马铃薯薄片干燥过程形态变化三维成像

蔡健荣，卢 越，白竣文，孙 力，肖红伟



马铃薯薄片干燥过程形态变化三维成像

蔡健荣1，卢 越1，白竣文1，孙 力1，肖红伟2

（1. 江苏大学食品与生物工程学院，镇江 212013；2. 中国农业大学工学院，北京 100083）

为研究马铃薯薄片在干燥过程中形态变化规律，该文利用Kinect传感器搭建了图像采集平台，研究其在不同干燥温度下（50、60、70、80 ℃）的形态变化规律。通过图像采集平台获取马铃薯薄片深度图像和彩色图像，利用彩色图像确定感兴趣区域，对对应区域的深度图像进行灰度值拉伸、阈值分割、边缘去噪处理，进而提取特征，计算出正投影面积的收缩率、深度均值及标准差，以表征马铃薯干燥过程中表面卷曲及平整度等形态指标的变化规律。对不同干燥时间点马铃薯片进行三维图形显示可观察其变化规律明显。统计结果表明：低温（50 、60 ℃）与高温（70 、80 ℃）对马铃薯薄片干燥时的收缩率、卷曲程度具有显著影响（<0.05）。50 ℃时收缩率为54.97%，80℃时收缩率升高为64.55%；干燥温度与马铃薯片卷曲程度呈先升后降的关系，60 ℃时卷曲度最大，其深度均值为27.81 mm，80 ℃时降低到18.86 mm。而四组温度下，马铃薯薄片的平整度具有显著性差异（<0.05），50 ℃时马铃薯片深度值的标准差为7.99 mm，80 ℃时降低至5.71 mm，说明平整度随着干燥温度升高而增加。该研究可为马铃薯薄片干燥过程中形态变化的检测提供参考，同时为干燥工艺的智能化控制提供技术依据。

干燥；传感器；图像处理；马铃薯片；形变规律

0 引 言

农产品由于含水率高，季节性强，上市量集中，若不及时处理较易腐烂变质[1]。干燥是农产品加工的一种重要的手段，通过降低农产品含水率来抑制微生物的生长繁殖以及生化反应发生，延长物料的货架期[2]。农产品物料通常具有较高的含水率和丰富的孔隙结构，在干燥过程中随着水分的散失，物料中毛细管在应力作用下发生缩小、塌陷和卷曲，导致物料形态在宏观上发生明显的收缩或卷曲现象[3]。而物料形态是重要的感官品质指标，与包装、储运等后续加工息息相关。

近年来，越来越多的研究者将机器视觉（machine vision）应用到物料干燥过程中色泽、形变和收缩等感官特性的研究。Nadian等[4]利用彩色相机实时采集苹果片在热风干燥过程中的图像，并利用多层人工神经网络得到苹果片的色泽变化规律。Sampson等[5]利用顶部和侧面2个相机，分别采集苹果片的图像并计算投影面积和厚度，进而计算其干燥过程中体积的变化。Ortiz-García-Carrasco等[6]利用相机采集土豆条在热风干燥过程中截面的形状变化，进而评估土豆条在干燥过程中的收缩变化。Onwude等[7]将计算机视觉和激光散射成像系统组合应用，研究甘薯干燥过程中的含水率及颜色变化。综上可知，现有研究基本局限于二维图像的采集，但物料干燥过程中的收缩和形变是三维空间的变化，仅采集二维图像无法精确、全面地反应物料的形态变化。为解决这一问题，更好的探明物料在干燥过程中的形态变化规律，建立物料的三维图像采集平台，获取物料在干燥过程中形态的动态变化过程势在必行。

现有的三维立体视觉技术主要包括:双目立体视觉，TOF（time of flying）相机及三维扫描仪等。Kinect传感器具有经济高效的特点，可以同时采集彩色图像和深度图像[8]，其深度图像获取基于TOF原理[9]，记录物体与传感器之间的距离，两者之间无障碍物时，可以通过深度信息将物体与背景分离[10]，进而获取到物体的三维结 构[11-16]。近年来，Kinect传感器在农业方面的应用已有研究报道，付代昌等[17]以温室番茄盆栽作物为研究对象，提出了一种基于Kinect立体视觉系统的作物茎干特征提取与分析算法。沈跃等[18]以绿色植株为目标，提出了基于Kinect传感器的温室植株绿色与深度检测方法，能够对一定距离范围内的绿色植株目标进行检测，并提出一种基于Kinect彩色和深度双信息特征源的图像拼接方法，降低图像拼接时间，提高匹配准确率[19]。肖珂等[20]使用Kinect传感器融合彩色和深度图像信息，建立了一套软件路径规划算法和硬件喷施实验平台相结合的系统，实现葡萄园的精准喷施。但目前的研究主要集中于农作物外观的检测及分析，食品加工过程中物料形变的三维数据采集尚无相关报道。

本文以马铃薯为原料，利用Kinect传感器采集马铃薯片干燥过程中的彩色图像和深度图像，利用其彩色信息确定马铃薯片区域，利用其深度图像信息计算表面卷曲及面积变化，实现干燥过程中形态变化的快速检测，以期为物料干燥过程中品质变化检测提供参考。

1 材料和方法

1.1 试验材料

试验选用新鲜马铃薯，购于江苏大学附近农贸市场。采用真空干燥方法（干燥温度为70 ℃,干燥时间为24 h,压强为6 kPa）测定马铃薯初始的湿基含水率约为82.7%± 0.5%。

1.2 干燥设备

试验使用设备为自制隧道式热风干燥机，如图1所示，干燥室内温度控制精度为±1 ℃，湿度控制精度为±3%。

1. 控制箱 2. 温湿度传感器 3. 干燥室 4. 排湿风机 5. 蒸汽加湿器 6. 加热装置 7. 离心风机

1.3 干燥参数及试验设计

马铃薯干燥过程受温度、空气湿度、气压等因素的影响。闻陶等[21]研究结果表明，温度是马铃薯干燥的主要影响因素，空气湿度和流速对马铃薯的干燥也有一定的影响，湿度小，空气流速快，干燥速度快。Hafezi等[22]研究片状马铃薯干燥时的切片厚度及红外辐射功率对其收缩率的影响，结果表明厚度为1 mm，红外辐射功率为100 W时马铃薯片收缩最大。因此固定马铃薯薄片厚度为1 mm，空气湿度为15%，风速为3 m/s，研究不同温度下马铃薯薄片的形态变化规律。

将马铃薯经清洗、去皮后，切成1 mm厚薄片状，样本初始长轴为：（6.82±0.43）cm。选取3块厚度均匀的样本平铺于热风干燥机的托盘上，固定风速和空气湿度，研究不同干燥温度（50、60、70、80 ℃）下马铃薯薄片的形态变化。干燥过程中，每隔10 min取出物料进行图像采集，并用天平测量质量变化，直至达到安全贮藏含水率6%时停止干燥。

1.4 图像采集平台及检测精度

图2为图像采集平台示意图。Kinect V2传感器（微软公司，美国）彩色图像分辨率为1 920×1 080，深度图像分辨率为512×424，水平方向的可视角度为70°，垂直方向的可视角度为60°，有效的视野范围为0.5～4.5 m[23]，深度图像精度为16位，每一灰度值代表1 mm深度。为避免背景干扰选用透明的物料托盘。

1. Kinect传感器 2. 传感器支架 3. 托盘底座 4. 物料托盘 5. 物料 6. 电脑

为验证Kinect图像采集平台的检测精度，将经过游标卡尺校验的边长分别为5、8和10 mm的标准立方体并排放置在物料托盘上，采集深度图像和彩色图像，通过上述图像处理方法获取其深度数据，并与实际尺寸进行对比。图3a为获取的立方块的深度图，由于存在边缘散射加之体积较小，图像边缘模糊不清，无法拟合出方形区域。为此采用寻找最高点的方式检验图像深度采集精度，图3b为立方体深度图像的三维显示，明显可见其深度变化。由此可以证明深度检测精度<2 mm。马铃薯片在实际干燥过程最终深度均值>15 mm，因此可满足检测需求。

注：图3b为图3a的三维显示图像，z轴表示深度值，从左至右依次表示边长为5、8、10 mm立方块。

1.5 图像处理

1.5.1 图像分割

由于Kinect传感器的深度摄像头和彩色摄像头位于不同位置，两者像素点之间不存在一一对应关系，调用Kinect SDK函数校正彩色图像，实现彩色图像与深度图像一一对应的关系[24]。

根据校正图像中物料所在位置，建立感兴趣区域（region of interest，ROI），即马铃薯片所在区域，深度图像中马铃薯片位于相同坐标位置，图4a、4b分别为校正图像及与之对应深度图像的ROI区域。物料托盘与镜头的距离为640 mm，将图4b做灰度拉伸处理，去除托盘与镜头距离信息，增强图像对比度，结果如图4c所示，再进行阈值分割后得到图4d所示马铃薯片区域。

图4 马铃薯片图像的分割过程

1.5.2 边缘噪声去除

Kinect传感器采用红外激光照射目标以获得深度图像，这会使马铃薯片边缘产生不规则反射，导致边缘模糊并扩大，造成深度测量误差[25]。如图5a所示。通常马铃薯片卷曲后会形成不规则曲面，但其内部灰度值呈连续变化，而边缘处受噪声干扰后灰度值产生突变，根据这一原理，通过低通滤波即可恢复原有形态，结果如图5b所示。

图5 边缘噪声去除过程

1.6 数据处理

统计马铃薯片深度图像的像素点个数可得到正投影面积，由于深度图像中像素点的灰度值即为该点的深度值，因此同时可计算出所有像素点的深度均值以及标准差。绘制不同温度、不同烘干时间下马铃薯片的正投影面积的收缩率、深度均值及标准差曲线，即可描述马铃薯片在干燥过程中的形变规律。

1.6.1 干基含水率的计算

以绝对干物料为基准的湿物料中的含水率称之为干基含水率，其计算公式[26]如式（1）。

式中M为干燥至时刻的干基含水率，g/g；W为时刻的物料质量，g；为物料的干物质质量，g；终止条件为达到安全贮藏含水率6%。

1.6.2 收缩率的计算

根据干燥时间序列获取马铃薯片的正投影面积后，根据公式（2）[27]计算马铃薯片正投影面积的降低比率，即收缩率。

式中为收缩率，%；0为马铃薯片干燥前的正投影面积，pixel；A为时刻马铃薯片的正投影面积，pixel。

1.6.3 深度均值的计算

如图6所示，干燥初始阶段物料未发生形变，值最大；物料发生卷曲形变后，值逐渐减小。采用深度均值表征物料干燥过程中卷曲形变程度，其计算公式如下

式中Mean为深度均值，为干燥初始阶段马铃薯薄片深度图像中所有像素点的集合，为物料形变后马铃薯薄片深度图像中所有像素点的集合，()为点的深度值，(p)为p点的深度值，为集合中点的个数，为集合中点的个数。

1. Kinect传感器 2. 物料 3. 底座 4. 物料托盘

1. Kinect sensor 2. Material 3. Tray base 4. Material tray

注：、1为、p点到Kinect传感器的距离。

Notes:and1are the distance betweenpoint andppoint to the Kinect sensor.

图6 物料干燥时形态示意图

Fig.6 Schematic diagram of material shape during drying

1.6.4 数据处理方法

干燥温度选取了50、60、70、80 ℃ 4个梯度，做图和数据分析时采用平均值±标准差。为了确保试验的准确性，减小试验误差，绘制干燥曲线时分别计算3片马铃薯片的收缩率、深度均值及标准差。数据处理使用Excel2013（微软公司，美国）和Origin8.0软件（OriginLab公司，美国）。

2 结果与分析

2.1 温度对马铃薯薄片干燥时收缩率的影响

由图7可知，低温（50、60 ℃）与高温（70、80 ℃）对马铃薯干燥后的收缩率具有显著性的差异（<0.05）。温度为50 ℃时，马铃薯片最终收缩率为54.97%，温度升高至80 ℃时，其最终收缩率达到64.55%。收缩现象与物料在脱水时内外压力不平衡产生的收缩应力有关[28]，当温度高时，内外压差大，应力增大，因此收缩率越大，与文献[29]提到的高温可以提高水分的扩散率，有利于样品组织及显微结构的固定，从而提高收缩率的结果相同。曲线的斜率可以反映出马铃薯片干燥过程中面积收缩的速率。干燥初期，马铃薯片收缩缓慢是由于物料中存在大量的水分，毛细管壁上承受的压差较小，而这种压差是收缩产生的主要原因[30]；干燥中期，马铃薯片的收缩率与含水率呈线性关系，与文献[29]中描述结果类似；但干燥后期，马铃薯片的收缩率变化与文献[29]中柠檬片含水率达到一定程度收缩率不变的结果不同，可能是由于马铃薯片质地均匀而柠檬片外表质地硬而内部质地软 有关。

注：不同字母a, b表示不同温度时收缩率差异性显著（P <0.05），相同字母表示差异性不显著,下同。

2.2 温度对马铃薯薄片干燥时表面卷曲的影响

卷曲是物料干燥时其固体骨架在纵向形变造成，本文用深度均值表示。物料含水率较高时骨架处于弹性状态，容易产生卷曲形变[31]。不同温度下马铃薯片干基含水率与其深度均值的曲线如图8所示，深度均值越大表明干燥过程中物料的卷曲程度越大。由图8可知，低温（50、60 ℃）与高温（70、80 ℃）对马铃薯片干燥时的表面卷曲具有显著影响（<0.05），随着干基含水率的降低，马铃薯片卷曲逐渐增大。60 ℃时深度均值最大，达到27.81 mm，80 ℃时降低到18.86 mm。文献[31]认为物料形态与其固体骨架的流动性有关，高温时物料干燥速率快，干燥耗时少，其固体骨架由弹性状态快速转化为玻璃态，所造成的卷曲形变小。与上述收缩现象类似，干燥初期，物料主要蒸发非结合态的水分，产生形变小；干燥中期，物料毛细管及固体骨架中的水分开始向外迁移，卷曲程度逐渐增大；干燥后期，各温度条件下深度均值变化相同，但高温条件下，物料转化成玻璃态的速度快，因此造成的卷曲形变小。

图8 温度对马铃薯片干燥时表面卷曲的影响

2.3 温度对马铃薯薄片干燥时平整度的影响

标准差反映的是数据离散程度，文献[32]采用标准差反映不规则物体的平整度。图9为不同温度下马铃薯片干基含水率与深度值标准差的曲线。由图可知，温度对马铃薯片表面平整度具有显著影响（<0.05），干燥温度越高，干燥终点深度值的标准差越小，即表面更平整。50 ℃时标准差为7.99，80 ℃时降低至5.71。按照文献[31]中物料固体骨架流动性的理论，其原因与卷曲现象类似，即温度高时，干燥时物料固体骨架更快地由弹性状态转化为玻璃态。干燥前中期，不同温度条件下物料深度值标准差变化相似，是由于物料含水率高，固体骨架处于弹性状态；干燥后期，深度值标准差达到最大值后又出现回落，可能是因为物料内部水分扩散速率小于外部水分蒸发速率，水分蒸发时产生的应力作用减小，物料固体骨架产生自我稳定的过程。

图9 温度对马铃薯片干燥时表面平整度的影响

为了直观分析马铃薯片在干燥过程中形态变化，利用MATLAB软件（MathWorks公司，美国）先对深度图取反处理，再调用Surf函数显示三维图形。由于干燥 80 min后物料的形态变化不明显，因此仅选取干燥时间在80 min内（间隔20 min）的深度图进行显示，结果如图10所示。由图10可见，随着干燥时间的增加，马铃薯片投影方向面积不断收缩，卷曲程度不断增加，平整度不断降低。

图10 不同干燥时间下马铃薯片三维曲面图

3 讨 论

马铃薯薄片干燥后呈现的三维形态复杂且多样，文献[29]提出高温可以提高收缩率的结果与本研究相同，文献[31]提出的固体骨架理论可解释卷曲程度和平整度2个形态指标，但相关研究报道较少，且本研究数据样本较少，研究结果具有一定的局限性；马铃薯薄片干燥过程中其形态变化规律受温度、空气湿度、切片厚度、风速以及吹拂角度等多种因素影响，如文献[22]研究结果表明切片厚度小，红外辐射功率小时，其收缩形变大，而压强对其影响不明显，本文仅研究温度对其形态变化的影响，其它因素将是下一步研究的重点；基于三维图像研究马铃薯薄片干燥过程中形态变化规律，具有高效、无损伤等优点，未来有待使用更为精确的方法及大量的样本，量化各因素在马铃薯薄片干燥过程中发挥的作用，从而为干燥工艺的智能化控制提供技术参考。

4 结 论

1）采用Kinect传感器检测马铃薯片在热风干燥时形态的变化。搭建了三维图像采集平台，获取物料的深度图像和彩色图像。对深度图像和彩色图像映射处理，使之一一对应。利用彩色图像确定感兴趣区域，对同一区域的深度图像进行处理，提取区域面积、深度均值及标准差等参数，进而统计收缩率、表面卷曲及平整度变化趋势。并使用MATLAB软件显示不同时间点马铃薯片三维图像，可明显观察其形态变化情况。

2）试验结果表明：低温（50、60 ℃）与高温（70、80 ℃）对马铃薯薄片干燥时的收缩率、卷曲程度具有显著影响（<0.05）。50 ℃时收缩率为54.97%，80℃时收缩率升高为64.55%；干燥温度与马铃薯片卷曲程度呈先升后降的关系，60℃时卷曲度最大，其深度均值为 27.81 mm，80 ℃时降低到18.86 mm。而4个温度下，马铃薯薄片的平整度具有显著性差异（<0.05），50 ℃时马铃薯片深度值的标准差为7.99 mm，80 ℃时降低至5.71 mm，说明平整度随着干燥温度升高而增加。

[1] 苏丹，李树君，赵凤敏，等. 农产品联合干燥技术的研究进展[J]. 农机化研究，2014，36(11)：236－240.

Su Dan, Li Shujun, Zhao Fengmin, et al. Advances in the combined drying technology of agricultural products[J] .Journal of Agricultural Mechanization Research, 2014, 36(11): 236－240. (in Chinese with English abstract)

[2] 吴海虹，朱道正，卞欢，等.农产品干燥技术发展现状[J].现代农业科技，2016(14)：279－281.

[3] 白竣文，田潇瑜，刘宇婧，等.大野芋薄层干燥特性及收缩动力学模型研究[J].中国食品学报，2018，18(4)： 124－130.

[4] Nadian M H, Rafiee S, Aghbashlo M, et al. Continuous real-time monitoring and neural network modeling of apple slices color changes during hot air drying[J]. Food & Bioproducts Processing, 2015,94:263－274.

[5] Sampson D J, Chang Y K, Rupasinghe H P V, et al. A dual-view computer-vision system for volume and image texture analysis in multiple apple slices drying[J]. Journal of Food Engineering, 2014,127(4):49－57.

[6] Ortiz-García-Carrasco B, Yañez-Mota E, Pacheco-Aguirre FM, et al. Drying of shrinkable food products: Appraisal of deformation behavior and moisture diffusivity estimation under isotropic shrinkage[J]. Journal of Food Engineering, 2015,144: 138－147.

[7] Onwude D I, Hashim N, Abdan K, et al. Combination of computer vision and backscattering imaging for predicting the moisture content and colour changes of sweet potato (L) during drying[J]. Computers & Electronics in Agriculture, 2018, 150: 178－187.

[8] 沈跃，徐慧，刘慧，等.基于K-means和近邻回归算法的Kinect植株深度图像修复[J].农业工程学报，2016，32(19)：188－194.Shen Yue, Xu Hui, Liu Hui, et, al. Kinect scanning plant depth image restoration based on K-means and K-nearest neighbor algorithms[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(19): 188－194. (in Chinese with English abstract)

[9] 邹广群.基于TOF相机的深度图增强算法研究[D].青岛: 青岛大学，2016.

[10] 赵志平，陈雷月. 基于深度传感器图像分割技术的研究[J].信息技术，2014(1)：109－112.Zhao Zhiping, Chen Leiyue. Research on image segment technique based on Kinect[J]. Information Technology, 2014(1):109－112. (in Chinese with English abstract)

[11] 许常蕾，王庆，陈洪，等.基于体感交互的仿上肢采摘机器人系统设计与仿真[J].农业工程学报，2017，33(增刊1)：49－55.Xu Changlei, Wang Qing, Chen Hong, et al. Design and simulation of artificial limb picking robot based on somatosensory interaction[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2017,33(Supp.1): 49－55.(in Chinese with English abstract)

[12] Meng Ming, Yang Fangbo, She Qingshan, et al. Human motion detection based on the depth image of Kinect[J]. Chinese Journal of Scientific Instrument, 2015, 36(2):386－393.

[13] Harte J M, Golby C K, Acosta J, et al. Chest wall motion analysis in healthy volunteers and adults with cystic fibrosis using a novel Kinect-based motion tracking system[J]. Medical & Biological Engineering & Computing,2016, 54(11):1631－1640.

[14] Sun Y, Li C, Li G, et al. Gesture recognition based on Kinect and sEMG signal fusion[J]. Mobile Networks & Applications,2018(1):1－9.

[15] Rosa-Pujazón A, Barbancho I, Tardón L J, et al. Fast-gesture recognition and classification using Kinect: An application for a virtual reality drumkit[J]. Multimedia Tools & Applications, 2016, 75(14):8137－8164.

[16] Gianaria E, Grangetto M, Balossino N. Kinect-based gait analysis for people recognition over time[C]//International Conference on Image Analysis and Processing. Catania: Springer, 2017:648－658.

[17] 付代昌，徐立鸿，李大威，等.基于Kinect的温室番茄盆栽茎干检测与分割[J].现代农业科技，2014(3)：336－338.

[18] 沈跃，徐慧，刘慧，等.基于Kinect传感器的温室植株绿色与深度检测方法[J]. 中国农机化学报，2016，37(8)： 155－161.

[19] 沈跃，朱嘉慧，刘慧，等. 基于深度和彩色双信息特征源的Kinect植物图像拼接[J]. 农业工程学报，2018，34(5)：176－182. Shen Yue, Zhu Jiahui, Liu Hui, et, al. Plant image mosaic based on depth and color dual information feature source from Kinect[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 176－182. (in Chinese with English abstract)

[20] 肖珂，高冠东，马跃进. 基于Kinect视频技术的葡萄园农药喷施路径规划算法[J]. 农业工程学报，2017，33(24)：192－199. Xiao Ke, Gao Guandong, Ma Yuejin. Pesticide spraying route planning algorithm for grapery based on Kinect video technique[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(24): 192－199. (in Chinese with English abstract)

[21] 闻陶，朱跃钊，孙庆梅，等. 马铃薯吸附干燥特性及模型拟合[J]. 生物加工过程，2006，4(3)：56－61.

[22] Hafezi N，Sheikhdavoodi M J，Sajadiye S M，et al. Shrinkage characteristic of potato slices based on computer vision[J]. Agricultural Engineering International Cigr Journal, 2015, 17(3): 287－295.

[23] 夏春华，施滢，尹文庆.基于TOF深度传感的植物三维点云数据获取与去噪方法[J].农业工程学报，2018，34(6)：168－174.Xia Chunhua, Shi Ying, Yin Wenqing. Obtaining and denoising method of three-dimensional point cloud data of plants based on TOF depth sensor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2018,34(6): 168－174.(in Chinese with English abstract)

[24] Takenaka H, Wada T, Oike H, et al. Bilateral filtering based depth image correction consistent with color image captured by Kinect[J].Technical Report of Ieice Prmu,2012, 112: 311－316.

[25] 徐胜勇，黄伟军，周俊，等. 使用Kinect传感器的油菜叶片面积测量方法[J]. 中国油料作物学报，2017，39(1)：55－59.

[26] 刘小丹，张淑娟，贺虎兰，等.红枣微波-热风联合干燥特性及对其品质的影响[J].农业工程学报，2012，28(24)：280－286.Liu Xiaodan, Zhang Shujuan, He Hulan, et al. Drying characteristics and its effects on quality of jujube treated by combined microwave-hot-air drying[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2012,28(24):280－286.(in Chinese with English abstract)

[27] 朱文魁，徐德龙，周雅宁，等.基于数字图像分析法的片烟干燥收缩特性研究[J].河南农业科学，2014，43(7)：160－164.

[28] 徐娓，丁静，赵义，等.多孔物料干燥中物料体积的收缩特性[J].华南理工大学学报：自然科学版，2006，34(8)：61－65.

[29] Wang J, Law C L, Nema P K, et al. Pulsed vacuum drying enhances drying kinetics and quality of lemon slices[J].Journal of Food Engineering,2018,224:129－138.

[30] 王丽红，高振江，张茜，等.加工番茄收缩特性的试验研究[J]. 食品科技，2011(8)：102－105.

[31] Mayor L, Sereno A M. Modelling shrinkage during convective drying of food materials: A review[J]. Journal of Food Engineering, 2004, 61(3):373－386.

[32] 沈文超.不规则扁平粒状物表面平整度识别与分选方法的研究[D].苏州：苏州大学，2010.

Three-dimensional imaging of morphological changes of potato slices during drying

Cai Jianrong1, Lu Yue1, Bai Junwen1, Sun Li1, Xiao Hongwei2

(1.212013,;2.100083,)

Drying is an important method for agricultural products processing. It can reduce the moisture content of agricultural products to a certain extent and extend the shelf life. But irregular deformation resulting from drying process will cause inconvenience for subsequent processing. In order to study the regularity of deformation during the drying process of potato slices, we built an image acquisition platform based on the Kinect sensor. Firstly, we verified the accuracy of the depth detection of the Kinect image acquisition platform by cubes with 5, 8, and 10 mm sides. The results showed that the accuracy can reach 2 mm. Secondly, we selected potato as the research object and dried them using a tunnel hot air dryer. Controlled potato slice thickness was 1 mm, drying room humidity was 15%, hot wind speed was 3 m/s to study the deformation regularity of potato slice at different temperatures (50, 60, 70, 80 ℃). After the drying process began, the potato slices were taken out of the drying chamber and put on the Kinect image acquisition platform to acquire depth and color images, then weighed every 10 minutes. We used the Kinect SDK function to achieve a one-to-one correspondence between color images and depth images. According to the position of the material in the color image, the region where the potato slices were located of interest was established, and the potato slices were located at the same coordinate position in the depth image.Gray value stretching, threshold segmentation, and edge denoising were performed on the corresponding region of depth images. Then feature extraction was used to distinguish every potato slice and calculate its shrinkage rate, mean depth values and standard deviation. The mean depth value can reflect the curling of the potato slices during the drying process. The shrinkage rate could reflect the shrinkage characteristics of the potato slices in the drying process. And the standard deviation of the depth value could reflect the surface flatness of potato slices in drying process. Then we drew the curve of dry basis moisture content and the three parameters under different temperature conditions, which could be more directly to observe the effect of temperature on the deformation of potato slices during drying. The results showed that temperature had a significant effect on the shrinkage, surface curl, and surface flatness of the potato slices in the drying process (<0.05). With the increase of temperature, the shrinkage of potato slices increased gradually. At 50 ℃, the shrinkage rate was 54.97%. When the temperature rose to 80 ℃, the shrinkage rate increased to 64.55%. With the increase of temperature, the variation of curl and flatness of the potato chips was small. The mean depth value of the potato slices was 27.81 mm at 60 ℃, and it decreased to 18.86 mm at 80 ℃. At 50 ℃, the standard deviation of potato slices depth was 7.99 mm, which decreased to 5.71 mm at 80 ℃. Finally, using MATLAB software to display three-dimensional graphics of potato slices in five different time periods, the surface deformation of potato slices could be clearly observed. It was illustrated that the Kinect image acquisition platform could be applied to the study of deformation regularity in the drying process of potato slices, and provide technical basis for intelligent control of the drying process.

drying; sensor; image processing; potato slices; deformation regularity

2018-07-16

2018-10-26

国家重点研发计划项目（2017YFD0400905）；江苏省自然科学基金项目（BK20160504）

蔡健荣，博士，教授，主要从事食品农产品质量快速无损检测技术研究。Email：Jrcai@ujs.edu.cn

10.11975/j.issn.1002-6819.2019.01.034

TS255

A

1002-6819(2019)-01-0278-07

蔡健荣，卢 越，白竣文，孙 力，肖红伟.马铃薯薄片干燥过程形态变化三维成像[J]. 农业工程学报，2019，35(1)：278－284. doi：10.11975/j.issn.1002-6819.2019.01.034 http://www.tcsae.org

Cai Jianrong, Lu Yue, Bai Junwen, Sun Li, Xiao Hongwei.Three-dimensional imaging of morphological changes of potato slices during drying[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 278－284. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.01.034 http://www.tcsae.org