姜宏， 于永波， 章翔峰， 陳宇彤

(新疆大學(xué)機(jī)械工程學(xué)院， 烏魯木齊 830017)

馬鈴薯被列為全球第四大糧食作物[1]，其種植成本低，富含營(yíng)養(yǎng)，由馬鈴薯作為原材料可以加工出許多美味的食物。馬鈴薯深受各國(guó)民眾的喜愛，它提供的纖維、維生素、礦物質(zhì)等可以幫助人類抵御疾病，有益于人類健康[2]。中國(guó)是馬鈴薯種植大國(guó)，卻不是馬鈴薯銷售強(qiáng)國(guó)[3]。其中一個(gè)重要原因就是在大批量的馬鈴薯收獲后，外部品質(zhì)參差不齊的馬鈴薯未能按照某一指標(biāo)進(jìn)行分級(jí)，繼而不能獲得最大的經(jīng)濟(jì)效益[4]。隨著人類直接消費(fèi)和食品加工對(duì)馬鈴薯外部品質(zhì)的要求不斷升高，馬鈴薯的外部品質(zhì)分級(jí)就顯得至關(guān)重要[5]。同時(shí)，馬鈴薯分級(jí)是馬鈴薯產(chǎn)后的一個(gè)重要環(huán)節(jié)，通過對(duì)馬鈴薯進(jìn)行分級(jí)包裝、分級(jí)貯藏、分級(jí)定價(jià)、分級(jí)加工，從而解決馬鈴薯的價(jià)格與其品質(zhì)不對(duì)等的問題[6]。因此，基于外部品質(zhì)的分級(jí)在馬鈴薯的包裝、銷售和二次加工中有著重要作用。

目前，馬鈴薯的外部品質(zhì)分級(jí)研究主要分為人工分級(jí)、機(jī)械分級(jí)和基于機(jī)器視覺分級(jí)3種方法[7]。人工分級(jí)作為最早采用的分級(jí)方法一直沿用至今，人工分級(jí)方法勞動(dòng)力成本高、效率低下、分級(jí)標(biāo)準(zhǔn)模糊，主觀性強(qiáng)。隨著馬鈴薯的分級(jí)需求不斷增長(zhǎng)，人工分級(jí)早已不能滿足要求[8]。機(jī)械分級(jí)方法相比人工分級(jí)方法提高了分級(jí)效率，但只是針對(duì)馬鈴薯的單一大小特征進(jìn)行分級(jí)，且在分級(jí)過程中會(huì)不可避免地出現(xiàn)二次損傷現(xiàn)象[9]。目前，關(guān)于機(jī)械分級(jí)的研究主要集中在研制不同類別的機(jī)械分級(jí)機(jī)，設(shè)計(jì)改進(jìn)其主要工作部件，優(yōu)化零件的重要參數(shù)，使分級(jí)效率達(dá)到最優(yōu)，同時(shí)盡可能降低分級(jí)過程中所帶來的二次損傷[10]。機(jī)器視覺分級(jí)方法具有經(jīng)濟(jì)性、客觀性、高指標(biāo)性的優(yōu)點(diǎn)，是近幾年的研究熱點(diǎn)[11]。相關(guān)研究主要聚焦在針對(duì)馬鈴薯的大小特征、形狀特征和缺陷特征開展[12]。大小特征分級(jí)主要利用馬鈴薯的簡(jiǎn)單幾何特征(周長(zhǎng)、面積、長(zhǎng)短軸直徑和體積等)和深度圖像進(jìn)行分級(jí)。形狀特征分級(jí)主要采用簡(jiǎn)單幾何特征法、傅里葉形狀描述子法、區(qū)域不變矩法和三維重建法。對(duì)于缺陷特征分級(jí)，現(xiàn)有的研究主要針對(duì)某一特定缺陷自身特點(diǎn)，結(jié)合機(jī)器學(xué)習(xí)算法提取特征，或利用深度學(xué)習(xí)自動(dòng)學(xué)習(xí)缺陷特征，構(gòu)建分類模型進(jìn)行分級(jí)。

目前，關(guān)于馬鈴薯外部品質(zhì)分級(jí)的研究有很多，采用的方法也各不相同，但卻缺少對(duì)馬鈴薯外部品質(zhì)分級(jí)方法的系統(tǒng)性梳理。針對(duì)這一現(xiàn)狀，總結(jié)現(xiàn)有研究成果的外部品質(zhì)分級(jí)方法，分析人工分級(jí)、機(jī)械分級(jí)和機(jī)器視覺分級(jí)所采取的手段，總結(jié)3種方法存在的優(yōu)缺點(diǎn)。最后指出機(jī)械分級(jí)和機(jī)器視覺分級(jí)的研究趨勢(shì)，為馬鈴薯外部品質(zhì)的分級(jí)提供新的研究思路。

1 人工分級(jí)

早期馬鈴薯的分級(jí)都采用人工分級(jí)的方式，這種分級(jí)方式雖然簡(jiǎn)單直接，但是需要操作者手動(dòng)分級(jí)。手動(dòng)過程非常繁瑣、費(fèi)力、勞動(dòng)力成本高、效率低下，只適用于小批量分級(jí)[13]。且人工分級(jí)沒有精細(xì)的判別標(biāo)準(zhǔn)，無法精確區(qū)分不同級(jí)別的馬鈴薯，受操作者主觀因素影響大[14]。

2 機(jī)械分級(jí)

隨著科技的進(jìn)步，馬鈴薯的分級(jí)都采用通用式果蔬分級(jí)設(shè)備，但是仍然無法滿足實(shí)際需要，分級(jí)精度和分級(jí)效率仍然達(dá)不到要求[15]。人們迫切需要專用的馬鈴薯分級(jí)機(jī)械裝置來滿足日益增長(zhǎng)的馬鈴薯分級(jí)需求。

馬鈴薯機(jī)械分級(jí)機(jī)可分為網(wǎng)眼式分級(jí)機(jī)和輥桿式分級(jí)機(jī)[16]。網(wǎng)眼式分級(jí)機(jī)憑借其精準(zhǔn)的網(wǎng)眼可以實(shí)現(xiàn)精確分級(jí)，應(yīng)用非常廣泛。輥式分級(jí)機(jī)通過調(diào)節(jié)相鄰輥桿的間距，從而完成不同大小的馬鈴薯分級(jí)。

2.1 網(wǎng)眼式分級(jí)機(jī)

2.1.1 振動(dòng)網(wǎng)篩式分級(jí)機(jī)

劉洪義等[17]設(shè)計(jì)的馬鈴薯分級(jí)機(jī)，利用篩片多層振動(dòng)完成分級(jí)，篩片可根據(jù)不同的分級(jí)要求更換。德國(guó)GRIMME公司生產(chǎn)的WG900網(wǎng)眼式分級(jí)機(jī)通過精確尺寸的橡膠網(wǎng)格篩孔和多臺(tái)網(wǎng)格分級(jí)機(jī)前后相連可同時(shí)分選出不同規(guī)格的馬鈴薯[18]。圖1所示為WG900網(wǎng)眼式分級(jí)機(jī)。

圖1 WG900網(wǎng)眼式分級(jí)機(jī)[18]Fig.1 WG900 mesh type grading machine[18]

網(wǎng)眼式分級(jí)易出現(xiàn)馬鈴薯卡頓在網(wǎng)眼上,會(huì)使得后落入網(wǎng)眼的馬鈴薯得不到分級(jí)。不同的網(wǎng)眼大小可將大小相近的馬鈴薯歸類，但是網(wǎng)眼式分級(jí)級(jí)別不易更改，分級(jí)效率也不高。

2.1.2 滾筒式分級(jí)機(jī)

滾筒式網(wǎng)眼分級(jí)機(jī)是由滾筒、機(jī)架、上料裝置、出料口和電動(dòng)機(jī)組成。馬鈴薯進(jìn)入滾筒后，靠滾筒旋轉(zhuǎn)的離心力來篩分馬鈴薯，經(jīng)由出料口完成分級(jí)。

滾筒式分級(jí)機(jī)在旋轉(zhuǎn)過程中容易對(duì)馬鈴薯表面造成劃痕、表皮脫落等缺陷。另外，如果改變了馬鈴薯的分級(jí)標(biāo)準(zhǔn)，只能拆卸原有滾筒，更換合適的滾筒孔徑，進(jìn)而完成分級(jí)。

2.2 輥桿式馬鈴薯分級(jí)機(jī)

申屠留芳等[19]設(shè)計(jì)的馬鈴薯分級(jí)機(jī)是一種簡(jiǎn)易輥桿式馬鈴薯分級(jí)機(jī)，它主要是由上料裝置、分選裝置、出料口組成，如圖2所示。當(dāng)分級(jí)機(jī)進(jìn)行工作時(shí)，進(jìn)入分級(jí)機(jī)的馬鈴薯小于輥桿縫隙的落入接料裝置，大于輥桿縫隙的馬鈴薯則繼續(xù)前進(jìn)，隨著輥桿之間間距的不斷增大而在不同的部位上落下來，從而分成3個(gè)等級(jí)。

圖2 簡(jiǎn)易輥桿式分級(jí)機(jī)[19]Fig.2 Simple roller type grading machine[19]

姜彥武等[20]設(shè)計(jì)了一種可調(diào)的輥式分級(jí)機(jī)，通過調(diào)節(jié)輥桿之間的距離來進(jìn)行分級(jí)。劉少達(dá)等[21]設(shè)計(jì)了一種中心距可調(diào)的動(dòng)輥桿和定輥桿相組合的馬鈴薯分級(jí)機(jī)。通過分析分級(jí)過程中馬鈴薯的受力情況，發(fā)現(xiàn)鏈條傳送速度過快會(huì)造成馬鈴薯相互碰撞，產(chǎn)生二次損傷，分級(jí)效果不佳。因此，合理的分級(jí)運(yùn)行速度就顯得至關(guān)重要。呂金慶等[22]設(shè)計(jì)了一種差動(dòng)分級(jí)裝置，通過改變提升角的大小來設(shè)定不同的分級(jí)范圍，實(shí)現(xiàn)了連續(xù)分級(jí)。研究表明，該裝置提高了分級(jí)效率和分級(jí)精度。張永志等[23]為了解決機(jī)械分級(jí)中產(chǎn)生的二次損傷問題，改進(jìn)輥桿材料與形狀，設(shè)計(jì)了一種輥式尼龍刷馬鈴薯分級(jí)機(jī)。研究表明，分級(jí)過程中降低了馬鈴薯的損傷率，分級(jí)精度得到了提高。但是必須要嚴(yán)格控制電機(jī)轉(zhuǎn)速和輥組傾角等，分級(jí)機(jī)的效率才會(huì)達(dá)到最優(yōu)。

綜上，對(duì)于輥桿式馬鈴薯分級(jí)機(jī)，必須要合理確定分級(jí)機(jī)輥?zhàn)又睆?、輥?zhàn)愚D(zhuǎn)速、輥?zhàn)娱g隙、輥?zhàn)咏M數(shù)等重要參數(shù)。輥桿間縫隙變化的穩(wěn)定程度及如何降低馬鈴薯在輥桿間運(yùn)動(dòng)的損傷程度是目前亟需解決的問題。

機(jī)械分級(jí)相比人工分級(jí)，省工省時(shí)，減輕了勞動(dòng)強(qiáng)度，提高了工作效率。但是機(jī)械分級(jí)方法的缺點(diǎn)也很明顯。

(1)馬鈴薯在分級(jí)過程中不可避免地會(huì)出現(xiàn)不同程度的二次損傷，損傷的表面暴露在空氣中會(huì)進(jìn)一步惡化，最后發(fā)展成黑斑，給馬鈴薯增添新的缺陷。

(2)利用機(jī)械裝置分級(jí)基本都針對(duì)的是馬鈴薯的大小特征，沒有考慮馬鈴薯的形狀等其他特征，畸形馬鈴薯很容易發(fā)生錯(cuò)誤分級(jí)。

(3)在馬鈴薯的生長(zhǎng)過程中，很容易產(chǎn)生蟲咬、綠皮等缺陷，這些有缺陷的馬鈴薯經(jīng)過機(jī)械分級(jí)后會(huì)混雜在分級(jí)好的馬鈴薯當(dāng)中，這在一定程度上降低了馬鈴薯的整體品質(zhì)。

3 機(jī)器視覺分級(jí)

過去幾年，關(guān)于馬鈴薯外部品質(zhì)分級(jí)的研究取得了很大的進(jìn)步，主要是由于機(jī)器視覺的快速發(fā)展。機(jī)器視覺技術(shù)在檢測(cè)馬鈴薯外部品質(zhì)方面具有客觀性、經(jīng)濟(jì)性和高指標(biāo)性等優(yōu)點(diǎn)[11]。同時(shí)，基于機(jī)器視覺的分級(jí)方法還可以避免機(jī)械分級(jí)所帶來的二次損傷?，F(xiàn)階段相比于機(jī)械分級(jí)方法，機(jī)器視覺分級(jí)可以不光局限于馬鈴薯的單一大小特征進(jìn)行分級(jí)，還可以針對(duì)馬鈴薯的形狀特征和缺陷特征來分級(jí)[24]。按照大小特征、形狀特征和缺陷特征分類，機(jī)器視覺分級(jí)方法可按照如圖3所示的方式進(jìn)行分類。

圖3 機(jī)器視覺方法分類[24]Fig.3 Classification of machine vision methods[24]

3.1 基于大小(質(zhì)量)特征的馬鈴薯分級(jí)

利用機(jī)器視覺對(duì)馬鈴薯按照大小特征分級(jí)，幾何特征方法都是首先采集馬鈴薯的單幅或多幅圖像，而后對(duì)采集到的圖片進(jìn)行預(yù)處理操作[25]。但在幾何特征的選擇上各不相同。常用的幾何特征有短軸直徑、長(zhǎng)軸直徑、面積、周長(zhǎng)、外接柱體體積、體積等。利用這些幾何形狀特征可以建立與馬鈴薯的質(zhì)量相關(guān)性，進(jìn)而完成馬鈴薯的質(zhì)量分級(jí)。深度圖像法則是通過獲取的圖像深度信息構(gòu)建馬鈴薯三維模型，通過構(gòu)建的三維模型預(yù)測(cè)馬鈴薯的大小。

3.1.1 幾何特征法

鄭冠楠等[26]將馬鈴薯的最長(zhǎng)軸長(zhǎng)度作為分級(jí)特征，根據(jù)所設(shè)定的閾值將馬鈴薯大小分為4個(gè)等級(jí)。研究表明，分級(jí)準(zhǔn)確率在88%以上。郝敏等[27]利用馬鈴薯的面積特征，采用逐步回歸分析法篩選參數(shù)，最終選用馬鈴薯的俯視圖面積和側(cè)面積，建立了單個(gè)馬鈴薯的質(zhì)量模型。研究表明，該模型對(duì)馬鈴薯質(zhì)量的分級(jí)正確率較高。林澤鴻[28]提出了基于最大橫切面積的馬鈴薯大小分級(jí)，首先計(jì)算出馬鈴薯的最大橫切面積，然后和已經(jīng)設(shè)定好的閾值作比較，將馬鈴薯分為4個(gè)等級(jí)。研究表明，該方法的分級(jí)準(zhǔn)確性達(dá)到了92.5%?？讖埖萚29]將馬鈴薯的面積和周長(zhǎng)作為分級(jí)特征，實(shí)現(xiàn)對(duì)馬鈴薯的質(zhì)量分級(jí)。研究表明，該模型的準(zhǔn)確率可達(dá)95.3%。周竹等[30]首先求出馬鈴薯最小外接柱體的底面積和高度，而后得到體積，將馬鈴薯分為大、中、小三類。研究表明，對(duì)馬鈴薯按照大小分級(jí)的準(zhǔn)確率穩(wěn)定在87.5%以上。Su等[31]將一種基于深度圖像的圖像處理算法成功地應(yīng)用于馬鈴薯質(zhì)量分級(jí)，該方法特別適用于形狀不規(guī)則的馬鈴薯樣本分類。研究表明，體積與質(zhì)量密切相關(guān)，利用該體積預(yù)測(cè)模型對(duì)馬鈴薯進(jìn)行質(zhì)量分級(jí)的成功率達(dá)90%。馬鈴薯質(zhì)量與面積和周長(zhǎng)都具有很高的相關(guān)性，王溯源[32]通過實(shí)驗(yàn)發(fā)現(xiàn)，單角度測(cè)量面積法存在著質(zhì)量誤差較大的缺點(diǎn)。若是采用三角度測(cè)量面積來預(yù)測(cè)馬鈴薯質(zhì)量，其預(yù)測(cè)準(zhǔn)確性將得到很大的提高。

3.1.2 深度圖像法

Su等[33]使用兩個(gè)深度圖像構(gòu)建3D馬鈴薯表面模型，使得馬鈴薯體積計(jì)算的精度更高。研究表明，體積與質(zhì)量的相關(guān)性更高，使用該體積密度模型對(duì)馬鈴薯大小分級(jí)的成功率達(dá)到了93%。Su等[34]開發(fā)了一個(gè)馬鈴薯自動(dòng)分級(jí)系統(tǒng)，以深度成像系統(tǒng)作為數(shù)據(jù)收集器，并應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行馬鈴薯外部品質(zhì)分級(jí)。研究表明，總體質(zhì)量分級(jí)準(zhǔn)確率為86.6%。

綜上，基于機(jī)器視覺的馬鈴薯質(zhì)量分級(jí)借助馬鈴薯的直徑、周長(zhǎng)、面積和體積特征參數(shù)達(dá)到了較高的準(zhǔn)確率。近年來，又出現(xiàn)了利用深度相機(jī)的深度圖像構(gòu)建3D馬鈴薯表面模型。二維圖像相比于三維物體并不能完整準(zhǔn)確地表達(dá)出馬鈴薯的所有特征信息。因此，對(duì)馬鈴薯表面進(jìn)行三維重建，獲取三維信息，將會(huì)得到更加精確的質(zhì)量預(yù)測(cè)模型。但是，獲取深度圖像的深度相機(jī)價(jià)格昂貴，若是通過單目或者雙目視覺來獲取深度信息難度大，而且三維重建所帶來的數(shù)據(jù)量提升對(duì)數(shù)據(jù)處理、計(jì)算能力都提出了更高的要求。

3.2 基于形狀特征的馬鈴薯分級(jí)

馬鈴薯有很多可能的形狀，它們的形狀受到生長(zhǎng)環(huán)境的影響，造成各種各樣的邊界不規(guī)則。形狀對(duì)于二次加工有著重要意義。目前在基于機(jī)器視覺的馬鈴薯形狀檢測(cè)研究中，所用到的方法有4種。第1種是用馬鈴薯外部直觀的幾何特征，如輪廓面積、橢圓度、離心率和橫縱徑之比等；第2種是傅里葉形狀描述子法；第3種是區(qū)域不變矩法，常用的不變矩主要有Zernike矩、邊界矩等；第4種是目前使用較少的三維重建法。

3.2.1 簡(jiǎn)單幾何特征法

王紅軍等[35]提取馬鈴薯的輪廓面積、外接矩形，用于馬鈴薯形狀分級(jí)。采用主成分分析方法分析圖像特征參數(shù)與馬鈴薯形狀之間的關(guān)系，構(gòu)建馬鈴薯形狀預(yù)測(cè)模型。研究表明分類正確率為86.7%。鄭冠楠等[26]把馬鈴薯的離心率作為分級(jí)特征，將馬鈴薯分為類圓型和類橢圓型兩類，取三幅圖像中最大的離心率值，將其值與1比較，完成形狀分級(jí)。研究表明，分級(jí)準(zhǔn)確率在88%以上。鄧立苗等[36]通過計(jì)算橢圓度來估計(jì)形狀。研究表明，所提出的分級(jí)算法對(duì)形狀的檢測(cè)正確率為93.3%。周平等[37]以馬鈴薯的最大橫徑與最大縱徑之比確定了馬鈴薯形狀分級(jí)規(guī)則。研究表明，該方法以較高準(zhǔn)確率確定了馬鈴薯的不同形狀。Nan等[38]利用馬鈴薯圓的方差、縱橫比和矩形度提取最小外接矩形作為特征，然后在支持向量機(jī)上進(jìn)行訓(xùn)練，建立馬鈴薯形狀判斷模型。研究表明，各形狀的馬鈴薯預(yù)測(cè)準(zhǔn)確率均在86%以上。

3.2.2 傅里葉形狀描述子法

Tao等[39]提出了一種基于傅里葉變換的形狀分離方法，用于馬鈴薯形狀的自動(dòng)檢測(cè)。研究表明，該檢測(cè)系統(tǒng)對(duì)馬鈴薯的形狀分級(jí)精度達(dá)到了89%。湯哲君等[40]提出基于極半徑的傅里葉描述子算法，利用歐式距離對(duì)馬鈴薯的形狀進(jìn)行分級(jí)。研究表明，該方法能夠較好地描述馬鈴薯的形狀特征，分級(jí)效果良好。崔建麗等[41]提出基于邊界點(diǎn)的矩特征傅里葉描述子的馬鈴薯薯形識(shí)別方法。研究表明，該方法對(duì)經(jīng)過平移、旋轉(zhuǎn)的馬鈴薯圖像分級(jí)具有很好的魯棒性，最終將馬鈴薯分為橢圓、圓和畸形三類，其準(zhǔn)確率都在90%以上。

3.2.3 區(qū)域不變矩法

孔彥龍等[29]將馬鈴薯俯視圖像的6個(gè)不變矩作為分級(jí)特征輸入到BP神經(jīng)網(wǎng)絡(luò)中。研究表明，形狀分級(jí)正確率為96%。郝敏等[42]將Zernike矩作為形狀分級(jí)的特征參數(shù)，并用支持向量機(jī)將馬鈴薯的形狀分為良好和畸形兩類。研究表明，良好和畸形的分級(jí)正確率達(dá)到了93%和100%。崔勝春[43]推導(dǎo)出改進(jìn)的基于圖像邊緣的不變矩來作為馬鈴薯的形狀分級(jí)特征，實(shí)驗(yàn)發(fā)現(xiàn),利用圖像的邊緣矩能減小算法運(yùn)行時(shí)間，提高實(shí)時(shí)性能，分級(jí)準(zhǔn)確率可達(dá)95%。Azizi[44]提出一種結(jié)合幾何參數(shù)和傅里葉描述子的方法專門檢測(cè)畸形馬鈴薯，使用主成分分析法(principal component analysis, PCA)選擇7個(gè)最突出的特征。研究表明，該方法僅選取7個(gè)特征即可獲得較高的正確率，對(duì)訓(xùn)練集的平均正確率為98%。

簡(jiǎn)單幾何特征法、傅里葉形狀描述子法、區(qū)域不變矩法都是常用的馬鈴薯形狀分級(jí)方法。馬鈴薯的形狀在生長(zhǎng)過程中容易受到外界的影響，其形狀復(fù)雜，只用幾個(gè)簡(jiǎn)單的幾何特征無法來判定形狀復(fù)雜的馬鈴薯。并且當(dāng)同一幅圖像發(fā)生旋轉(zhuǎn)、縮放等情況時(shí)，其幾何參數(shù)都將會(huì)發(fā)生改變。傅里葉形狀描述子法對(duì)圓形、橢圓形馬鈴薯效果良好，但是同樣對(duì)形狀復(fù)雜的畸形馬鈴薯就不適用了。區(qū)域不變矩法由于對(duì)經(jīng)過平移、旋轉(zhuǎn)、縮放的圖像具有很高的魯棒性，應(yīng)用廣泛。

3.2.4 三維重建法

目前針對(duì)馬鈴薯形狀特征的分級(jí)大都集中在二維層面。近年來，開始出現(xiàn)了在三維層面對(duì)馬鈴薯分級(jí)的研究。楊耀民[45]提出了基于馬鈴薯的多張二維輪廓圖像重建三維圖像的方法，構(gòu)建出馬鈴薯的三維模型，達(dá)到了馬鈴薯快速、精確的三維重建要求。研究表明，該方法應(yīng)用于馬鈴薯形狀檢測(cè)的精度達(dá)到98%。

基于形狀特征的分級(jí)在二維層面已相對(duì)成熟，但在三維層面的研究相對(duì)缺乏[46]。對(duì)馬鈴薯進(jìn)行三維重建，可以提供高度準(zhǔn)確的馬鈴薯體積測(cè)量，可以依據(jù)更加精確的體積參數(shù)對(duì)馬鈴薯進(jìn)行分級(jí)[47]。

3.3 基于缺陷特征的馬鈴薯分級(jí)

馬鈴薯有綠皮、蟲眼、機(jī)械損傷、畸形、發(fā)芽等外部缺陷[48]。根據(jù)不同的缺陷類別對(duì)馬鈴薯進(jìn)行分級(jí)，可以進(jìn)一步提高馬鈴薯的利用率。現(xiàn)有的研究主要針對(duì)某一缺陷類型進(jìn)行檢測(cè)[49]，獲得了多種檢測(cè)方法?；谌毕莸鸟R鈴薯分級(jí)可分為傳統(tǒng)方法、機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法。

3.3.1 傳統(tǒng)方法

傳統(tǒng)方法從缺陷的顏色、面積和幾何形狀特征出發(fā)，對(duì)馬鈴薯實(shí)現(xiàn)分級(jí)。Tao等[50]提出了一種綠皮馬鈴薯和正常馬鈴薯的分級(jí)方法。使用HSL(色調(diào)、飽和度和亮度)顏色空間，通過用色調(diào)直方圖表示特征并應(yīng)用多變量判別技術(shù)，視覺系統(tǒng)在分級(jí)時(shí)達(dá)到了90%以上的準(zhǔn)確率。周竹等[30]根據(jù)不同缺陷的特點(diǎn)，分成3類缺陷。用面積來識(shí)別第一類缺陷(空洞、蟲眼)，用外接矩形的最大對(duì)角線長(zhǎng)度來識(shí)別第二類缺陷(機(jī)械損傷)，用交叉法來識(shí)別第三類缺陷(發(fā)芽、畸形)。研究表明，3類缺陷馬鈴薯的識(shí)別率都達(dá)到了90%以上，其中第三類缺陷的識(shí)別率最高。李錦衛(wèi)等[51]提出將缺陷區(qū)域使用灰度截留法分割出來，而后利用面積比率和十色比率作為缺陷判別特征來識(shí)別缺陷。研究表明，正確識(shí)別率為93.6%，同時(shí)有少數(shù)樣本不能正確分類，且該實(shí)驗(yàn)僅針對(duì)黃色薯皮的馬鈴薯。劉浩等[52]提出計(jì)算彩色圖像各個(gè)通道分量的平均值和目標(biāo)圖像任一點(diǎn)上的差方值，進(jìn)而得到標(biāo)準(zhǔn)差。小于閾值的點(diǎn)判定為缺陷點(diǎn)，并對(duì)馬鈴薯有缺陷部分的像素點(diǎn)連通區(qū)域進(jìn)行標(biāo)記。實(shí)驗(yàn)采用1 000個(gè)實(shí)驗(yàn)樣本，根據(jù)連通域的面積、數(shù)目和顏色分量來判定缺陷的類別。研究表明，該方法分級(jí)準(zhǔn)確率較高。

可以看到，色調(diào)直方圖法、面積法、外接矩形法、灰度截留法和連通域法都以較高準(zhǔn)確率完成了馬鈴薯的缺陷分級(jí)。但是，每種方法都是針對(duì)馬鈴薯的某一特定缺陷設(shè)計(jì)的，對(duì)實(shí)驗(yàn)樣本的依賴性很高，都只能針對(duì)單一品種的馬鈴薯。實(shí)際上，馬鈴薯品種多樣，不同品種的馬鈴薯顏色和形狀差異較大，所得出的實(shí)驗(yàn)參數(shù)也會(huì)不同。

3.3.2 機(jī)器學(xué)習(xí)方法

基于統(tǒng)計(jì)學(xué)的機(jī)器學(xué)習(xí)方法使馬鈴薯的分級(jí)更加準(zhǔn)確、穩(wěn)健，成本更低[53]。常用到的機(jī)器學(xué)習(xí)算法有：主成分分析法(principal component analysis, PCA)、線性感知機(jī)算法(perceptron linear algorithm, PLA)、K-最近鄰分類算法(K-nearest neighbor, KNN)、遺傳算法(genetic algorithm, GA)、樸素貝葉斯(naive bayes, NB)、線性判別分析(linear discriminant analysis, LDA)和支持向量機(jī)(support vector machine, SVM)等[54]。

向靜等[55]利用PLA識(shí)別綠皮缺陷、KNN識(shí)別發(fā)芽缺陷，最終實(shí)現(xiàn)馬鈴薯缺陷的分級(jí)。研究表明，兩種缺陷的馬鈴薯正確識(shí)別率都在90%以上。Dacal-Nieto等[56]設(shè)計(jì)了一種特別的遺傳算法，用于優(yōu)化搜索更好的特征組合，使分類百分比最大化。將馬鈴薯分為3類：健康、綠皮和腐爛，實(shí)驗(yàn)數(shù)據(jù)表明，3種類別的平均識(shí)別率為86.9%。史崇升等[57]提取灰度圖像和彩色圖像的紋理特征，利用貝葉斯分類器建立模型。研究表明，該方法可提高馬鈴薯各類缺陷的識(shí)別率。Noordam等[58]根據(jù)顏色缺陷進(jìn)行分級(jí)，利用LDA和馬氏距離分類器將RGB像素分為6個(gè)不同的顏色類別。對(duì)5個(gè)馬鈴薯品種進(jìn)行6個(gè)顏色類別的像素分類實(shí)驗(yàn)，正確率均在90%以上。李頎等[59]提出一種顏色和紋理特征融合的分級(jí)方法，使用SVM將馬鈴薯分為3類。研究表明，該方法的分級(jí)準(zhǔn)確率可達(dá)97. 67%。Xiong等[60]提出了一種基于SVM和PCA的馬鈴薯分類識(shí)別方法。該方法實(shí)現(xiàn)了對(duì)普通馬鈴薯、綠皮馬鈴薯、發(fā)芽馬鈴薯和機(jī)械損傷馬鈴薯的有效檢測(cè)和分類。綜合分類識(shí)別率達(dá)到96.6%。Er等[61]利用改進(jìn)的模糊C均值算法成功地對(duì)馬鈴薯進(jìn)行分級(jí)。將圖像采集設(shè)計(jì)與算法相結(jié)合，為馬鈴薯分級(jí)提供了一種新的方法。研究表明，對(duì)馬鈴薯的綠皮、裂紋和腐爛3種缺陷的分級(jí)準(zhǔn)確率可達(dá)95%以上，但是一些沒有缺陷的馬鈴薯被錯(cuò)誤分類了。

KNN、NB、LDA和SVM在馬鈴薯的分級(jí)中應(yīng)用廣泛，而且都達(dá)到了很高的準(zhǔn)確率。但是，機(jī)器學(xué)習(xí)算法眾多，每種算法都有各自的特點(diǎn)。對(duì)于KNN，若已知數(shù)據(jù)分布信息很少，便可以使用KNN，因?yàn)樗粚?duì)數(shù)據(jù)做出任何假設(shè)。值得注意的是，KNN 通常需要大量的處理時(shí)間。NB算法適用于對(duì)數(shù)據(jù)分布和不同特征之間的相關(guān)程度有很強(qiáng)先驗(yàn)知識(shí)的任務(wù)，但它對(duì)于不同特征的組合表現(xiàn)不佳。像NB一樣，LDA也適用于已知的數(shù)據(jù)分布，但它能夠?qū)W習(xí)不同特征之間的相互作用。K-means聚類在數(shù)據(jù)點(diǎn)明顯可分時(shí)效果很好，如果類別有重疊，則K-means 算法不適合。因此，根據(jù)每種算法的特點(diǎn)，將合適的算法應(yīng)用于特定的場(chǎng)合就顯得至關(guān)重要。

3.3.3 深度學(xué)習(xí)方法

深度學(xué)習(xí)是一種最新的現(xiàn)代圖像處理和數(shù)據(jù)分析技術(shù)，具有良好的結(jié)果和巨大的潛力[62]。隨著深度學(xué)習(xí)在農(nóng)業(yè)領(lǐng)域的成功應(yīng)用，它最近也應(yīng)用到了馬鈴薯分級(jí)當(dāng)中[63]。目前，卷積神經(jīng)網(wǎng)絡(luò)已開始出現(xiàn)在馬鈴薯缺陷分級(jí)中，但采用深度學(xué)習(xí)的方法仍然較少。

劉沖沖[64]設(shè)計(jì)了一個(gè)共有15層的卷積神經(jīng)網(wǎng)絡(luò)，除輸入輸出層外，有7個(gè)卷積層，最后一層卷積層用來對(duì)數(shù)據(jù)進(jìn)行降維，4個(gè)池化層，2個(gè)全連接層。并利用梯度下降算法優(yōu)化識(shí)別網(wǎng)絡(luò)，研究表明，馬鈴薯缺陷識(shí)別率達(dá)到94.1%。楊森等[65]提出一種基于輕量卷積網(wǎng)絡(luò)的在線分級(jí)方法。首先建立馬鈴薯預(yù)訓(xùn)練網(wǎng)絡(luò)模型；然后重新構(gòu)建5類缺陷全連接層，并通過遷移學(xué)習(xí)在預(yù)訓(xùn)練網(wǎng)絡(luò)模型上訓(xùn)練馬鈴薯缺陷數(shù)據(jù)集。研究表明，訓(xùn)練準(zhǔn)確率最高可達(dá)98.88%。

深度學(xué)習(xí)提供了更好的性能并且優(yōu)于其他流行的圖像處理技術(shù)。相比傳統(tǒng)方法，不需要人為手動(dòng)設(shè)計(jì)特征，模型會(huì)自動(dòng)學(xué)習(xí)出特征，其泛化能力更強(qiáng)。盡管深度學(xué)習(xí)比其他傳統(tǒng)方法需要更長(zhǎng)的訓(xùn)練時(shí)間，但其測(cè)試效率非?？?。然而，使用深度學(xué)習(xí)的一個(gè)相當(dāng)大的缺點(diǎn)是需要龐大的數(shù)據(jù)集作為訓(xùn)練過程中的輸入，如果數(shù)據(jù)集太小，模型很容易就會(huì)發(fā)生過擬合[66]。

4 結(jié)論與展望

現(xiàn)階段馬鈴薯分級(jí)通?？煞譃槿斯し旨?jí)、機(jī)械分級(jí)和基于機(jī)器視覺分級(jí)3種方法。人工分級(jí)非常普遍，這種方法的最大優(yōu)點(diǎn)就是簡(jiǎn)單直接，但是由操作者主觀來判斷類別，沒有精細(xì)的判別標(biāo)準(zhǔn)，主觀性太強(qiáng)。機(jī)械分級(jí)方法避免了人工分選時(shí)對(duì)馬鈴薯的模糊判別，同時(shí)提高了分級(jí)準(zhǔn)確率和分級(jí)效率，節(jié)省了勞動(dòng)力。但機(jī)械分級(jí)最大的弊端就是馬鈴薯在分級(jí)過程中不可避免地會(huì)出現(xiàn)不同程度的二次損傷。機(jī)器視覺檢測(cè)是一種典型的無接觸檢測(cè)，避免了機(jī)械分級(jí)帶來的二次損傷，同時(shí)又可進(jìn)一步提高分級(jí)精度和分級(jí)效率，還可依據(jù)多種指標(biāo)對(duì)馬鈴薯分級(jí)。各種分級(jí)方法的優(yōu)缺點(diǎn)如表1所示。

對(duì)于機(jī)械分級(jí)方法，在原有不斷提高分級(jí)精度和分級(jí)效率的基礎(chǔ)上，需要在以下幾點(diǎn)有所突破。

(1)如何最大程度地減小馬鈴薯在分級(jí)過程中的二次損傷。

(2)擁有更加靈活的分級(jí)調(diào)節(jié)裝置，更加穩(wěn)定的機(jī)械分級(jí)裝置性能。

(3)與機(jī)器視覺分級(jí)方法結(jié)合更加緊密。

對(duì)于機(jī)器視覺分級(jí)方法：

(1)基于大小和形狀指標(biāo)的分級(jí)在二維層面已相對(duì)成熟，但在三維層面的研究相對(duì)缺乏。對(duì)馬鈴薯進(jìn)行三維重建，可以提供高度準(zhǔn)確的馬鈴薯體積測(cè)量，可以依據(jù)更加精確的體積參數(shù)對(duì)馬鈴薯進(jìn)行分級(jí)。

(2)基于缺陷類別指標(biāo)的分級(jí)，現(xiàn)有的機(jī)器視覺方案大多數(shù)針對(duì)某一種缺陷，對(duì)環(huán)境樣本依賴性強(qiáng)。未來，結(jié)合顏色和深度相機(jī)提供的3D形狀信息的4D模型將是馬鈴薯缺陷分級(jí)的新方法。

(3)馬鈴薯品種多樣，不同品種用途、價(jià)值也不同。在原有大小、形狀和缺陷類別指標(biāo)的基礎(chǔ)上增添新的分級(jí)指標(biāo)，如品種、表面光滑度等。

(4)目前，深度學(xué)習(xí)方法在現(xiàn)有馬鈴薯分級(jí)研究中使用較少。未來，深度學(xué)習(xí)方法在馬鈴薯的缺陷分級(jí)中有廣闊的應(yīng)用前景，會(huì)出現(xiàn)更復(fù)雜的架構(gòu)，將各種深度學(xué)習(xí)模型和分類器組合在一起，或者將手工設(shè)計(jì)的特征與自動(dòng)提取的特征相結(jié)合，融合在一起以改善整體結(jié)果。另外，在原有提高分級(jí)準(zhǔn)確率的基礎(chǔ)上，提高算法的實(shí)時(shí)性、魯棒性，增強(qiáng)模型的泛化能力是下一步的工作重點(diǎn)。

表1 馬鈴薯分級(jí)方法優(yōu)缺點(diǎn)比較Table 1 Comparison of advantages and disadvantages of potato grading methods