馬鈴薯品質(zhì)無損檢測技術(shù)研究進(jìn)展

吳 佳 湯全武 史崇升 王 健 李秩期

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

（寧夏大學(xué)物理電氣信息學(xué)院，寧夏 銀川 750021）

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

無損檢測技術(shù)是在不破壞待測對象原來狀態(tài)及化學(xué)性質(zhì)的前提下，給予待測對象輸入一定形式的能量，利用對象本身的光、聲、力和電磁學(xué)等特性來獲取大量反映待測對象品質(zhì)的特性信息，如形狀、色澤、紋理、缺陷、物理量或化學(xué)成份等理化指標(biāo)信息［1］。目前檢測的農(nóng)產(chǎn)品類別有：肉類、魚類、蛋類、油料作物、谷物、蔬菜、茶葉、煙葉、水果、酒類和轉(zhuǎn)基因食品等。農(nóng)產(chǎn)品的品質(zhì)有內(nèi)部品質(zhì)和外部品質(zhì)，內(nèi)部品質(zhì)如成熟程度、糖分、酸度、主要營養(yǎng)成分、主要功能成分、內(nèi)部病蟲害等；外部品質(zhì)如表面光滑度、外部病蟲害、色澤、形狀和大小等。根據(jù)檢測原理的不同，無損檢測技術(shù)大致可分為五類：光學(xué)特性分析法、聲學(xué)特性分析法、機(jī)器視覺檢測方法、電學(xué)特性分析法、電磁與射線檢測技術(shù)［2］。馬鈴薯品質(zhì)的無損檢測從20世紀(jì)90年代開始，技術(shù)逐漸成熟，從最初的外部品質(zhì)檢測向內(nèi)部品質(zhì)檢測發(fā)展，處理速度越來越快，準(zhǔn)確率越來越高。

馬鈴薯品質(zhì)檢測是馬鈴薯加工中的重要環(huán)節(jié)，其品質(zhì)檢測主要包括空心、黑色心腐等內(nèi)部缺陷和綠皮、病斑、腐爛、機(jī)械損傷等外部缺陷，文章擬從超聲波檢測技術(shù)、機(jī)器視覺檢測技術(shù)、近紅外檢測技術(shù)、高光譜檢測技術(shù)綜述馬鈴薯內(nèi)、外品質(zhì)檢測的研究現(xiàn)狀，為理論研究和生產(chǎn)加工提供借鑒參考。

1 馬鈴薯品質(zhì)的超聲波檢測技術(shù)

Cheng等［3］采用超聲波檢測馬鈴薯空心，分別在馬鈴薯兩側(cè)放置兩個探頭，一側(cè)探頭經(jīng)偶合劑直接與馬鈴薯接觸，射入這一側(cè)的是寬頻帶超聲波，它是由脈沖電信號轉(zhuǎn)換而來的，而這個電信號來自于高能脈沖發(fā)射器，馬鈴薯空心會導(dǎo)致超聲波被多次反射，最后穿過馬鈴薯的超聲波被另一側(cè)的接收探頭接收，經(jīng)過寬頻帶濾波器放大后顯示在示波器上。根據(jù)接收到的信號強(qiáng)弱和波動時間的長短，就可以將空心與實(shí)心馬鈴薯區(qū)分開來。在此基礎(chǔ)上，Hosainpour A等［4］研發(fā)了一套高速識別馬鈴薯和土塊的智能系統(tǒng)。當(dāng)馬鈴薯收獲機(jī)的傳送帶以1 m／s的速度運(yùn)動時，系統(tǒng)的識別準(zhǔn)確率達(dá)到了97%。

2 馬鈴薯品質(zhì)的機(jī)器視覺檢測技術(shù)

機(jī)器視覺系統(tǒng)見圖1。首先將圖像信號轉(zhuǎn)化成電信號，這一步由圖像傳感器來完成，而這些電信號可以由計(jì)算機(jī)來處理，將這些電信號運(yùn)用圖像處理系統(tǒng)進(jìn)行特征信號的提取，如面積、長度、大小等［5］。根據(jù)提取到的信號進(jìn)行運(yùn)算處理，以便計(jì)算機(jī)能夠根據(jù)結(jié)果進(jìn)行相應(yīng)動作［6］。

圖1 機(jī)器視覺系統(tǒng)示意圖［5］Figure 1 Schematic of machine vision system

Zhou等［7］研發(fā)了一套基于機(jī)器視覺的能客觀評價馬鈴薯的外部指標(biāo)的實(shí)時檢測分級系統(tǒng)。Al－Mallahi等［8］研究了一套基于機(jī)器視覺系統(tǒng)，系統(tǒng)包含480 nm波段和752 nm波段，經(jīng)過三維處理預(yù)測馬鈴薯和土塊的準(zhǔn)確率在98%以上。高繼森等［9］研究了一套基于人工神經(jīng)網(wǎng)絡(luò)的馬鈴薯品質(zhì)分級的機(jī)器視覺系統(tǒng)，該系統(tǒng)準(zhǔn)確率超過90%。

Dacal－Nieto等［10］研究了一種根據(jù)馬鈴薯外部缺陷和疾病特征來進(jìn)行馬鈴薯分類的計(jì)算機(jī)視覺系統(tǒng)，該系統(tǒng)在對未清洗馬鈴薯的分類試驗(yàn)中取得了很好的效果。鄭冠楠等［11］研究了一套可以實(shí)現(xiàn)實(shí)時檢測的基于計(jì)算機(jī)視覺的馬鈴薯分級系統(tǒng)，系統(tǒng)根據(jù)馬鈴薯外部特征實(shí)現(xiàn)了準(zhǔn)確率為88.0%的馬鈴薯在線檢測分級。郝敏等［5，12］針對馬鈴薯主要外部品質(zhì)研究了一套機(jī)器視覺系統(tǒng)，其中，分大、中、小3種規(guī)格檢測馬鈴薯的重量，準(zhǔn)確率分別達(dá)到了97%，96%，98%；良好薯和畸形薯的檢測準(zhǔn)確率達(dá)到了93%和100%。金晶［13］研究了單個馬鈴薯的外部品質(zhì)靜態(tài)檢測的機(jī)器視覺方法，大小檢測誤差率為7%，形狀檢測結(jié)果為98.8%；針對馬鈴薯綠皮提出的基于色域的閾值識別檢測方法準(zhǔn)確率達(dá)到了97.5%；提出了一套提取面積大小和黑色比率進(jìn)行模式識別的新方法，表面缺陷和馬鈴薯塊莖的檢測率分別為91.4%和100%。

Al－Mallahi等［14］開發(fā)了一套機(jī)器視覺系統(tǒng)來區(qū)分馬鈴薯和土塊，系統(tǒng)引入紫外線成像技術(shù)，正確區(qū)分率在98%以上。

楊冬風(fēng)等［15］提出了一套基于機(jī)器視覺的檢測馬鈴薯表面綠皮的方法，在分析顏色特征的基礎(chǔ)上，聯(lián)系BP神經(jīng)網(wǎng)絡(luò)，識別綠皮區(qū)域的準(zhǔn)確率達(dá)96.88%。高曉陽等［16］設(shè)計(jì)了一套馬鈴薯外部品質(zhì)和重量相結(jié)合的基于單片機(jī)和機(jī)器視覺的分級模型樣機(jī)，綜合分類結(jié)果平均準(zhǔn)確率為94.71%。王澤京［17］進(jìn)行了單薯檢測分級機(jī)器視覺的研究，針對靜態(tài)馬鈴薯，在形狀檢測方面其準(zhǔn)確率為94.7%；缺陷的檢測準(zhǔn)確率分別為94%，無缺陷薯的檢測準(zhǔn)確率為90%。

周竹等［18］根據(jù)馬鈴薯的大小、外形特性以及缺陷等特點(diǎn)，設(shè)計(jì)了一套基于機(jī)器視覺的馬鈴薯自動分級系統(tǒng)，為了同時獲取馬鈴薯的三面圖像，采用了V型平面鏡，系統(tǒng)由輸送單元、機(jī)器視覺系統(tǒng)、分級執(zhí)行單元、控制單元等組成，從而實(shí)現(xiàn)馬鈴薯的自動分級，分級的正確率達(dá)到了91.0%。

崔建麗等［19－21］研究了一種基于機(jī)器視覺的優(yōu)形馬鈴薯篩選的系統(tǒng)，提出利用邊界點(diǎn)矩特征傅里葉描述子來完成薯形的檢測，準(zhǔn)確率達(dá)到了90%以上，還有一種引入光學(xué)相關(guān)聯(lián)合變換的理論，檢測準(zhǔn)確率平均為91.25%。孔彥龍等［22］將馬鈴薯圖像綜合特征參數(shù)利用于馬鈴薯的分選中，結(jié)果表明質(zhì)量和形狀分選準(zhǔn)確率分別為95.3%和96%。

劉韋［23］開展了針對馬鈴薯青斑、腐爛、機(jī)械損傷3種缺陷的識別算法的研究，結(jié)果顯示該算法對3種缺陷的識別正確率分別為93%，90%，87.5%。周平等［24］研究了一種薯形檢測方法，檢驗(yàn)結(jié)果球形預(yù)測率達(dá)95%，橢圓形達(dá)88%，其它形達(dá)97%。

綜上所述，機(jī)器視覺主要用于檢測馬鈴薯的大小、形狀、顏色、腐爛、機(jī)械損傷等外部缺陷以及區(qū)分馬鈴薯與土塊，涉及技術(shù)有：GA遺傳算法、人工神經(jīng)網(wǎng)絡(luò)、Zernike矩算法、傅里葉描述子法、Canny算子等方法。為了能夠高效、準(zhǔn)確地實(shí)現(xiàn)馬鈴薯在線檢測分級系統(tǒng)，所設(shè)計(jì)和實(shí)現(xiàn)的算法研究準(zhǔn)確率越來越高、速度越來越快。但基于機(jī)器視覺的馬鈴薯檢測很難實(shí)現(xiàn)快速準(zhǔn)確的內(nèi)部品質(zhì)檢測。

3 馬鈴薯品質(zhì)的近紅外檢測技術(shù)

近紅外光譜檢測技術(shù)能滿足高速、高效、低成本、無損的要求。近紅外光譜儀器從分光系統(tǒng)可分為固定邊長濾光片、光柵掃描、快速傅里葉變換和聲光掃描［25］。

Baljinder［26］對馬鈴薯的水分含量進(jìn)行了預(yù)測研究，使用偏最小二乘法（PLS）在400～1 750 nm內(nèi)光譜分析可以對有皮和無皮土豆樣本進(jìn)行水分預(yù)測。Qiao等［27］根據(jù)高光譜成像系統(tǒng)得到光譜數(shù)據(jù)，分析研究了這些數(shù)據(jù)與馬鈴薯的含水量之間的關(guān)系，并通過人工神經(jīng)網(wǎng)絡(luò)做出了馬鈴薯水分含量預(yù)測模型，預(yù)測結(jié)果為R＝0.78。

田海清等［28］采用可見／近紅外漫反射光譜技術(shù)對馬鈴薯塊莖干物質(zhì)含量進(jìn)行了快速無損檢測研究，結(jié)果表明光譜經(jīng)一階微分處理后，采用PLS法可以得到最好的建模效果。

張小燕等［29，30］驗(yàn)證了利用近紅外光譜技術(shù)預(yù)測馬鈴薯水分、還原糖、蛋白質(zhì)、淀粉含量的可行性，并建立了預(yù)測模型。

席那順朝克圖等［31］結(jié)合小波變換設(shè)計(jì)了一套針對馬鈴薯環(huán)腐病無損檢測的近紅外光譜采集系統(tǒng)，具有較好的檢測效果。孫旭東等［32］建立了基于最小二乘支持向量機(jī)算法的非線性近紅外光譜技術(shù)的數(shù)學(xué)模型，用來預(yù)測還原糖在馬鈴薯全粉中的含量，建立預(yù)測模型的相關(guān)系數(shù)是0.984，標(biāo)準(zhǔn)差是0.223%。

以上資料表明，引入近紅外光譜技術(shù)主要是針對馬鈴薯干物質(zhì)含量、主要營養(yǎng)成分和環(huán)腐病的預(yù)測模型的研究；主要采用方法有主成分分析（PCA）、偏最小二乘法（PLS）、偏最小二乘的傅里葉變換、最小二乘支持向量機(jī)算法（LSSVM）等。大量的研究從外部缺陷轉(zhuǎn)為以馬鈴薯內(nèi)部物質(zhì)含量的檢測為主，兼顧馬鈴薯內(nèi)外品質(zhì)，為實(shí)現(xiàn)馬鈴薯的分級奠定了理論基礎(chǔ)。

4 馬鈴薯品質(zhì)的高光譜檢測技術(shù)

將成像和光譜結(jié)合起來的技術(shù)被稱為高光譜技術(shù)，該技術(shù)對任一物體用成百個波段在波譜連續(xù)的情況下進(jìn)行成像，構(gòu)成該物體的圖像數(shù)據(jù)“立方體”，“立方體”按照光譜順序排列［33］。高光譜成像檢測系統(tǒng)［34］主要由CCD相機(jī)、光譜儀、環(huán)形燈、物體移動臺、計(jì)算機(jī)操作平臺等組件組成，見圖2。高光譜成像檢測系統(tǒng)用于記載在400～1 700 nm光譜區(qū)域的檢測物體光譜信息，檢測數(shù)據(jù)量一般都很龐大，為加快處理速度，通常對光譜數(shù)據(jù)先進(jìn)行主成分分析 （principle component analysis，PCA）處理，能對數(shù)據(jù)進(jìn)行降維和去噪處理，得到數(shù)據(jù)量小，且原始變量保留多的信息。

圖2 高光譜成像檢測系統(tǒng)［34］Figure 2 Hyperspectral imaging detecting system

Dacal－Nieto等［35］針對馬鈴薯結(jié)疤研究了運(yùn)用近紅外高光譜成像系統(tǒng)，該系統(tǒng)準(zhǔn)確率達(dá)到97.1%。Dacal－Nieto等［36］研究了空心馬鈴薯高光譜無損檢測方法，該方法的準(zhǔn)確率達(dá)到89.1%。Ray等［37］針對馬鈴薯晚期枯萎病運(yùn)用高光譜成像技術(shù)獲得到光譜數(shù)據(jù)進(jìn)行分析。研究表明區(qū)分健康馬鈴薯與受病蟲害馬鈴薯的最優(yōu)高光譜波段是540，610，620，700，730，780，1 040 nm。

Razmjooy等［38，39］的研究表明支持向量機(jī)（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）針對馬鈴薯品質(zhì)分類中有很好的預(yù)期效果，準(zhǔn)確率超過96%。周竹等［40－42］分別研究了馬鈴薯干物質(zhì)含量、黑心病及外部缺陷檢測的高光譜檢測技術(shù)。提出了CARS—SPA波長選擇方法，建立的多元線性回歸模型預(yù)測均方根誤差為1.06%。針對馬鈴薯黑心病提出光學(xué)無損檢測方法，采用偏最小二乘—線性判別分析方法（PLS—LDA），分別結(jié)合透射光譜采集系統(tǒng)采集的可見／近紅外透射光譜、高光譜圖像采集系統(tǒng)、傅里葉變換近紅外光譜儀建立馬鈴薯黑心病的識別模型，識別正確率分別為98.46%，92.31%，90.77%。

高海龍等［43］研究了檢測馬鈴薯內(nèi)部黑心病和單薯質(zhì)量的高光譜成像方法，用9個光譜變量建立最小二乘判別分析模型檢測馬鈴薯黑心病，偏最小二乘回歸模型檢測馬鈴薯質(zhì)量。

蘇文浩等［34］針對馬鈴薯機(jī)械損傷、孔洞、結(jié)痂、表面損傷、發(fā)芽5種缺陷對比合格馬鈴薯，運(yùn)用波段比和主成分分析相結(jié)合的算法，識別正確率為97.08%。

綜上所述，目前高光譜成像技術(shù)主要用于檢測馬鈴薯干物質(zhì)含量、黑心病、外部缺陷等，用到的方法主要有CARS—SPA波長選擇方法建模、偏最小二乘—線性判別分析方法建模、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)的方法。高光譜成像檢測技術(shù)相對于近紅外光譜的優(yōu)勢明顯，其包含圖像信息和光譜信息，具有連續(xù)多波段、光譜分辨率高等特點(diǎn)，能夠兼顧馬鈴薯內(nèi)外品質(zhì)的檢測。

5 總結(jié)與展望

綜合已有文獻(xiàn)［44］可知，馬鈴薯品質(zhì)的無損檢測技術(shù)主要有：超聲波檢測技術(shù)、機(jī)器視覺檢測技術(shù)、近紅外光譜檢測技術(shù)及高光譜成像檢測技術(shù)。根據(jù)檢測得到的信息，針對馬鈴薯外部缺陷，主要采用的技術(shù)有遺傳算法、人工神經(jīng)網(wǎng)絡(luò)、回歸分析；內(nèi)部缺陷采用主成分分析、偏最小二乘法、最小二乘支持向量機(jī)、競爭性自適應(yīng)重加權(quán)算法與連續(xù)投影算法SPA相結(jié)合的波長選擇方法、偏最小二乘—線性判別分析方法；針對馬鈴薯形狀、大小采用Zernike矩算法、長短軸比、BP神經(jīng)網(wǎng)絡(luò)、最小外接柱體體積法、邊界點(diǎn)矩特征傅里葉描述法、光學(xué)相關(guān)聯(lián)合變換的旁瓣峰值法、canny算子；馬鈴薯綠皮問題采用基于色域的閾值識別檢測方法、基于顏色特征的檢測方法。與國外對于馬鈴薯自動分級系統(tǒng)的研究相比，中國在馬鈴薯檢測實(shí)時性上有一定的缺陷，而且對于馬鈴薯內(nèi)部缺陷的檢測也處于起步階段。建議在馬鈴薯品質(zhì)無損檢測方面考慮以下3點(diǎn)。

（1）考慮到馬鈴薯檢測系統(tǒng)的實(shí)時性、準(zhǔn)確性和成本，完善馬鈴薯內(nèi)部品質(zhì)高光譜成像技術(shù)的檢測理論，而在實(shí)際生產(chǎn)中將高光譜數(shù)據(jù)的采集環(huán)節(jié)利用多光譜成像技術(shù)替代。馬鈴薯內(nèi)部品質(zhì)的檢測對于馬鈴薯的加工業(yè)來說必不可少，而高光譜成像檢測技術(shù)對其內(nèi)部品質(zhì)的檢測又有十分明顯的研究效果，因此對于高光譜成像技術(shù)所得數(shù)據(jù)的處理及從這一角度對馬鈴薯品質(zhì)無損檢測具有更大的發(fā)展空間，結(jié)合傳統(tǒng)的化學(xué)計(jì)量學(xué)理論算法進(jìn)行優(yōu)選、改進(jìn)和集成，完成馬鈴薯內(nèi)部蟲害、隱性損傷和變質(zhì)的高光譜檢測機(jī)理、特征波長選擇及預(yù)測模型的建立。此外，高光譜成像檢測技術(shù)的數(shù)據(jù)龐大、成像速度慢、數(shù)據(jù)處理復(fù)雜、儀器價格昂貴，難以滿足馬鈴薯在線監(jiān)測的實(shí)時要求，可建立完善的馬鈴薯高光譜檢測技術(shù)理論，而在實(shí)際生產(chǎn)中，將馬鈴薯光譜采集環(huán)節(jié)利用多光譜成像儀代替高光譜成像系統(tǒng)，降低生產(chǎn)成本。

（2）結(jié)合現(xiàn)有成熟的機(jī)器視覺與先進(jìn)的高光譜成像技術(shù)，共同應(yīng)用于馬鈴薯品質(zhì)的檢測。相對于高光譜成像檢測技術(shù)，機(jī)器視覺應(yīng)用于馬鈴薯的品質(zhì)檢測領(lǐng)域，其技術(shù)成熟，滿足實(shí)時性檢測要求。機(jī)器視覺技術(shù)主要針對馬鈴薯外部缺陷有更穩(wěn)定的檢測模型，在速度上完全符合實(shí)時在線檢測要求，因此在檢測設(shè)備確定時，考慮將機(jī)器視覺技術(shù)與高光譜成像技術(shù)合理的結(jié)合，各取其長，這樣對于馬鈴薯內(nèi)外部的實(shí)時在線檢測就有比較理想的效果。

（3）馬鈴薯品質(zhì)的分級系統(tǒng)研究要與實(shí)際生產(chǎn)相結(jié)合。馬鈴薯檢測技術(shù)的快速發(fā)展對其加工設(shè)備提出了更高的要求，研究技術(shù)解決了高準(zhǔn)確性的問題，但在實(shí)時性上又有新的問題出現(xiàn)。加工設(shè)備不僅僅是針對單薯，更要實(shí)現(xiàn)多薯的在線檢測分類，研究技術(shù)在準(zhǔn)確性上的提高勢必帶來算法的復(fù)雜度和繁瑣性，這樣就導(dǎo)致實(shí)時性這一矛盾體的出現(xiàn)。因此，對于馬鈴薯加工設(shè)備就提出了實(shí)時、高效的要求，而現(xiàn)今能夠同時檢測馬鈴薯內(nèi)、外部品質(zhì)并實(shí)現(xiàn)在線分級的設(shè)備為數(shù)甚少，這就對新一輪的研究提出了更高的要求。

1 彭嘉虎.基于近紅外光譜的鮮棗無損檢測建模及優(yōu)化研究［D］.銀川：寧夏大學(xué)，2012.

2 潘立剛，張縉，陸安祥，等.農(nóng)產(chǎn)品質(zhì)量無損檢測技術(shù)研究進(jìn)展與應(yīng)用［J］.農(nóng)業(yè)工程學(xué)，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.基于機(jī)器視覺的馬鈴薯外部品質(zhì)檢測技術(shù)研究［D］.呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2009.

6 王運(yùn)哲，白雁兵，張博.機(jī)器視覺系統(tǒng)的設(shè)計(jì)方法［J］.現(xiàn)代顯示，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 高繼森，陳勉舟，李玉平.基于人工神經(jīng)網(wǎng)絡(luò)的馬鈴薯品質(zhì)分級系統(tǒng)［J］.五邑大學(xué)學(xué)報（自然科學(xué)版），2008，22（3）：62～65.

10 Dacal－Nieto A，Vazquez－Fernandez E，F(xiàn)ormella 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 鄭冠楠，譚豫之，張俊雄，等.基于計(jì)算機(jī)視覺的馬鈴薯自動檢測分級［J］.農(nóng)業(yè)機(jī)械學(xué)報，2009，40（4）：156～168.

12 赫敏，麻碩士.基于機(jī)器視覺的馬鈴薯單薯質(zhì)量檢測技術(shù)研究［J］.農(nóng)業(yè)化研究，2009（9）：61～63.

13 金晶.基于計(jì)算機(jī)視覺的馬鈴薯外部品質(zhì)檢測應(yīng)用研究［D］.長沙：湖南農(nóng)業(yè)大學(xué)，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 楊冬風(fēng)，陳爭光.基于顏色特征的馬鈴薯綠皮檢測［J］.黑龍江八一農(nóng)墾大學(xué)學(xué)報，2011，23（1）：83～87.

16 高曉陽，王澤京，畢陽，等.基于單片機(jī)和機(jī)器視覺的馬鈴薯品質(zhì)分級研究［C］／／中國農(nóng)業(yè)工程學(xué)會2011年學(xué)術(shù)年會論文集.重慶：中國農(nóng)業(yè)工程學(xué)會，2011：126～128.

17 王澤京.基于機(jī)器視覺的馬鈴薯自動檢測分級研究［D］.蘭州：甘肅農(nóng)業(yè)大學(xué)，2011.

18 周竹，黃懿，李小昱，等.基于機(jī)器視覺的馬鈴薯自動分級方法［J］.農(nóng)業(yè)工程學(xué)報，2012，28（7）：178～183.

19 崔建麗，童淑敏，赫敏.邊界點(diǎn)矩特征傅里葉描述的馬鈴薯薯形研究［J］.中國農(nóng)機(jī)化，2012（2）：59～62.

20 赫敏，葛麗娟，崔建麗，等.基于光學(xué)相關(guān)聯(lián)合變換的馬鈴薯薯形檢測［J］.中國農(nóng)機(jī)化，2013（7）：28～31.

21 崔建麗.基于機(jī)器視覺的馬鈴薯薯形檢測技術(shù)研究［D］.呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2012.

22 孔彥龍，高曉陽，李紅玲，等.基于機(jī)器視覺的馬鈴薯質(zhì)量和形狀分選方法［J］.農(nóng)業(yè)工程學(xué)報，2012，28（17）：143～148.

23 劉韋.基于機(jī)器視覺的馬鈴薯表面缺陷檢測算法的研究［D］.大慶：黑龍江八一農(nóng)墾大學(xué)，2013.

24 周平，徐旭艷，楊兵，等.基于圖像信息的馬鈴薯薯形檢測方法研究［J］.安徽農(nóng)業(yè)大學(xué)學(xué)報，2013，40（5）：1～4.

25 徐廣通，袁洪福，陸婉珍.現(xiàn)代近紅外光譜技術(shù)及應(yīng)用進(jìn)展［J］.光譜學(xué)與光譜分析，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，F(xiàn)lorida：ASAE，2005.

28 田海清，王春光，吳桂芳，等.馬鈴薯品質(zhì)可見近紅外漫反射光譜檢測研究［C］／／中國農(nóng)業(yè)工程學(xué)會2011年學(xué)術(shù)年會論文集.重慶：中國農(nóng)業(yè)工程學(xué)會，2011.

29 張小燕，劉威，興麗，等.馬鈴薯加工品質(zhì)指標(biāo)近紅外預(yù)測模型研究［J］.紅外，2012，33（12）：33～39.

30 張小燕，楊炳南，劉威，等.馬鈴薯主要營養(yǎng)成分的近紅外光譜分析［J］.食品科學(xué)，2013，34（2）：165～169.

31 席那順朝克圖，郁志宏，張寶超，等.基于小波分析的馬鈴薯環(huán)腐病光譜數(shù)據(jù)去噪［J］.農(nóng)村牧區(qū)機(jī)械化，2013（3）：19～22.

32 孫旭東，董小玲.近紅外光譜快速檢測馬鈴薯全粉還原糖［J］.農(nóng)業(yè)工程學(xué)報，2013，29（14）：262～268.

33 呂東亞，黃普明，孫獻(xiàn)璞.高光譜圖像的數(shù)據(jù)特征及壓縮技術(shù)［J］.空間電子技術(shù)，2005（1）：15～22.

34 蘇文浩，何建國，劉貴珊，等.近紅外高光譜圖像技術(shù)在馬鈴薯外部缺陷檢測中的應(yīng)用［J］.食品與機(jī)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(xiàn) 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，高海龍，等.馬鈴薯干物質(zhì)含量高光譜檢測中變量選擇方法比較［J］.農(nóng)業(yè)機(jī)械學(xué)報，2012，43（2）：128～133.

41 周竹，李小昱，高海龍，等.漫反射和透射光譜檢測馬鈴薯黑心病的比較［J］.農(nóng)業(yè)工程學(xué)報，2012，28（11）：237～242.

42 周竹，李小昱，高海龍，等.基于高光譜成像技術(shù)的馬鈴薯外部缺陷檢測［J］.農(nóng)業(yè)工程學(xué)報，2012，28（21）：221～228.

43 高海龍，李小昱，徐森森，等.馬鈴薯黑心病和單薯質(zhì)量的透射高光譜檢測方法［J］.農(nóng)業(yè)工程學(xué)報，2013，29（15）：279～285.

44 孫金風(fēng)，李小昱，汪成龍，等.馬鈴薯無損檢測技術(shù)的研究進(jìn)展［J］.湖北農(nóng)業(yè)科學(xué)，2012，51（22）：4 974～4 977.