基于机器视觉的马铃薯黑心病检测机构设计与试验

田 芳，彭彦昆，魏文松，郑晓春，王文秀

基于机器视觉的马铃薯黑心病检测机构设计与试验

田 芳，彭彦昆※，魏文松，郑晓春，王文秀

（中国农业大学工学院，国家农产品加工技术装备研发分中心，北京 100083）

马铃薯黑心病是一种难以用肉眼分辨的内部病害。在生产加工中，为了准确检出黑心病个体，该研究基于光在马铃薯块茎组织中的透射特性设计了一种马铃薯黑心病检测机构。机构主要包括马铃薯块茎承托槽、光源单元以及光源位置调节轨道等部分，光源单元包括2个LED面光源，形成多点透射的结构，光源波长为705 nm。文中取50个正常样品和29个黑心样品采集图像分析，经过预处理，分别提取马铃薯目标图像和马铃薯高灰度区域的灰度平均值，以二者的相对比值作为黑心病的判别参数。通过与单点透射模式所采集的正常样品图像的相对比值比较，由该机构所采集的正常图像的相对比值普遍偏小，表明所获得图像的灰度均匀性更好，同时得到光源较佳夹角为45°。在该机构下获得的正常样品和黑心样品的灰度平均值相对比值的分类阈值为0.220，得到2种样品的判断正确率分别为98%和96.6%，且黑心样品的相对比值更大，表明使用该机构可以检测黑心马铃薯样品。该研究为马铃薯黑心病检测机构的设计提供了参考。

机器视觉；无损检测；设计；马铃薯块茎；黑心病；检测机构；承托槽；光源单元

0 引 言

马铃薯是世界四大主粮之一，营养丰富，素有“地下苹果”、“第二面包”的美誉。近年来，马铃薯加工业在中国迅猛发展，正在向规模化，产业化以及高技术水平方向发展，但是马铃薯原薯品质合格率低等因素限制了马铃薯加工业的快速发展[1]。在诸多种类的马铃薯病害中，黑心病是一种主要的内部病害，会明显降低马铃薯的食用、种用及加工用价值[2]，严重影响原薯品质合格率。在生产线上，由于马铃薯黑心病个体难以凭肉眼检出，混入加工原料中会严重破坏整体的品质，因此开发马铃薯黑心病检测机构是有必要的，可以在二次加工前对原料马铃薯进行逐一筛选，剔除黑心病个体，提高原料薯的合格率。

国内外针对马铃薯等果蔬农产品所进行的品质无损检测研究主要是使用基于可见/近红外光谱技术[3-7]、高光谱图像技术[8-11]或机器视觉技术[12-16]等设计的光学检测平台。根据光源的照射方式，光学检测技术主要分为透射式检测技术和反射式检测技术[17-18]。López-Maestresalas等[19]基于反射式高光谱图像技术设计了马铃薯黑心病检测机构，分别分析了在400～1 000和1 000～2 500 nm波段范围内采集的高光谱反射图像，然后建立了偏最小二乘判别分析模型，在静态环境下可以较准确地判断出样品中的黑心病个体。在国内，Zhou等[20]根据513～850 nm波段范围内马铃薯的透射式可见/近红外光谱特征判断其内部黑心病，对黑心病的判别准确率为97.11%。金瑞等[21]和李小昱等[22]分别应用反射式高光谱图像及光谱信息融合技术和透射式机器视觉技术进行马铃薯内外部多品质指标的检测，对内部黑心以及发芽、绿皮等特征的判别有较高的准确率。上述针对马铃薯黑心病等品质检测所做的研究，主要是基于所搭建的静态环境下的检测机构，被测马铃薯样品的物理状态稳定，干扰因素少，但是其检测机构还未与工业在线生产需求相匹配。另外，由于马铃薯形状和尺寸不规则，在进行反射式或者透射式光学检测的时候，容易产生光照不均匀，漏光等现象，对品质检测造成较大的干扰。

马铃薯黑心病主要表现为在薯块中心的髓部组织细胞死亡，病变区域的块茎组织极其硬，形状呈不规则状，但边缘清晰，其光透过能力与马铃薯块茎的正常组织不同。因此本文基于透射式机器视觉技术的原理设计了马铃薯黑心病检测机构，通过分析马铃薯的尺寸和形态特征确定检测机构中光源单元的结构及角度，并相应确定马铃薯块茎承托槽的结构。然后分析比较单点透射光源下马铃薯块茎样品的透射图像和使用本文所设计的检测机构采集的样品透射图像的灰度分布特征等参数，调整检测机构到达最佳状态，为马铃薯黑心病在线检测机构的设计提供参考。

1 马铃薯黑心病检测机构的结构及原理

本文所设计的马铃薯黑心病检测机构主要由马铃薯块茎承托槽，光源单元，散热片和底座四部分组成，结构如图1a所示。光源单元主要包括一对透射光源，其出射光会聚于承托槽的竖直中心上。承托槽上设计有可供光源单元位置调节的轨道（图1b所示），用于适应对不同尺寸马铃薯块茎的检测。

图1 检测机构的整体结构示意图Fig.1 Overall structure diagram of detection mechanism

在黑心病检测时，首先将马铃薯块茎平稳置于承托槽1上面，然后根据被测马铃薯的尺寸调节光源2在光源位置调节轨道5上的相对位置，使光源到样品的垂直距离最近。由于所用光源为大功率LED光源，检测时需要使用散热片3配合散热，保持光源发光能量的稳定性。整个检测机构通过底座4进行固定安置，经过适当调节可匹配在线系统的工作。

2 关键部件的结构设计及参数分析

2.1 马铃薯块茎尺寸及形状特征分析

由于栽培条件等因素的不同，即使为同一个品种的马铃薯，且生长在同一植株上，其形状和尺寸也会有差异，只能根据统计学规律进行归纳[23-26]。在工业生产中，为获得高品质的马铃薯加工产品，人们对马铃薯块茎的大小和形状均有严格的要求。根据农业部标准NY/T 1605-2008《中华人民共和国农业行业标准——加工用马铃薯 油炸》的规定，加工用马铃薯的薯形要求为近似圆形或长椭圆形，即侧面形状同样为近似圆形或椭圆形；直径要求为4.0～10.0 cm[27]。根据该要求，本文所设计机构的检测对象主要为侧面形状是近似圆形或椭圆形，直径范围在40.0～100.0 mm的马铃薯块茎。图2所示为马铃薯块茎自然放置时侧面尺寸测量示意图，本文使用拟合高度与拟合宽度的比值（H/W）表示样品侧视形状的圆形度。

2.2 光源型号的选择

马铃薯黑心病是由于块茎内部中心组织病变导致的生理性病害，根据文献[28]研究发现，正常马铃薯组织和黑心病组织的光谱透射率不同，黑心病组织对光的吸收能力较正常组织更强，尤其是在700 nm波长附近处，二者光吸收能力的差别最为明显。因此，本文选择波长为705 nm的大功率LED阵列作为检测机构的透射光源，所用光源为圆形面光源。

图2 马铃薯块茎侧面图像的尺寸Fig.2 Potato tuber size measured in side image

2.3 承托槽及光源单元结构的设计

本文首先针对侧面形状为近似圆形的马铃薯块茎的检测机构进行设计。为提高光源透射样品的能量分布均匀性，选用2个LED面光源作为马铃薯黑心病检测的透射光源，取马铃薯块茎左下方和右下方两部分区域为光源入射点。

为使光源发光能量的利用率达到最大，且尽量减少光源漏光，将光源位置设置在马铃薯块茎与承托槽相切切点的位置上，并假设不同尺寸的马铃薯块茎的拟合圆共有同一条外切线，因此光源位置可以根据马铃薯尺寸的变化在该切线位置上进行调节。如图3所示，两个光源的位置A1（A2）和B1（B2）由2个因素决定：1）为被测马铃薯块茎样品的侧面拟合圆半径；2）为与样品拟合圆的切线相对应的半径法线O1A1（O2A2）和竖直中心线l的夹角α值的大小。在该透射式检测机构中，α的取值范围为0～90°，α为0°时样品拟合圆的切线与中心线l垂直，为90°时样品拟合圆的切线与中心线l平行。

在多光源的透射式光学检测机构中，光源与样品的相对位置会影响光源能量在样品中的分布，从而影响检测结果的准确性。冯尚坤等[29]在进行基于透射式可见/近红外光谱检测苹果内可溶性固形物成分的研究时，分析比较了不同光源摆放形式下的检测结果，发现光源与检测探头之间的夹角越小，且为多光源组合时的光照模式最佳。因此在本文中，α角度值越大，光源在样品中的能量分布越均匀，越有利于获得高质量的马铃薯块茎样品透射图像。

同时，在相同α角度下，大尺寸马铃薯块茎的中心比小尺寸马铃薯块茎的中心在承托槽上的相对位置更高。根据三角函数公式，在图3中，由于

式中O1M为任一半径大于最小半径的马铃薯块茎拟合圆圆心O1到切线交点M的距离，mm；O2M为最小半径的马铃薯块茎拟合圆圆心O2到切线交点M的距离，mm；O1O2为2个拟合圆的圆心距，mm；O1A1为圆心O1到切点A1的距离，mm；O2A2为圆心O2到切点A2的距离，mm；r1为任一尺寸的马铃薯块茎的半径，mm；r2为最小尺寸的马铃薯块茎的半径，mm；α为与样品拟合圆的切线相对应的半径法线O1A1（O2A2）和竖直中心线l的夹角，(°)。其中r2=20.0 mm。

图3 光源位置设计Fig.3 Design of light source position

由此得到拟合圆O1到拟合圆O2上最低点C2的距离

式中O1C2为任一尺寸的马铃薯块茎的中心到最小拟合圆尺寸的马铃薯块茎底端的距离，mm；O2C2为最小半径的马铃薯块茎的中心到底端的距离，mm；O1O2为2个拟合圆的圆心距，mm。

从式（2）中可以看出，O1C2由夹角α值和该马铃薯的拟合圆半径r1决定。当r1一定时，α越小，O1C2越小，马铃薯样品的拟合圆心O1相对于最低点C2的高度差越小。同理，当α角度越大，O1C2的值越大，此时不同尺寸的马铃薯块茎样品到机器视觉成像装置的距离的差别更大，不利于光源能量的充分利用。因此，本文中α角度适当减小有利于提高不同样品检测时的光源能量利用率。

本文令夹角α的值为45°，此时，2个光源在样品中的能量分布均匀性以及样品拟合圆心相对最小尺寸样品（r2=20.0 mm）底端的高度差在理论上达到了一个协调的状态，得到承托槽的结构如图4所示。图4a中夹角β值的大小为45°，线段BC和EF分别为任意尺寸马铃薯拟合圆的外切线，圆弧︵CE设计为承托槽的底面，根据尺寸最小的马铃薯拟合圆得到，其半径为20.0 mm；圆弧︵AB和︵FG根据尺寸最大的马铃薯拟合圆得到，其半径为50.0 mm；三段圆弧分别与两段切线在交点处相切。图4b为根据该结构所作的机械结构示意图，P为相应的光源位置调节轨道。

图4 马铃薯块茎承托槽设计Fig.4 Design of supporting groove for potato tuber

在该结构的承托槽上，可用于检测拟合圆直径范围为40.0～100.0 mm的马铃薯块茎样品；两个光源的位置可根据被测样品的尺寸范围分别在BC段和EF段进行调节，使得光源位于样品与承托槽的切点上。根据公式（2），马铃薯块茎拟合圆半径为50.0 mm时，其圆心O′到承托槽最低点D的距离O′D=62.43 mm；当拟合圆半径为20.0 mm时，其圆心O到承托槽最低点C的距离OC= 20.0 mm。该结构下马铃薯块茎拟合圆圆心相对承托槽最低点的高度变化范围为20.0～62.43 mm。

另外，在承托槽上，为了提高光源能量的利用率，将面光源的出光孔直径设计为15.0 mm。图5所示为承托槽光源相对马铃薯块茎拟合圆的位置示意。图中N为光源A0B0的中点，且为样品拟合圆在承托槽上的切点。

光源上半段A0N在水平线上的投影ED与拟合圆O0水平方向的半径FO0的位置关系如公式（3）所示

式中FO0为拟合圆O0在水平方向的半径，mm；FE为光源上端点A0在FO0上的投影点到拟合圆O0左端点F的距离，mm；r表示拟合圆O0的半径，mm；θ为与样品拟合圆的切线相对应的半径法线O0N和竖直中心线l的夹角，(°)。其中θ=45°。

图5 承托槽光源相对马铃薯块茎拟合圆的位置示意图Fig.5 Schematic diagram of light sources’ position of supporting groove relevant to potato tuber fitting circle

由此得到光源上端点A0与马铃薯拟合圆左端点F的相对位置如公式（4）所示

当FE＞0时，样品拟合圆半径r＞18.12 mm。本文中用于黑心病检测的马铃薯样品最小半径为20.0 mm，满足该区间要求。此时，光源入射到被测马铃薯样品上的能量可以充分应用于样品透射，可减少光源漏光以及能量浪费和干扰，保证了所采集的透射图像的亮度分布均匀性。

当所检测的马铃薯块茎样品侧面拟合形状为椭圆时，根据数理学统计，几种主要品种马铃薯块茎的拟合高度H与拟合宽度W的比值范围为0.6～1.0[30]。如图6所示，分别为圆拟合和椭圆拟合马铃薯样品，圆拟合样品的半径长度与椭圆拟合样品的长半轴长度相同。从图中看出，随着椭圆拟合的马铃薯块茎的短轴与长轴的比值变小，其中心到承托槽最低点的距离OminD2减小，此时拟合椭圆Omin与承托槽两侧切点N0的位置相对于拟合圆Omax的切点N的位置抬高。因此，将本文根据圆拟合样品所设计的检测机构用于椭圆形马铃薯块茎样品的检测时，样品同样可以获得分布均匀的光源能量，且其中心位置相对于承托槽底面的高度变化范围在圆拟合样品中心的高度变化范围内，可以保证图像采集时的光源能量利用率的提高。

图6 圆拟合和椭圆拟合的马铃薯块茎样品参数比较Fig.6 Parameters comparison between fitting circle and fitting ellipse of potato tuber

3 性能试验设计及分析

3.1 样品准备

试验所用马铃薯品种为克新四号，样品表皮新鲜，表面无机械损伤，无病虫害。根据马铃薯黑心病生成的原理对样品进行处理。马铃薯块茎在高温缺氧的环境下容易产生黑心病，在制作黑心病时，首先将样品使用自封袋单个封装，封装时排掉袋中多余的空气，然后放入恒温箱中贮存，恒温箱的温度被设定为37 ℃，处理24 d后取出。

取79个样品（50个正常样品，29个制作的黑心病样品）进行试验。使用精度为0.01 mm的游标卡尺测量样品的尺寸，统计结果如表1所示。从表中可以看出，所选样品的尺寸分布范围比较均衡，形态特征包括椭圆拟合体和圆拟合体。

表1 马铃薯块茎样品尺寸统计结果Table1 Statistical result of potato tuber samples’ sizes

3.2 试验仪器

本文使用试制的检测机构进行试验。所用光源为两个中心波长是705 nm的LED圆形面光源，功率均为50 W，光源在承托槽上的出光位置可以沿调节轨道进行调节。采用Mako G-125B黑白相机采集样品的透射图像，相机的分辨率为1 292×964像素，相对检测机构的安装高度为200 mm。使用Matlab R2012a软件进行图像处理和数据分析，从而评价所设计检测机构的工作性能。

3.3 试验方法

首先使用本文设计的检测机构进行多点透射（multipointtransmission，MT）模式（图7a所示）下的试验，依次采集79个马铃薯样品的透射图像，试验中根据样品尺寸调节检测机构上光源的位置。然后，为比较该机构透射光源的能量在样品中的分布均匀性，进行单点透射模式（single-point transmission，ST）下的试验，光源位置如图7b所示，将两个光源并排组合置放在水平面上，使其位于相机视野的竖直中心下方，调节相机和光源的相对高度与多点透射模式时一致。由于黑心马铃薯发生病变，内部组织的密度不均匀，且不同样品发生黑心病变的部位各有不同，对光源能量在组织内部的正常传播造成干扰，不利于光源透射均匀性的分析，因此只依次采集50个正常样品的透射图像用于分析。

图7 光源透射模式示意图Fig.7 Schematic diagram of light source transmission mode

对所采集的图像分别在Matlab软件中进行去背景处理，提取出马铃薯目标图像。根据公式（5）计算马铃薯目标图像的灰度平均值。

式中AVG表示灰度平均值；pixel(i, j)表示马铃薯目标区域每个像素点的灰度值，其中i和j分别为图像上横向和纵向的像素点坐标；N表示图像上马铃薯目标区域的像素点总数。

以所得灰度平均值AVG为阈值对每幅图像进行二值化处理，并以所得二值图像为掩膜提取马铃薯图像的高灰度区域。对所得的图像按公式（5）分别计算目标区域的灰度平均值。然后按照公式（6）计算灰度平均值的相对比值。

式中RT表示灰度平均值的相对比值；AVG0和AVG1分别表示马铃薯原目标图像和二值化掩膜图像的灰度平均值。

3.4 结果及讨论

对所采集的79个马铃薯样品（50个正常样品，29个黑心样品）图像进行处理之后，所得结果如图8所示。从图中可以看出，ST模式采集的正常样品图像灰度分布不均匀，中心较四周边缘更亮；MT模式下的正常样品图像灰度分布相对更均匀，黑心样品的图像灰度分布不均匀，灰度值低的区域对应于内部发生黑心病变的区域。根据公式（5）分别计算所有样品图像中马铃薯原目标图像和二值化掩膜图像的灰度平均值，并按照公式（6）计算灰度平均值的相对比值，图9所示为样品的灰度平均值的相对比值统计坐标图。

图8 两种透射模式下的马铃薯样品原图像及二值化掩膜图像Fig.8 Images of potato samples and after binarization and masking under two transmission modes

图9 样品图像的灰度平均值比例Fig.9 Grayscale distribution of sample images under two transmission modes

根据图9可以看出，三类样品的灰度平均值相对比值RT存在明显的分布区间，其中正常样品在MT模式所采集的数据，分布范围为0.012～0.250；正常样品在ST模式所采集的数据，分布范围为0.210～0.497；黑心样品在MT模式所采集的数据，分布范围为0.204～0.433。取ST模式和MT模式下正常样品RT值的重合点以及重合区间等分点为分类阈值，分析两种模式下样品的分类正确率以及分类总正确率，结果如图10a所示。同样，取MT模式下正常样品和黑心样品RT值的重合点及重合区间等分点为分类阈值，分析两种样品的分类正确率及总正确率，结果如图10b所示。

图10 样品的最佳分类阈值分析Fig.10 Analysis of samples’ optimal classification threshold

从图10a中可以看出，当分类阈值为0.216时，正常样品在ST和MT模式下的分类正确率均为98%，且总正确率达到最大，为98%，因此取0.216为最佳分类阈值。在图10b中，当分类阈值为0.220时，MT模式下正常样品和黑心样品的分类正确率分别为98%和96.6%，此时总正确率最大，为97.5%，因此取0.220为最佳分类阈值。

以上分析结果表明，该检测机构能够用于马铃薯黑心病的检测，为在线加工中的原料薯品质检测装置的设计提供了参考。检测中由于马铃薯形状不规则等因素所造成的漏光或图像灰度不均匀等问题，可以通过提高图像处理算法的处理精度进行改善；同时增加预测参数，进一步提高黑心病判断结果的可靠性。

4 结 论

本文为适应工业生产中马铃薯在线品质检测需求，基于马铃薯块茎的光透射特性设计了马铃薯黑心病的检测机构。

1）通过分析马铃薯的外形和尺寸特征，将马铃薯块茎侧面形状拟合为圆，设计了样品拟合直径范围为40.0～100.0 mm时光源单元和承托槽的结构；检测机构上光源的位置可以根据被测马铃薯块茎样品的尺寸进行调整。

2）通过数学计算，确定了当拟合圆切线的法线与竖直中心线的夹角为45°时，圆心相对承托槽底部的高度变化范围为20～62.43 mm，光源能量可被更充分的应用于样品的透射，提高了光透射的均匀性，并且尽量减少了样品边缘处的光能量泄漏。

3）针对一些侧面拟合形状为椭圆的马铃薯块茎样品，分析了其与承托槽的切点位置及其中心的高度变化范围。通过和圆拟合样品比较，确定了上述指标均在圆拟合样品的范围内，应用该检测机构可以采集椭圆形状拟合的马铃薯样品透射图像。

4）经试验验证，在相同光源功率的条件下，使用该检测机构（多点透射模式）检测正常样品和单点透射模式下检测正常样品时灰度平均值相对比值的分类阈值为0.216，此时样品的判断正确率均为98%，小于该阈值的样品数据为该检测机构获得，表明该检测机构成像具有更好的灰度均匀性；另外，该检测机构检测正常样品和黑心样品的分类阈值为0.220，此时正常样品和黑心样品的判断正确率分别为98%和96.6%，大于该阈值的样品为黑心样品，表明该检测机构可用于检测黑心马铃薯样品。该机构为马铃薯黑心病检测机构的设计提供了参考。

[1] 孙东升. 中国马铃薯加工业现状和发展趋势[J]. 农业展望，2009，5(11)：20－22.

[2] 孟令文. 马铃薯黑心病的发病条件及安全贮藏技术[J]. 园艺与种苗，1994(6)：51－52.

[3] Rady A M, Guyer D E. Rapid and/or nondestructive quality evaluation methods for potatoes: A review[J]. Computers and Electronics in Agriculture, 2015, 117(1): 31－48.

[4] 郭志明，黄文倩，陈全胜，等. 苹果腐心病的透射光谱在线检测系统设计及试验[J]. 农业工程学报，2016，32(6)：283－288.

Guo Zhiming, Huang Wenqian, Chen Quansheng, et al. Design and test of on-line detection system for apple core rot disease based on transmitted spectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE）, 2016, 32(6): 283－288. (in Chinese with English abstract)

[5] Vanoli M, Rizzolo A, Spinelli L, et al. Non-destructive detection of internal brown spot in potato tubers by time-resolved reflectance spectroscopy: preliminary results on a susceptible cultivar[C]//International Conference of Agricultural Engineering. CIGR-Ageng 2012, Valencia, Spain, 2012, Article No. P1370.

[6] Alander J, Bochko V, Martinkauppi J B, et al. Optical sensoring of internal hollow heart related defects of potatoes[J]. IFAC Proceedings Volumes, 2013, 46(18): 24－28.

[7] 王欣，谢锦春，韩东海，等. 水果内部品质在线近红外分析仪的研制[J]. 现代科学仪器，2009，12(6)：11－13.

Wang Xin, Xie Jinchun, Han Donghai, et al. Development of near infrared spectroscopy on-line analyzer for fruit internal quality[J]. Modern Scientific Instruments, 2009, 12(6): 11－13. (in Chinese with English abstract)

[8] Dacal-Nieto A, Formella A, Carrión P, et al. Non–destructive detection of hollow heart in potatoes using hyperspectral imaging[C]//International Conference on Computer Analysis of Images and Patterns. Springer Berlin Heidelberg, 2011: 180－187.

[9] 胡鹏程，孙晔，吴海伦，等. 高光谱图像对白萝卜糠心的无损检测[J]. 食品科学，2015，36(12)：171－176.

Hu Pengcheng, Sun Ye, Wu Hailun, et al. Detecting hollowness of white radish based on hyperspectral imaging[J]. Food Science, 2015, 36(12): 171－176. (in Chinese with English abstract)

[10] 张嫱，潘磊庆，吴林蔚，等. 利用反射和半透射高光谱图像检测水蜜桃早期冷害[J]. 食品科学，2014，35(4)：71－76.

Zhang Qiang, Pan Leiqing, Wu Linwei, et al. Detecting chilling injury at early stage of ‘xiahui 5’ honey peach by hyperspectral reflectance and half-transmittance imaging[J]. Food Science, 2014, 35(4): 71－76. (in Chinese with English abstract)

[11] Keresztes J C, Goodarzi M, Saeys W. Real-time pixel based early apple bruise detection using short wave infrared hyperspectral imaging in combination with calibration and glare correction techniques[J]. Food Control, 2016, 66(1): 215－226.

[12] Noordam J C, Otten G W, Timmermans T J M, et al. High-speed potato grading and quality inspection based on a color vision system[C]//Electronic imaging. International Society for Optics and Photonics, 2000: 206－217.

[13] 郝敏，麻硕士. 基于机器视觉的马铃薯单薯质量检测技术研究[J]. 农机化研究，2009(9)：61－63.

Hao Min, Ma Shuoshi. Study on potato weight detection technology based on computer vision theory[J]. Journal of Agricultural Mechanization Research, 2009(9): 61－63. (in Chinese with English abstract)

[14] Nandi C S, Tudu B, Koley C. An automated machine vision based system for fruit sorting and grading[C]//Sixth International Conference on Sensing Technology. IEEE, 2012: 195－200.

[15] Cubero S, Aleixos N, Moltó E, et al. Advances in machine vision applications for automatic inspection and quality evaluation of fruits and vegetables[J]. Food and Bioprocess Technology, 2011, 4(4): 487－504.

[16] Mizushima A, Lu R. An image segmentation method for apple sorting and grading using support vector machine and Otsu’s method[J]. Computers and Electronics in Agriculture, 2013, 94(1): 29－37.

[17] 申晓彦，王鉴. 用于视觉检测的光源照明系统分析[J]. 灯与照明，2009，33(3)：7－9.

Shen Xiaoyan, Wang Jian. The light source illumination system analysis used in visual inspection[J]. Light & Lighting, 2009, 33(3): 7－9. (in Chinese with English abstract)

[18] 徐惠荣，应义斌. 近红外图像和光谱分析技术在农产品品质无损检测中的应用与展望[J]. 浙江大学学报：农业与生命科学版，2002，28(4)：460－464.

Xu Huirong, Ying Yibin. Application and prospect of near infrared imaging and spectroscopy analysis on quality inspecting of agricultural products[J]. Journal of Zhejiang University: Agric & Life Sci, 2002, 28(4): 460－464. (in Chinese with English abstract)

[19] López-Maestresalas A, Keresztes J C, Goodarzi M, et al. Non-destructive detection of blackspot in potatoes by Vis-NIR and SWIR hyperspectral imaging[J]. Food Control, 2016, 70(1): 229－241.

[20] Zhou Z, Zeng S, Li X, et al. Nondestructive detection of blackheart in potato by visible/near infrared transmittance spectroscopy[J]. Journal of Spectroscopy, 2015, 2015(1): 1－9.

[21] 金瑞，李小昱，颜伊芸，等. 基于高光谱图像和光谱信息融合的马铃薯多指标检测方法[J]. 农业工程学报，2015，31(16)：258－263.

Jin Rui, Li Xiaoyu, Yan Yiyun, et al. Detection method of multi-target recognition of potato based on fusion of hyperspectral imaging and spectral information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(16): 258－263. (in Chinese with English abstract)

[22] 李小昱，陶海龙，高海龙，等. 马铃薯缺陷透射和反射机器视觉检测方法分析[J]. 农业机械学报，2014，45(5)：191－196.

Li Xiaoyu, Tao Hailong, Gao Hailong, et al. Comparison of transmission and reflection imaging technologies to detect potato defects based on machine vision technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(5): 191－196. (in Chinese with English abstract)

[23] 石林榕，赵武云，吴建民，等. 切片造型技术在农产品有限元分析中的应用[J]. 中国农机化学报，2013，34(3)：95－98.

Shi Linrong, Zhao Wuyun, Wu Jianming, et al. Application of slice modeling technology in finite element analysis of agricultural products[J]. Journal of Chinese Agricultural Mechanization, 2013, 34(3): 95－98. (in Chinese with English abstract)

[24] 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)：166－168，156.

Zheng Guannan, Tan Yuzhi, Zhang Junxiong, et al. Automatic detecting and grading method of potatoes with computer vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(4): 166－168, 156. (in Chinese with English abstract)

[25] Tabatabaeefar A. Size and shape of potato tubers[J]. International Agrophysics, 2002, 16(4): 301－306.

[26] Tao Y, Morrow C T, Heinemann P H, et al. Fourier-based separation technique for shape grading of potatoes using machine vision[J]. Transactions of the ASAE, 1995, 38(3): 949－957.

[27] NY/T 1605-2008. 加工用马铃薯油炸[S].

[28] 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.

Zhou Zhu, Li Xiaoyu, Gao Hailong, et al. Comparison of diffuse reflection and transmission mode of visible/near infrared spectroscopy for detecting black heart of potato[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(11): 237－242. (in Chinese with English abstract)

[29] 冯尚坤，徐海菊. 基于可见/近红外光谱无损检测苹果可溶性固形物的光照优化[J]. 食品工业科技，2014，35(16)：64－66.

Feng Shangkun, Xu Haiju. Optimization of light distribution in non-destructive analysis of soluble solids content of apple base on visual/near-infrared spectroscopy[J]. Science and Technology of Food Industry, 2014, 35(16): 64－66. (in Chinese with English abstract)

[30] 刘春香. 马铃薯块茎外形与力学流变学性质研究与应用[D].哈尔滨：东北农业大学，2006.

Liu Chunxiang. Studies and Application on the Shape and Mechanical Rheological Properties of Potato Tuber[D]. Harbin: Northeast Agricultural University, 2006. (in Chinese with English abstract)

Design and experiment of detection mechanism for potato blackheart based on machine vision

Tian Fang, Peng Yankun※, Wei Wensong, Zheng Xiaochun, Wang Wenxiu
(National R&D Center for Agro-Processing Equipments, College of Engineering, China Agricultural University, Beijing 100083, China)

Potato blackheart is a kind of disease that happens in the inner of potato tuber. The potato with blackheart is difficult to be distinguished from the surface with the naked eye, which affects the quality of potato processed products seriously. In order to detect the potato with blackheart on the production line, a detection mechanism for potato blackheart was designed based on the light transmission properties of potato tuber internal organization in this study. The detection mechanism was composed of the supporting groove, the light source unit, the cooling fin, and the base. Firstly, the characteristics of size and morphology of potato tuber were analyzed based on the statistics rule. The potato tuber studied in this paper was round or elliptic fitted from the side direction, and the fitting diameter range was 40.0-100.0 mm. Then the light source wavelength was chosen as 705 nm according to the result of the research about potato black heart’s high spectral transmission detection. Two area light sources were used in the detection mechanism, constituting multipoint transmission structure. The mechanism was designed against the fitted circle of potato tuber sample in the first place. Two common tangent lines for any size of potato tubers were defined, and the locations of 2 tangent points on each fitting circle were set as the light source locations. The value of the included angle formed by the radius passing the tangent point and the vertical centerline was a determinant to the light source location. A proper included angle could lead to uniform illumination and less light leaking to the potato sample, and improve the consistency of imaging in the camera. The angle value was chosen as 45° by the analysis in this study. After that, the structure of the supporting groove was obtained. The height range between the center of the fitted circle of potato tuber and the bottom of the supporting groove was 20.0-62.43 mm. It could be accepted as a certain range to ensure the consistency of imaging. At the same time, the energy of the area light source installed on the supporting groove was completely absorbed by the potato tuber for its horizontal projection was exactly in the range of potato tuber horizontal radius. When the mechanism was used in the detection of fitted ellipse of potato tuber, the light source position, the included angle and the size of the supporting groove all met the detection demands by the analysis. In order to test the performance of the detection mechanism, a batch of fresh potato samples were chosen and sealed in zip-lock bags, then stored in an incubator at the temperature of 37°. Twenty-nine black heart samples were obtained after 24 d.79 potato tuber samples, including 50 normal samples and 29 black heart samples were chosen to collect the transmission images. The transmission images of 50 normal potato samples under single-point transmission mode were collected at the same time. Then the samples were sealed in zip-lock bags and stored in an incubator at the temperature of 37°. They were taken out and the light transmission images were collected by the detection mechanism after 24 d. Twenty-nine blackheart samples were obtained through the verification. After the background elimination processing with MATLAB, the potato tuber target image and the high grayscale value area after binarization and masking were extracted. The value of their average grayscale value relative ratio was acquired to distinguish the uniformity of the light transmission and potato black heart. The discriminant accuracy of the normal and black heart samples were 98% and 96.6%, respectively. Results showed that, the mechanism introduced in the paper could be used to detect potato black heart. A reference is provided by the design of the detection mechanism in this study.

machine vision; nondestructive examination; design; potato tuber; black heart; detection mechanism; supporting groove; light source unit

10.11975/j.issn.1002-6819.2017.05.041

S226.5

A

1002-6819(2017)-05-0287-08

田 芳，彭彦昆，魏文松，郑晓春，王文秀. 基于机器视觉的马铃薯黑心病检测机构设计与试验[J]. 农业工程学报，2017，33(5)：287－294.

10.11975/j.issn.1002-6819.2017.05.041 http://www.tcsae.org

Tian Fang, Peng Yankun, Wei Wensong, Zheng Xiaochun, Wang Wenxiu. Design and experiment of detection mechanism for potato blackheart based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 287－294. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.05.041 http://www.tcsae.org

2016-08-02

2017-01-17

国家重点研发计划课题（2016YFD0400905）

田 芳，女（土家族），湖北人，博士生，主要从事农畜产品质安全无损检测研究。北京 中国农业大学工学院，100083。

Email：tianfang@cau.edu.cn

※通信作者：彭彦昆，男（汉族），山东人，教授，博士生导师，主要从事农畜产品品质安全无损检测研究。北京 中国农业大学工学院，100083。Email：ypeng@cau.edu.cn