主要受市場需求變化的影響，隨著馬鈴薯分級由關注大小和質量，向關注外觀形態(tài)和缺陷轉變，機器視覺成像系統(tǒng)將成為馬鈴薯分選系統(tǒng)的重要檢測模塊。

近紅外光譜在樣品成分含量快速、無損檢測方面具有明顯技術優(yōu)勢，在制藥、煙草等高附加值行業(yè)已得到了較為廣泛應用；但由于受銦鎵砷檢測器成本的限制，長期以來在農產品等低附加值產品中的應用推廣工作進展相對較為緩慢，目前在農業(yè)中的應用大都局限在飼料檢測方面。近年來，隨著線性可調諧濾光片分光技術、MEMS微機電技術及集成光學技術的發(fā)展，國內外研發(fā)了系列微型近紅外光譜儀，實現近紅外光譜儀的探頭化，成本也大幅降低，市場上已出現幾萬元乃至幾千元人民幣的微型近紅外光譜儀，這為開發(fā)低成本的近紅外光譜測量系統(tǒng)奠定了硬件基礎。

高光譜成像系統(tǒng)主要從遙感技術的應用轉到地面應用，由于其具有系統(tǒng)復雜、成本較高、掃描速度慢和數據處理量大等特點，目前主要用于科學研究方面，而在實際生產中直接采用高光譜成像系統(tǒng)的情況較少。通過高光譜成像系統(tǒng)獲取大量的空間維、光譜維信息，再進行數據降維壓縮，提取特征波段等處理，從而獲取最優(yōu)的檢測技術參數，然后據此開發(fā)簡化的光譜測量系統(tǒng)或圖像測量系統(tǒng)，從而提高檢測效果，將是下一步高光譜成像技術應用于馬鈴薯品質檢測方面研究重點。

除了本文所介紹的機器視覺、近紅外光譜、高光譜成像等技術外，熒光光譜、拉曼光譜等技術也被用于馬鈴薯的品質檢測和分類識別[45]，各類光電檢測技術均有其優(yōu)缺點，在實際應用過程中，需要針對具體的應用場合和檢測對象，進行定制化的研發(fā)和模型維護。