光电检测技术在马铃薯品质检测中的研究进展

屠振华，张成龙，王瑶瑶，孙君茂，朱大洲，陈早艳

(1.农业部农产品质量安全风险评估实验室(北京),北京 100097;2.农产品产地环境监测北京市重点实验室，北京 100097;3.食品行业生产力促进中心 ，北京 100062;4.农业部食物与营养发展研究所,北京 100081)

0 引言

马铃薯含有丰富的营养元素，是位列小麦、水稻与玉米之后的第四大食物性作物，在欧洲与美洲有广泛种植，且被当作主食消费[1]。我国马铃薯产量位居世界第一，但长期以来主要当做蔬菜消费，如土豆丝、炖土豆、炸薯条等形式。马铃薯适应性广，种植面积扩增潜力大，我国“从南到北、从高到低”的大部分地区生态气候条件都能满足马铃薯的栽培生产。马铃薯是高产作物，单产增加潜力大，单产远高于小麦、水稻、玉米等三大主粮。

2015年1月，我国在北京举办马铃薯主粮化发展战略研讨会，会议围绕马铃薯主粮化与国家粮食安全等主题，深入研讨了马铃薯主粮化的战略意义、发展思路、目标任务和推进途径。与会领导和专家认为，推进马铃薯主粮化，有利于改善膳食结构，增强居民体质健康；有利于挖掘生产潜力，开辟保障国家粮食安全的新途径；有利于缓解资源环境压力，实现农业可持续发展。

马铃薯主粮化涉及专用品种选育、主食产品加工、储藏运输、终端消费及质量安全监管等多个方面，本文针对马铃薯主粮化发展大趋势，围绕马铃薯质量安全管控方面的需求，详细介绍了机器视觉技术、近红外光谱分析技术、高光谱成像技术等光电检测技术在马铃薯外观形态、内部品质及缺陷检测方面的研究和应用现状，旨在为马铃薯深加工过程中原料筛选及分等分级提供参考。

1 国内外研究现状

1.1 基于机器视觉技术的马铃薯外观品质检测研究进展

马铃薯生长过程中受光、温、水、气等多种因素影响，品质差异性较大，从而导致马铃薯的性状各异、大小尺寸不一，以及各种外部缺陷。在马铃薯的商品化处理过程中，以前大多采用人工方法进行马铃薯分级，效率不高。机器视觉技术通过摄像头获取马铃薯的图像，模拟人类视觉，然后结合人工智能模拟人类的大脑，从而实现对马铃薯的形态检测和分等分级，且易于实现自动化操作。国内外学者较早就尝试把机器视觉技术应用于农产品的品质检测，研究者侧重于研究不同图像获取技术和装置及图像识别参数等识别模型的影响。检测的参数主要包括大小、形状及表面缺陷等外部品质，核心在于图像处理和特征提取等方面。

Deck等采用机器视觉技术进行马铃薯的检测，采用双摄像机获取马铃薯的图像，然后利用BP神经网络建立马铃薯形状、尺寸和发绿程度的分类识别模型，结果表明该方法优于基于统计分类的识别方法[2]。Tao等设计了一个马铃薯机器视觉检测系统，采用了多变量识别技术来判断马铃薯是否发芽，识别正确率达到90%以上[3]。Heinemann等设计了一个马铃薯自动分级装置，主要根据马铃薯的大小和形状参数进行分级，采用8邻域跟踪算法和傅里叶描述子提取马铃薯的大小和形状信息。研究结果表明：当马铃薯的移动速度为3个/min，3次试验的分级准确率为77%～88%；当马铃薯静止时，分级准确率达97%以上[4]。Noordam等设计了一套高速机器视觉系统，根据大小、形状和外部缺陷等指标对马铃薯进行检测和分级，系统分级速度约为50个/s，检测能力达12t/h[5]。

国内郑冠楠等人进行了基于计算机视觉的马铃薯自动检测分级研究，一方面采用离心率法提取马铃薯的外形参数，划分为球型和椭球型两类；另一方面根据颜色特征，采用灰度差值法检测马铃薯的发芽情况；此外，还提出了基于相邻边界点的马铃薯畸形检测方法，实现了马铃薯综合品质的在线检测与分级，准确度达88%[6]。郝敏等针对马铃薯形状检测需求，首先进行图像的归一化处理，然后筛选出19个具有旋转不变性的Zernike矩特征参数，再利用支持向量机建立马铃薯薯形的分类模型，对薯形良好和畸形的识别准确率分别达到93%和100%[7-8]。李锦卫等提出了基于快速灰度截留分割的马铃薯表面疑似缺陷检测方法，建立了基于十色模型的马铃薯表面缺陷识别方法，然后利用326个马铃薯样本进行方法验证。研究结果表明：利用上述两种方法，对有芽体的马铃薯的正确识别率为97.5%，对马铃薯深色区域的正确识别率为93.6%，对马铃薯表面缺陷的识别准确率为95.7%[9]。王泽京针对单个马铃薯进行静态检测，重点研究了马铃薯图像的获取与预处理、形状检测、质量检测及表面缺陷检测等4个方面[10]。周竹等设计了基于V型平面镜同时获取三面图像的马铃薯机器视觉分级系统，并提出了相应的分级算法；其利用最小外接柱体体积法实现马铃薯大小的检测，利用最长径外接矩形的宽高比法实现马铃薯形状检测和分类(包括类圆形、椭圆型以及长型[11]。王红军等利用机器视觉技术快速获取马铃薯图像特征参数，建立马铃薯质量和形状参数的分级模型。研究结果表明：质量分级相关系数为0.991，形状分级分辨率为86.7%[12]。田芳等针对马铃薯黑心病的问题，利用光的透射特性，设计了一种波长为705nm的LED面光源组成的马铃薯黑心病机器视觉检测装置，并通过对马铃薯样品图像特性分析研究，采用灰度值为阈值，进行分类。研究结果表明：正常马铃薯样品和黑心病马铃薯样品的判断正确率分别为98%和96.6%[13]。

目前，国内的马铃薯分级设备已得到广泛应用，如马铃薯大小分级筛及马铃薯分选机等，主要根据单薯直径、质量进行分选；而国内基于机器视觉技术的马铃薯分选系统在实际生产中还比较少，可能跟我国农产品分级销售的整体滞后有关。基于机器视觉的马铃薯检测技术目前已趋于成熟，机器视觉技术的硬件成本较低，具有较好的推广前景，需要在农产品产地商品化处理的带动下逐步推进。

1.2 基于近红外光谱技术的马铃薯内部品质检测研究进展

目前，大多采用实验室运用化学分析方法进行马铃薯的内部品质参数检测。比如：采用直接干燥法及真空冷冻干燥等方式测定马铃薯水分含量；采用直接滴定法或3,5-二硝基水杨酸比色法进行马铃薯还原糖、总糖等指标测定；采用水解法进行淀粉检测；采用凯氏定氮法进行蛋白质检测，这类方法精度较高，但需要大量的前处理工作，操作复杂，耗时耗力，难以应用于生产中马铃薯加工指标的快速筛选。作为一种快速、无损、非接触的内部品质检测技术，近红外光谱分析在石油化工、制药、烟草、饲料、农业食品等领域已得到广泛应用，在马铃薯检测方面也开展了大量研究。

Krivoshiev等采用近红外光谱对马铃薯中的可溶性固形物含量进行检测分析[14]。Chalucova 等人研制了一种马铃薯内部品质无损探测仪，包含透射和反射两种测量模式，可对带皮的马铃薯进行内部品质检测，该仪器虽然噪声较大，但对马铃薯品质在线监测仪的研制提供了参考[15]。Kang 等人采用热力学特性和近红外光谱技术检测马铃薯的干物质以及相对密度，其干物质检测模型的决定系数为0.87，相对密度检测模型的决定系数为0.85，表明该方法具有一定可行性[16]。Haase历时3年采集了8个地域133个马铃薯样品的近红外光谱，建立的水分模型的预测精度达90%，模型效果较好；淀粉模型的预测精度为53%，尚需要优化；蛋白质模型的效果最差，预测精度为25%[17]。

南昌大学秦华俊结合近红外光谱和广义回归神经网络模型，测定了马铃薯中的营养成分含量[18]。东北农业大学刘翠翠等使用InfraXactLab型NIR分析仪测定马铃薯的光谱，结果表明：NIR技术可用来粗略测定马铃薯育种材料的钾含量[19]。张小燕对马铃薯的主要加工指标进行快速检测研究，利用近红外技术和偏最小二乘法分别建立了新鲜样品和真空冷冻干燥样品的水分、还原糖、淀粉及蛋白质等4个指标的预测模型，并对马铃薯品种的加工适宜性进行了评价[20]。李鑫进行了基于近红外光谱技术的马铃薯干物质含量检测研究，分别对马铃薯切片样本和完整马铃薯样本的可见-短波近红外光谱进行了预测建模研究。结果表明：马铃薯切片样本的预测效果优于完整马铃薯样本，但完整马铃薯在最优建模条件下，模型外部检验的决定系数可达0.847 5，标准误差为4.07，基本上可以作为实际检测马铃薯干物质含量的快速检测方法[21]。姜微等采集了238个马铃薯样品的400～1 000nm光谱，并建立了还原糖含量的预测模型，研究结果显示：最优模型的决定系数和预测均方根误差分别为0.896 5和0.049 0，可有效检测马铃薯还原糖含量[22]。

马铃薯的内部成分检测，一方面可用于食品加工企业的原料质量控制；另一方面，在马铃薯现场采购时，也迫切需要进行还原糖等指标的快速检测，以确定其用途，是否满足食品加工的要求。目前，基于近红外光谱的马铃薯品质检测主要限于建模算法及预处理方法的研究，实际应用较少，一方面在于近红外光谱仪的价格尚比较高；另一方面是近红外分析模型的维护需要专业的人才队伍来支撑，一般农产品加工企业缺乏相应的条件。

1.3 基于高光谱成像技术的马铃薯综合品质检测研究进展

高光谱成像技术最初主要用于遥感监测，随着光电传感器及精密仪器技术的快速发展，该技术的核心部件成像光谱仪发展很快，成本逐渐降低，体积和质量减小很多，相比于传统的多光谱成像仪能获取更多的光谱信息，该技术开始由航天监测转向地面应用，在国内外农业、食品及药品检测领域显示了巨大优势[23]。

在马铃薯外观品质检测方面，主要利用高光谱三维数据立方体中的图像信息，对马铃薯的缺陷等进行识别。Angel等运用高光谱成像系统和支持向量机方法检测马铃薯疮痂，准确率达97.1%，识别空心马铃薯的准确率达89.1%[24]。Nguyen 等研究表明：利用高光谱图像技术结合偏最小二乘法和图像处理算法，可以准确地预测马铃薯的最适烹煮时间[25]。周竹等利用高光谱成像技术进行马铃薯外部缺陷检测，以克新6 号、费乌瑞他等马铃薯样品为研究对象，采集马铃薯干腐、表面碰伤、机械损伤、绿皮、孔洞以及发芽等6 类外部缺陷样本及合格样本反射高光谱图像，并提出了波段比算法与均匀二次差分算法相结合的方法，使缺陷识别率提高到95.65%[26]。吴佳基于高光谱成像技术获取马铃薯图像，分别建立了基于小波的相对矩方法、基于极半径的傅里叶描述子方法，以完成马铃薯的薯形检测及分级[27]。张然采用高光谱成像技术对马铃薯外部冻伤、机械损伤、摔伤和正常马铃薯进行识别，对冻伤类识别率较低(识别率50%)，对正常类的识别率为80%，机械损伤类的识别率为75%，摔伤类的识别率为90%[28]。苏文浩等采集了马铃薯在400～1 000nm的高光谱图像，通过特征波段主成分分析法和图像差值算法，建立了马铃薯外部缺陷的在线检测方法，可对6种马铃薯缺陷类型(包括机械损伤、孔洞、疮痂、表面碰伤、绿皮和发芽)以及完好无损的马铃薯进行识别，识别准确率达到96.43%[29]。史崇升进行了基于高光谱成像技术的马铃薯外部品质无损检测研究。该研究中以青薯9号马铃薯为研究对象，分别采集了虫眼、机械损伤、干腐、绿皮和畸形等外部损伤马铃薯样品，采集了其400～1 000nm的高光谱图像，并对高光谱图像进行了特征波长提取、去噪、光谱预处理等，且建立了不同建模方法的模型。研究结果表明：在最优建模条件下，平均识别率达到了86.73%[30]。金瑞等进行了基于高光谱图像和光谱信息融合的马铃薯外部缺陷检测方法研究，提出采用融合光谱维信息和图像维信息的建模方法，对发芽、绿皮马铃薯单一识别率达到了97.30%和93.55%[31]。邓建猛等以费乌瑞它马铃薯样本为研究对象，采集了其370～1 000nm高光谱图像，比较了不同光谱预处理方法，建立了发芽、绿皮、孔洞马铃薯的判别模型。研究结果显示：在最优建模条件时，预测集的判别准确率达到了100%，交叉验证准确率为99.5%[32]。李小昱等进行了基于高光谱成像的绿皮马铃薯检测方法研究。该研究提出采用半透射和反射高光谱的光谱信息融合信息建立模型时检测效果最优，校正集和测试集识别率均达到100%，可实现轻微绿皮马铃薯的无损检测[33]。

在马铃薯内部成分检测方面，主要提取感兴趣区域的可见/近红外光谱，然后利用光谱信息建立各营养成分、品质指标的定量预测模型。吴晨应用近红外高光谱成像技术(900～1 700nm)对马铃薯淀粉含量进行无损检测，验证模型相关系数达0.982[34]。吴晨等进行了基于近红外高光谱成像技术的马铃薯干物质含量无损检测研究，以克新一号马铃薯为研究对象，采集了900～1 700nm近红外高光谱图像，并建立了预测模型。研究结果表明：在最优模型条件下，校正集相关系数为0.944，验证集均方根误差为0.157，验证了高光谱成像技术对马铃薯干物质含量进行无损检测具有可行性[35]。宋娟等利用高光谱成像技术对马铃薯淀粉、干物质及水分含量等多种营养成分进行同时检测的研究，以大西洋马铃薯为研究对象，采集了900～1700nm近红外高光谱图像，提取特征波长后建立预测模型。研究结果显示：在最优模型时，淀粉相关系数为0.965，预测模型均方根误差为0.361；干物质相关系数为0.954，预测模型均方根误差为0.383；水分含量相关系数为0.926，预测模型均方根误差为0.398[36]。姜维利用高光谱成像技术建立马铃薯水分、淀粉及蛋白质含量预测模型，通过光谱预处理和建模方法优化后，水分含量校正集决定系数为0.794 8，验证集均方根误差为0.373 5%；淀粉含量校正集决定系数为0.831 2，验证集均方根误差为0.398 6%；蛋白质含量校正集决定系数为0.791 9，验证集均方根误差为0.041 4%[37]。

在马铃薯内部缺陷综合信息检测方面，主要针对马铃薯的黑心病和空心病等不易发现内部缺陷，利用光谱信息和图像信息进行数据融合和综合判别，此外也进行马铃薯的品种识别和分类研究。高海龙等采用透射高光谱成像技术并融合光谱和图像信息，检测其内部黑心病和质量，建立了266个样品的马铃薯高光谱图像(400～1 000nm)检测模型。研究结果显示：黑心样本识别率为100%，识别最小黑心面积为1.88cm2，质量模型的预测集相关系数为0.99，预测均方根误差为10.88，检测效果较好[38]。黄涛等进行了半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究，采集了224个马铃薯样本的半透射高光谱图像(390～1 040nm)，并进行了支持向量机建模研究。研究结果显示：最优模型的模型总体识别率达到100%[39-40]。姜微利用高光谱成像技术进行3个品种马铃薯的品种识别研究，采用判别分析、 SIMCA法、K-最邻近法、BPNN和支持向量机判别分析等5种不同模式识别方法建立马铃薯品种分类识别模型，并对其识别结果进行比较。研究结果表明：在采用最优预处理方法和建模方法时，该方法总体识别率为98.15%[41]。王丽艳将3种不同品种马铃薯的高光谱图像的反射数据，采用数据预处理、特征信息提取等处理后，建立了支持向量机和人工神经网络的品种鉴别模型，实现了马铃薯种类的快速、准确鉴别[42]。

在数据融合方面，李小昱等进行了基于多源信息融合技术的马铃薯痂疮病无损检测方法研究，提出以机器视觉和近红外光谱的多源信息融合技术建立了马铃薯痂疮病检测模型，对测试集马铃薯识别率为95.83%[43]。陈争光等采用多种光谱图像处理技术及数据降维和压缩技术对马铃薯的可见-近红外图像进行预处理，然后采用BP神经网络建立了马铃薯品种鉴别模型，识别正确率达到100%[44]。

2 结论与展望

随着我国马铃薯主粮化战略的不断推进实施，马铃薯的质量安全控制需求将不断增强，光电检测技术以其快速、便捷的优势，将在马铃薯块茎质量检测分选、加工制品检测及终端产品检测方面发挥越来越重要的作用。目前，机器视觉技术的软硬件系统均已较为成熟，在马铃薯检测中的应用主要受市场需求变化的影响，随着马铃薯分级由关注大小和质量，向关注外观形态和缺陷转变，机器视觉成像系统将成为马铃薯分选系统的重要检测模块。

近红外光谱在样品成分含量快速、无损检测方面具有明显技术优势，在制药、烟草等高附加值行业已得到了较为广泛应用；但由于受铟镓砷检测器成本的限制，长期以来在农产品等低附加值产品中的应用推广工作进展相对较为缓慢，目前在农业中的应用大都局限在饲料检测方面。近年来，随着线性可调谐滤光片分光技术、MEMS微机电技术及集成光学技术的发展，国内外研发了系列微型近红外光谱仪，实现近红外光谱仪的探头化，成本也大幅降低，市场上已出现几万元乃至几千元人民币的微型近红外光谱仪，这为开发低成本的近红外光谱测量系统奠定了硬件基础。

高光谱成像系统主要从遥感技术的应用转到地面应用，由于其具有系统复杂、成本较高、扫描速度慢和数据处理量大等特点，目前主要用于科学研究方面，而在实际生产中直接采用高光谱成像系统的情况较少。通过高光谱成像系统获取大量的空间维、光谱维信息，再进行数据降维压缩，提取特征波段等处理，从而获取最优的检测技术参数，然后据此开发简化的光谱测量系统或图像测量系统，从而提高检测效果，将是下一步高光谱成像技术应用于马铃薯品质检测方面研究重点。

除了本文所介绍的机器视觉、近红外光谱、高光谱成像等技术外，荧光光谱、拉曼光谱等技术也被用于马铃薯的品质检测和分类识别[45]，各类光电检测技术均有其优缺点，在实际应用过程中，需要针对具体的应用场合和检测对象，进行定制化的研发和模型维护。