马铃薯品质无损检测技术研究进展

吴 佳 汤全武 史崇升 王 健 李秩期

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

（宁夏大学物理电气信息学院，宁夏 银川 750021）

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

无损检测技术是在不破坏待测对象原来状态及化学性质的前提下，给予待测对象输入一定形式的能量，利用对象本身的光、声、力和电磁学等特性来获取大量反映待测对象品质的特性信息，如形状、色泽、纹理、缺陷、物理量或化学成份等理化指标信息［1］。目前检测的农产品类别有：肉类、鱼类、蛋类、油料作物、谷物、蔬菜、茶叶、烟叶、水果、酒类和转基因食品等。农产品的品质有内部品质和外部品质，内部品质如成熟程度、糖分、酸度、主要营养成分、主要功能成分、内部病虫害等；外部品质如表面光滑度、外部病虫害、色泽、形状和大小等。根据检测原理的不同，无损检测技术大致可分为五类：光学特性分析法、声学特性分析法、机器视觉检测方法、电学特性分析法、电磁与射线检测技术［2］。马铃薯品质的无损检测从20世纪90年代开始，技术逐渐成熟，从最初的外部品质检测向内部品质检测发展，处理速度越来越快，准确率越来越高。

马铃薯品质检测是马铃薯加工中的重要环节，其品质检测主要包括空心、黑色心腐等内部缺陷和绿皮、病斑、腐烂、机械损伤等外部缺陷，文章拟从超声波检测技术、机器视觉检测技术、近红外检测技术、高光谱检测技术综述马铃薯内、外品质检测的研究现状，为理论研究和生产加工提供借鉴参考。

1 马铃薯品质的超声波检测技术

Cheng等［3］采用超声波检测马铃薯空心，分别在马铃薯两侧放置两个探头，一侧探头经偶合剂直接与马铃薯接触，射入这一侧的是宽频带超声波，它是由脉冲电信号转换而来的，而这个电信号来自于高能脉冲发射器，马铃薯空心会导致超声波被多次反射，最后穿过马铃薯的超声波被另一侧的接收探头接收，经过宽频带滤波器放大后显示在示波器上。根据接收到的信号强弱和波动时间的长短，就可以将空心与实心马铃薯区分开来。在此基础上，Hosainpour A等［4］研发了一套高速识别马铃薯和土块的智能系统。当马铃薯收获机的传送带以1 m／s的速度运动时，系统的识别准确率达到了97%。

2 马铃薯品质的机器视觉检测技术

机器视觉系统见图1。首先将图像信号转化成电信号，这一步由图像传感器来完成，而这些电信号可以由计算机来处理，将这些电信号运用图像处理系统进行特征信号的提取，如面积、长度、大小等［5］。根据提取到的信号进行运算处理，以便计算机能够根据结果进行相应动作［6］。

图1 机器视觉系统示意图［5］Figure 1 Schematic of machine vision system

Zhou等［7］研发了一套基于机器视觉的能客观评价马铃薯的外部指标的实时检测分级系统。Al－Mallahi等［8］研究了一套基于机器视觉系统，系统包含480 nm波段和752 nm波段，经过三维处理预测马铃薯和土块的准确率在98%以上。高继森等［9］研究了一套基于人工神经网络的马铃薯品质分级的机器视觉系统，该系统准确率超过90%。

Dacal－Nieto等［10］研究了一种根据马铃薯外部缺陷和疾病特征来进行马铃薯分类的计算机视觉系统，该系统在对未清洗马铃薯的分类试验中取得了很好的效果。郑冠楠等［11］研究了一套可以实现实时检测的基于计算机视觉的马铃薯分级系统，系统根据马铃薯外部特征实现了准确率为88.0%的马铃薯在线检测分级。郝敏等［5，12］针对马铃薯主要外部品质研究了一套机器视觉系统，其中，分大、中、小3种规格检测马铃薯的重量，准确率分别达到了97%，96%，98%；良好薯和畸形薯的检测准确率达到了93%和100%。金晶［13］研究了单个马铃薯的外部品质静态检测的机器视觉方法，大小检测误差率为7%，形状检测结果为98.8%；针对马铃薯绿皮提出的基于色域的阈值识别检测方法准确率达到了97.5%；提出了一套提取面积大小和黑色比率进行模式识别的新方法，表面缺陷和马铃薯块茎的检测率分别为91.4%和100%。

Al－Mallahi等［14］开发了一套机器视觉系统来区分马铃薯和土块，系统引入紫外线成像技术，正确区分率在98%以上。

杨冬风等［15］提出了一套基于机器视觉的检测马铃薯表面绿皮的方法，在分析颜色特征的基础上，联系BP神经网络，识别绿皮区域的准确率达96.88%。高晓阳等［16］设计了一套马铃薯外部品质和重量相结合的基于单片机和机器视觉的分级模型样机，综合分类结果平均准确率为94.71%。王泽京［17］进行了单薯检测分级机器视觉的研究，针对静态马铃薯，在形状检测方面其准确率为94.7%；缺陷的检测准确率分别为94%，无缺陷薯的检测准确率为90%。

周竹等［18］根据马铃薯的大小、外形特性以及缺陷等特点，设计了一套基于机器视觉的马铃薯自动分级系统，为了同时获取马铃薯的三面图像，采用了V型平面镜，系统由输送单元、机器视觉系统、分级执行单元、控制单元等组成，从而实现马铃薯的自动分级，分级的正确率达到了91.0%。

崔建丽等［19－21］研究了一种基于机器视觉的优形马铃薯筛选的系统，提出利用边界点矩特征傅里叶描述子来完成薯形的检测，准确率达到了90%以上，还有一种引入光学相关联合变换的理论，检测准确率平均为91.25%。孔彦龙等［22］将马铃薯图像综合特征参数利用于马铃薯的分选中，结果表明质量和形状分选准确率分别为95.3%和96%。

刘韦［23］开展了针对马铃薯青斑、腐烂、机械损伤3种缺陷的识别算法的研究，结果显示该算法对3种缺陷的识别正确率分别为93%，90%，87.5%。周平等［24］研究了一种薯形检测方法，检验结果球形预测率达95%，椭圆形达88%，其它形达97%。

综上所述，机器视觉主要用于检测马铃薯的大小、形状、颜色、腐烂、机械损伤等外部缺陷以及区分马铃薯与土块，涉及技术有：GA遗传算法、人工神经网络、Zernike矩算法、傅里叶描述子法、Canny算子等方法。为了能够高效、准确地实现马铃薯在线检测分级系统，所设计和实现的算法研究准确率越来越高、速度越来越快。但基于机器视觉的马铃薯检测很难实现快速准确的内部品质检测。

3 马铃薯品质的近红外检测技术

近红外光谱检测技术能满足高速、高效、低成本、无损的要求。近红外光谱仪器从分光系统可分为固定边长滤光片、光栅扫描、快速傅里叶变换和声光扫描［25］。

Baljinder［26］对马铃薯的水分含量进行了预测研究，使用偏最小二乘法（PLS）在400～1 750 nm内光谱分析可以对有皮和无皮土豆样本进行水分预测。Qiao等［27］根据高光谱成像系统得到光谱数据，分析研究了这些数据与马铃薯的含水量之间的关系，并通过人工神经网络做出了马铃薯水分含量预测模型，预测结果为R＝0.78。

田海清等［28］采用可见／近红外漫反射光谱技术对马铃薯块茎干物质含量进行了快速无损检测研究，结果表明光谱经一阶微分处理后，采用PLS法可以得到最好的建模效果。

张小燕等［29，30］验证了利用近红外光谱技术预测马铃薯水分、还原糖、蛋白质、淀粉含量的可行性，并建立了预测模型。

席那顺朝克图等［31］结合小波变换设计了一套针对马铃薯环腐病无损检测的近红外光谱采集系统，具有较好的检测效果。孙旭东等［32］建立了基于最小二乘支持向量机算法的非线性近红外光谱技术的数学模型，用来预测还原糖在马铃薯全粉中的含量，建立预测模型的相关系数是0.984，标准差是0.223%。

以上资料表明，引入近红外光谱技术主要是针对马铃薯干物质含量、主要营养成分和环腐病的预测模型的研究；主要采用方法有主成分分析（PCA）、偏最小二乘法（PLS）、偏最小二乘的傅里叶变换、最小二乘支持向量机算法（LSSVM）等。大量的研究从外部缺陷转为以马铃薯内部物质含量的检测为主，兼顾马铃薯内外品质，为实现马铃薯的分级奠定了理论基础。

4 马铃薯品质的高光谱检测技术

将成像和光谱结合起来的技术被称为高光谱技术，该技术对任一物体用成百个波段在波谱连续的情况下进行成像，构成该物体的图像数据“立方体”，“立方体”按照光谱顺序排列［33］。高光谱成像检测系统［34］主要由CCD相机、光谱仪、环形灯、物体移动台、计算机操作平台等组件组成，见图2。高光谱成像检测系统用于记载在400～1 700 nm光谱区域的检测物体光谱信息，检测数据量一般都很庞大，为加快处理速度，通常对光谱数据先进行主成分分析 （principle component analysis，PCA）处理，能对数据进行降维和去噪处理，得到数据量小，且原始变量保留多的信息。

图2 高光谱成像检测系统［34］Figure 2 Hyperspectral imaging detecting system

Dacal－Nieto等［35］针对马铃薯结疤研究了运用近红外高光谱成像系统，该系统准确率达到97.1%。Dacal－Nieto等［36］研究了空心马铃薯高光谱无损检测方法，该方法的准确率达到89.1%。Ray等［37］针对马铃薯晚期枯萎病运用高光谱成像技术获得到光谱数据进行分析。研究表明区分健康马铃薯与受病虫害马铃薯的最优高光谱波段是540，610，620，700，730，780，1 040 nm。

Razmjooy等［38，39］的研究表明支持向量机（SVM）和人工神经网络（ANN）针对马铃薯品质分类中有很好的预期效果，准确率超过96%。周竹等［40－42］分别研究了马铃薯干物质含量、黑心病及外部缺陷检测的高光谱检测技术。提出了CARS—SPA波长选择方法，建立的多元线性回归模型预测均方根误差为1.06%。针对马铃薯黑心病提出光学无损检测方法，采用偏最小二乘—线性判别分析方法（PLS—LDA），分别结合透射光谱采集系统采集的可见／近红外透射光谱、高光谱图像采集系统、傅里叶变换近红外光谱仪建立马铃薯黑心病的识别模型，识别正确率分别为98.46%，92.31%，90.77%。

高海龙等［43］研究了检测马铃薯内部黑心病和单薯质量的高光谱成像方法，用9个光谱变量建立最小二乘判别分析模型检测马铃薯黑心病，偏最小二乘回归模型检测马铃薯质量。

苏文浩等［34］针对马铃薯机械损伤、孔洞、结痂、表面损伤、发芽5种缺陷对比合格马铃薯，运用波段比和主成分分析相结合的算法，识别正确率为97.08%。

综上所述，目前高光谱成像技术主要用于检测马铃薯干物质含量、黑心病、外部缺陷等，用到的方法主要有CARS—SPA波长选择方法建模、偏最小二乘—线性判别分析方法建模、支持向量机和人工神经网络的方法。高光谱成像检测技术相对于近红外光谱的优势明显，其包含图像信息和光谱信息，具有连续多波段、光谱分辨率高等特点，能够兼顾马铃薯内外品质的检测。

5 总结与展望

综合已有文献［44］可知，马铃薯品质的无损检测技术主要有：超声波检测技术、机器视觉检测技术、近红外光谱检测技术及高光谱成像检测技术。根据检测得到的信息，针对马铃薯外部缺陷，主要采用的技术有遗传算法、人工神经网络、回归分析；内部缺陷采用主成分分析、偏最小二乘法、最小二乘支持向量机、竞争性自适应重加权算法与连续投影算法SPA相结合的波长选择方法、偏最小二乘—线性判别分析方法；针对马铃薯形状、大小采用Zernike矩算法、长短轴比、BP神经网络、最小外接柱体体积法、边界点矩特征傅里叶描述法、光学相关联合变换的旁瓣峰值法、canny算子；马铃薯绿皮问题采用基于色域的阈值识别检测方法、基于颜色特征的检测方法。与国外对于马铃薯自动分级系统的研究相比，中国在马铃薯检测实时性上有一定的缺陷，而且对于马铃薯内部缺陷的检测也处于起步阶段。建议在马铃薯品质无损检测方面考虑以下3点。

（1）考虑到马铃薯检测系统的实时性、准确性和成本，完善马铃薯内部品质高光谱成像技术的检测理论，而在实际生产中将高光谱数据的采集环节利用多光谱成像技术替代。马铃薯内部品质的检测对于马铃薯的加工业来说必不可少，而高光谱成像检测技术对其内部品质的检测又有十分明显的研究效果，因此对于高光谱成像技术所得数据的处理及从这一角度对马铃薯品质无损检测具有更大的发展空间，结合传统的化学计量学理论算法进行优选、改进和集成，完成马铃薯内部虫害、隐性损伤和变质的高光谱检测机理、特征波长选择及预测模型的建立。此外，高光谱成像检测技术的数据庞大、成像速度慢、数据处理复杂、仪器价格昂贵，难以满足马铃薯在线监测的实时要求，可建立完善的马铃薯高光谱检测技术理论，而在实际生产中，将马铃薯光谱采集环节利用多光谱成像仪代替高光谱成像系统，降低生产成本。

（2）结合现有成熟的机器视觉与先进的高光谱成像技术，共同应用于马铃薯品质的检测。相对于高光谱成像检测技术，机器视觉应用于马铃薯的品质检测领域，其技术成熟，满足实时性检测要求。机器视觉技术主要针对马铃薯外部缺陷有更稳定的检测模型，在速度上完全符合实时在线检测要求，因此在检测设备确定时，考虑将机器视觉技术与高光谱成像技术合理的结合，各取其长，这样对于马铃薯内外部的实时在线检测就有比较理想的效果。

（3）马铃薯品质的分级系统研究要与实际生产相结合。马铃薯检测技术的快速发展对其加工设备提出了更高的要求，研究技术解决了高准确性的问题，但在实时性上又有新的问题出现。加工设备不仅仅是针对单薯，更要实现多薯的在线检测分类，研究技术在准确性上的提高势必带来算法的复杂度和繁琐性，这样就导致实时性这一矛盾体的出现。因此，对于马铃薯加工设备就提出了实时、高效的要求，而现今能够同时检测马铃薯内、外部品质并实现在线分级的设备为数甚少，这就对新一轮的研究提出了更高的要求。

1 彭嘉虎.基于近红外光谱的鲜枣无损检测建模及优化研究［D］.银川：宁夏大学，2012.

2 潘立刚，张缙，陆安祥，等.农产品质量无损检测技术研究进展与应用［J］.农业工程学，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.基于机器视觉的马铃薯外部品质检测技术研究［D］.呼和浩特：内蒙古农业大学，2009.

6 王运哲，白雁兵，张博.机器视觉系统的设计方法［J］.现代显示，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 高继森，陈勉舟，李玉平.基于人工神经网络的马铃薯品质分级系统［J］.五邑大学学报（自然科学版），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 郑冠楠，谭豫之，张俊雄，等.基于计算机视觉的马铃薯自动检测分级［J］.农业机械学报，2009，40（4）：156～168.

12 赫敏，麻硕士.基于机器视觉的马铃薯单薯质量检测技术研究［J］.农业化研究，2009（9）：61～63.

13 金晶.基于计算机视觉的马铃薯外部品质检测应用研究［D］.长沙：湖南农业大学，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 杨冬风，陈争光.基于颜色特征的马铃薯绿皮检测［J］.黑龙江八一农垦大学学报，2011，23（1）：83～87.

16 高晓阳，王泽京，毕阳，等.基于单片机和机器视觉的马铃薯品质分级研究［C］／／中国农业工程学会2011年学术年会论文集.重庆：中国农业工程学会，2011：126～128.

17 王泽京.基于机器视觉的马铃薯自动检测分级研究［D］.兰州：甘肃农业大学，2011.

18 周竹，黄懿，李小昱，等.基于机器视觉的马铃薯自动分级方法［J］.农业工程学报，2012，28（7）：178～183.

19 崔建丽，童淑敏，赫敏.边界点矩特征傅里叶描述的马铃薯薯形研究［J］.中国农机化，2012（2）：59～62.

20 赫敏，葛丽娟，崔建丽，等.基于光学相关联合变换的马铃薯薯形检测［J］.中国农机化，2013（7）：28～31.

21 崔建丽.基于机器视觉的马铃薯薯形检测技术研究［D］.呼和浩特：内蒙古农业大学，2012.

22 孔彦龙，高晓阳，李红玲，等.基于机器视觉的马铃薯质量和形状分选方法［J］.农业工程学报，2012，28（17）：143～148.

23 刘韦.基于机器视觉的马铃薯表面缺陷检测算法的研究［D］.大庆：黑龙江八一农垦大学，2013.

24 周平，徐旭艳，杨兵，等.基于图像信息的马铃薯薯形检测方法研究［J］.安徽农业大学学报，2013，40（5）：1～4.

25 徐广通，袁洪福，陆婉珍.现代近红外光谱技术及应用进展［J］.光谱学与光谱分析，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，吴桂芳，等.马铃薯品质可见近红外漫反射光谱检测研究［C］／／中国农业工程学会2011年学术年会论文集.重庆：中国农业工程学会，2011.

29 张小燕，刘威，兴丽，等.马铃薯加工品质指标近红外预测模型研究［J］.红外，2012，33（12）：33～39.

30 张小燕，杨炳南，刘威，等.马铃薯主要营养成分的近红外光谱分析［J］.食品科学，2013，34（2）：165～169.

31 席那顺朝克图，郁志宏，张宝超，等.基于小波分析的马铃薯环腐病光谱数据去噪［J］.农村牧区机械化，2013（3）：19～22.

32 孙旭东，董小玲.近红外光谱快速检测马铃薯全粉还原糖［J］.农业工程学报，2013，29（14）：262～268.

33 吕东亚，黄普明，孙献璞.高光谱图像的数据特征及压缩技术［J］.空间电子技术，2005（1）：15～22.

34 苏文浩，何建国，刘贵珊，等.近红外高光谱图像技术在马铃薯外部缺陷检测中的应用［J］.食品与机械，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，高海龙，等.马铃薯干物质含量高光谱检测中变量选择方法比较［J］.农业机械学报，2012，43（2）：128～133.

41 周竹，李小昱，高海龙，等.漫反射和透射光谱检测马铃薯黑心病的比较［J］.农业工程学报，2012，28（11）：237～242.

42 周竹，李小昱，高海龙，等.基于高光谱成像技术的马铃薯外部缺陷检测［J］.农业工程学报，2012，28（21）：221～228.

43 高海龙，李小昱，徐森森，等.马铃薯黑心病和单薯质量的透射高光谱检测方法［J］.农业工程学报，2013，29（15）：279～285.

44 孙金风，李小昱，汪成龙，等.马铃薯无损检测技术的研究进展［J］.湖北农业科学，2012，51（22）：4 974～4 977.