基于機器視覺的馬鈴薯黑心病檢測機構設計與試驗

田 芳，彭彥昆，魏文松，鄭曉春，王文秀

基于機器視覺的馬鈴薯黑心病檢測機構設計與試驗

田 芳，彭彥昆※，魏文松，鄭曉春，王文秀

（中國農業大學工學院，國家農產品加工技術裝備研發分中心，北京 100083）

馬鈴薯黑心病是一種難以用肉眼分辨的內部病害。在生產加工中，為了準確檢出黑心病個體，該研究基于光在馬鈴薯塊莖組織中的透射特性設計了一種馬鈴薯黑心病檢測機構。機構主要包括馬鈴薯塊莖承托槽、光源單元以及光源位置調節軌道等部分，光源單元包括2個LED面光源，形成多點透射的結構，光源波長為705 nm。文中取50個正常樣品和29個黑心樣品采集圖像分析，經過預處理，分別提取馬鈴薯目標圖像和馬鈴薯高灰度區域的灰度平均值，以二者的相對比值作為黑心病的判別參數。通過與單點透射模式所采集的正常樣品圖像的相對比值比較，由該機構所采集的正常圖像的相對比值普遍偏小，表明所獲得圖像的灰度均勻性更好，同時得到光源較佳夾角為45°。在該機構下獲得的正常樣品和黑心樣品的灰度平均值相對比值的分類閾值為0.220，得到2種樣品的判斷正確率分別為98%和96.6%，且黑心樣品的相對比值更大，表明使用該機構可以檢測黑心馬鈴薯樣品。該研究為馬鈴薯黑心病檢測機構的設計提供了參考。

機器視覺；無損檢測；設計；馬鈴薯塊莖；黑心??；檢測機構；承托槽；光源單元

0 引 言

馬鈴薯是世界四大主糧之一，營養豐富，素有“地下蘋果”、“第二面包”的美譽。近年來，馬鈴薯加工業在中國迅猛發展，正在向規模化，產業化以及高技術水平方向發展，但是馬鈴薯原薯品質合格率低等因素限制了馬鈴薯加工業的快速發展[1]。在諸多種類的馬鈴薯病害中，黑心病是一種主要的內部病害，會明顯降低馬鈴薯的食用、種用及加工用價值[2]，嚴重影響原薯品質合格率。在生產線上，由于馬鈴薯黑心病個體難以憑肉眼檢出，混入加工原料中會嚴重破壞整體的品質，因此開發馬鈴薯黑心病檢測機構是有必要的，可以在二次加工前對原料馬鈴薯進行逐一篩選，剔除黑心病個體，提高原料薯的合格率。

國內外針對馬鈴薯等果蔬農產品所進行的品質無損檢測研究主要是使用基于可見/近紅外光譜技術[3-7]、高光譜圖像技術[8-11]或機器視覺技術[12-16]等設計的光學檢測平臺。根據光源的照射方式，光學檢測技術主要分為透射式檢測技術和反射式檢測技術[17-18]。López-Maestresalas等[19]基于反射式高光譜圖像技術設計了馬鈴薯黑心病檢測機構，分別分析了在400～1 000和1 000～2 500 nm波段范圍內采集的高光譜反射圖像，然后建立了偏最小二乘判別分析模型，在靜態環境下可以較準確地判斷出樣品中的黑心病個體。在國內，Zhou等[20]根據513～850 nm波段范圍內馬鈴薯的透射式可見/近紅外光譜特征判斷其內部黑心病，對黑心病的判別準確率為97.11%。金瑞等[21]和李小昱等[22]分別應用反射式高光譜圖像及光譜信息融合技術和透射式機器視覺技術進行馬鈴薯內外部多品質指標的檢測，對內部黑心以及發芽、綠皮等特征的判別有較高的準確率。上述針對馬鈴薯黑心病等品質檢測所做的研究，主要是基于所搭建的靜態環境下的檢測機構，被測馬鈴薯樣品的物理狀態穩定，干擾因素少，但是其檢測機構還未與工業在線生產需求相匹配。另外，由于馬鈴薯形狀和尺寸不規則，在進行反射式或者透射式光學檢測的時候，容易產生光照不均勻，漏光等現象，對品質檢測造成較大的干擾。

馬鈴薯黑心病主要表現為在薯塊中心的髓部組織細胞死亡，病變區域的塊莖組織極其硬，形狀呈不規則狀，但邊緣清晰，其光透過能力與馬鈴薯塊莖的正常組織不同。因此本文基于透射式機器視覺技術的原理設計了馬鈴薯黑心病檢測機構，通過分析馬鈴薯的尺寸和形態特征確定檢測機構中光源單元的結構及角度，并相應確定馬鈴薯塊莖承托槽的結構。然后分析比較單點透射光源下馬鈴薯塊莖樣品的透射圖像和使用本文所設計的檢測機構采集的樣品透射圖像的灰度分布特征等參數，調整檢測機構到達最佳狀態，為馬鈴薯黑心病在線檢測機構的設計提供參考。

1 馬鈴薯黑心病檢測機構的結構及原理

本文所設計的馬鈴薯黑心病檢測機構主要由馬鈴薯塊莖承托槽，光源單元，散熱片和底座四部分組成，結構如圖1a所示。光源單元主要包括一對透射光源，其出射光會聚于承托槽的豎直中心上。承托槽上設計有可供光源單元位置調節的軌道（圖1b所示），用于適應對不同尺寸馬鈴薯塊莖的檢測。

圖1 檢測機構的整體結構示意圖Fig.1 Overall structure diagram of detection mechanism

在黑心病檢測時，首先將馬鈴薯塊莖平穩置于承托槽1上面，然后根據被測馬鈴薯的尺寸調節光源2在光源位置調節軌道5上的相對位置，使光源到樣品的垂直距離最近。由于所用光源為大功率LED光源，檢測時需要使用散熱片3配合散熱，保持光源發光能量的穩定性。整個檢測機構通過底座4進行固定安置，經過適當調節可匹配在線系統的工作。

2 關鍵部件的結構設計及參數分析

2.1 馬鈴薯塊莖尺寸及形狀特征分析

由于栽培條件等因素的不同，即使為同一個品種的馬鈴薯，且生長在同一植株上，其形狀和尺寸也會有差異，只能根據統計學規律進行歸納[23-26]。在工業生產中，為獲得高品質的馬鈴薯加工產品，人們對馬鈴薯塊莖的大小和形狀均有嚴格的要求。根據農業部標準NY/T 1605-2008《中華人民共和國農業行業標準——加工用馬鈴薯 油炸》的規定，加工用馬鈴薯的薯形要求為近似圓形或長橢圓形，即側面形狀同樣為近似圓形或橢圓形；直徑要求為4.0～10.0 cm[27]。根據該要求，本文所設計機構的檢測對象主要為側面形狀是近似圓形或橢圓形，直徑范圍在40.0～100.0 mm的馬鈴薯塊莖。圖2所示為馬鈴薯塊莖自然放置時側面尺寸測量示意圖，本文使用擬合高度與擬合寬度的比值（H/W）表示樣品側視形狀的圓形度。

2.2 光源型號的選擇

馬鈴薯黑心病是由于塊莖內部中心組織病變導致的生理性病害，根據文獻[28]研究發現，正常馬鈴薯組織和黑心病組織的光譜透射率不同，黑心病組織對光的吸收能力較正常組織更強，尤其是在700 nm波長附近處，二者光吸收能力的差別最為明顯。因此，本文選擇波長為705 nm的大功率LED陣列作為檢測機構的透射光源，所用光源為圓形面光源。

圖2 馬鈴薯塊莖側面圖像的尺寸Fig.2 Potato tuber size measured in side image

2.3 承托槽及光源單元結構的設計

本文首先針對側面形狀為近似圓形的馬鈴薯塊莖的檢測機構進行設計。為提高光源透射樣品的能量分布均勻性，選用2個LED面光源作為馬鈴薯黑心病檢測的透射光源，取馬鈴薯塊莖左下方和右下方兩部分區域為光源入射點。

為使光源發光能量的利用率達到最大，且盡量減少光源漏光，將光源位置設置在馬鈴薯塊莖與承托槽相切切點的位置上，并假設不同尺寸的馬鈴薯塊莖的擬合圓共有同一條外切線，因此光源位置可以根據馬鈴薯尺寸的變化在該切線位置上進行調節。如圖3所示，兩個光源的位置A1（A2）和B1（B2）由2個因素決定：1）為被測馬鈴薯塊莖樣品的側面擬合圓半徑；2）為與樣品擬合圓的切線相對應的半徑法線O1A1（O2A2）和豎直中心線l的夾角α值的大小。在該透射式檢測機構中，α的取值范圍為0～90°，α為0°時樣品擬合圓的切線與中心線l垂直，為90°時樣品擬合圓的切線與中心線l平行。

在多光源的透射式光學檢測機構中，光源與樣品的相對位置會影響光源能量在樣品中的分布，從而影響檢測結果的準確性。馮尚坤等[29]在進行基于透射式可見/近紅外光譜檢測蘋果內可溶性固形物成分的研究時，分析比較了不同光源擺放形式下的檢測結果，發現光源與檢測探頭之間的夾角越小，且為多光源組合時的光照模式最佳。因此在本文中，α角度值越大，光源在樣品中的能量分布越均勻，越有利于獲得高質量的馬鈴薯塊莖樣品透射圖像。

同時，在相同α角度下，大尺寸馬鈴薯塊莖的中心比小尺寸馬鈴薯塊莖的中心在承托槽上的相對位置更高。根據三角函數公式，在圖3中，由于

式中O1M為任一半徑大于最小半徑的馬鈴薯塊莖擬合圓圓心O1到切線交點M的距離，mm；O2M為最小半徑的馬鈴薯塊莖擬合圓圓心O2到切線交點M的距離，mm；O1O2為2個擬合圓的圓心距，mm；O1A1為圓心O1到切點A1的距離，mm；O2A2為圓心O2到切點A2的距離，mm；r1為任一尺寸的馬鈴薯塊莖的半徑，mm；r2為最小尺寸的馬鈴薯塊莖的半徑，mm；α為與樣品擬合圓的切線相對應的半徑法線O1A1（O2A2）和豎直中心線l的夾角，(°)。其中r2=20.0 mm。

圖3 光源位置設計Fig.3 Design of light source position

由此得到擬合圓O1到擬合圓O2上最低點C2的距離

式中O1C2為任一尺寸的馬鈴薯塊莖的中心到最小擬合圓尺寸的馬鈴薯塊莖底端的距離，mm；O2C2為最小半徑的馬鈴薯塊莖的中心到底端的距離，mm；O1O2為2個擬合圓的圓心距，mm。

從式（2）中可以看出，O1C2由夾角α值和該馬鈴薯的擬合圓半徑r1決定。當r1一定時，α越小，O1C2越小，馬鈴薯樣品的擬合圓心O1相對于最低點C2的高度差越小。同理，當α角度越大，O1C2的值越大，此時不同尺寸的馬鈴薯塊莖樣品到機器視覺成像裝置的距離的差別更大，不利于光源能量的充分利用。因此，本文中α角度適當減小有利于提高不同樣品檢測時的光源能量利用率。

本文令夾角α的值為45°，此時，2個光源在樣品中的能量分布均勻性以及樣品擬合圓心相對最小尺寸樣品（r2=20.0 mm）底端的高度差在理論上達到了一個協調的狀態，得到承托槽的結構如圖4所示。圖4a中夾角β值的大小為45°，線段BC和EF分別為任意尺寸馬鈴薯擬合圓的外切線，圓弧︵CE設計為承托槽的底面，根據尺寸最小的馬鈴薯擬合圓得到，其半徑為20.0 mm；圓弧︵AB和︵FG根據尺寸最大的馬鈴薯擬合圓得到，其半徑為50.0 mm；三段圓弧分別與兩段切線在交點處相切。圖4b為根據該結構所作的機械結構示意圖，P為相應的光源位置調節軌道。

圖4 馬鈴薯塊莖承托槽設計Fig.4 Design of supporting groove for potato tuber

在該結構的承托槽上，可用于檢測擬合圓直徑范圍為40.0～100.0 mm的馬鈴薯塊莖樣品；兩個光源的位置可根據被測樣品的尺寸范圍分別在BC段和EF段進行調節，使得光源位于樣品與承托槽的切點上。根據公式（2），馬鈴薯塊莖擬合圓半徑為50.0 mm時，其圓心O′到承托槽最低點D的距離O′D=62.43 mm；當擬合圓半徑為20.0 mm時，其圓心O到承托槽最低點C的距離OC= 20.0 mm。該結構下馬鈴薯塊莖擬合圓圓心相對承托槽最低點的高度變化范圍為20.0～62.43 mm。

另外，在承托槽上，為了提高光源能量的利用率，將面光源的出光孔直徑設計為15.0 mm。圖5所示為承托槽光源相對馬鈴薯塊莖擬合圓的位置示意。圖中N為光源A0B0的中點，且為樣品擬合圓在承托槽上的切點。

光源上半段A0N在水平線上的投影ED與擬合圓O0水平方向的半徑FO0的位置關系如公式（3）所示

式中FO0為擬合圓O0在水平方向的半徑，mm；FE為光源上端點A0在FO0上的投影點到擬合圓O0左端點F的距離，mm；r表示擬合圓O0的半徑，mm；θ為與樣品擬合圓的切線相對應的半徑法線O0N和豎直中心線l的夾角，(°)。其中θ=45°。

圖5 承托槽光源相對馬鈴薯塊莖擬合圓的位置示意圖Fig.5 Schematic diagram of light sources’ position of supporting groove relevant to potato tuber fitting circle

由此得到光源上端點A0與馬鈴薯擬合圓左端點F的相對位置如公式（4）所示

當FE＞0時，樣品擬合圓半徑r＞18.12 mm。本文中用于黑心病檢測的馬鈴薯樣品最小半徑為20.0 mm，滿足該區間要求。此時，光源入射到被測馬鈴薯樣品上的能量可以充分應用于樣品透射，可減少光源漏光以及能量浪費和干擾，保證了所采集的透射圖像的亮度分布均勻性。

當所檢測的馬鈴薯塊莖樣品側面擬合形狀為橢圓時，根據數理學統計，幾種主要品種馬鈴薯塊莖的擬合高度H與擬合寬度W的比值范圍為0.6～1.0[30]。如圖6所示，分別為圓擬合和橢圓擬合馬鈴薯樣品，圓擬合樣品的半徑長度與橢圓擬合樣品的長半軸長度相同。從圖中看出，隨著橢圓擬合的馬鈴薯塊莖的短軸與長軸的比值變小，其中心到承托槽最低點的距離OminD2減小，此時擬合橢圓Omin與承托槽兩側切點N0的位置相對于擬合圓Omax的切點N的位置抬高。因此，將本文根據圓擬合樣品所設計的檢測機構用于橢圓形馬鈴薯塊莖樣品的檢測時，樣品同樣可以獲得分布均勻的光源能量，且其中心位置相對于承托槽底面的高度變化范圍在圓擬合樣品中心的高度變化范圍內，可以保證圖像采集時的光源能量利用率的提高。

圖6 圓擬合和橢圓擬合的馬鈴薯塊莖樣品參數比較Fig.6 Parameters comparison between fitting circle and fitting ellipse of potato tuber

3 性能試驗設計及分析

3.1 樣品準備

試驗所用馬鈴薯品種為克新四號，樣品表皮新鮮，表面無機械損傷，無病蟲害。根據馬鈴薯黑心病生成的原理對樣品進行處理。馬鈴薯塊莖在高溫缺氧的環境下容易產生黑心病，在制作黑心病時，首先將樣品使用自封袋單個封裝，封裝時排掉袋中多余的空氣，然后放入恒溫箱中貯存，恒溫箱的溫度被設定為37 ℃，處理24 d后取出。

取79個樣品（50個正常樣品，29個制作的黑心病樣品）進行試驗。使用精度為0.01 mm的游標卡尺測量樣品的尺寸，統計結果如表1所示。從表中可以看出，所選樣品的尺寸分布范圍比較均衡，形態特征包括橢圓擬合體和圓擬合體。

表1 馬鈴薯塊莖樣品尺寸統計結果Table1 Statistical result of potato tuber samples’ sizes

3.2 試驗儀器

本文使用試制的檢測機構進行試驗。所用光源為兩個中心波長是705 nm的LED圓形面光源，功率均為50 W，光源在承托槽上的出光位置可以沿調節軌道進行調節。采用Mako G-125B黑白相機采集樣品的透射圖像，相機的分辨率為1 292×964像素，相對檢測機構的安裝高度為200 mm。使用Matlab R2012a軟件進行圖像處理和數據分析，從而評價所設計檢測機構的工作性能。

3.3 試驗方法

首先使用本文設計的檢測機構進行多點透射（multipointtransmission，MT）模式（圖7a所示）下的試驗，依次采集79個馬鈴薯樣品的透射圖像，試驗中根據樣品尺寸調節檢測機構上光源的位置。然后，為比較該機構透射光源的能量在樣品中的分布均勻性，進行單點透射模式（single-point transmission，ST）下的試驗，光源位置如圖7b所示，將兩個光源并排組合置放在水平面上，使其位于相機視野的豎直中心下方，調節相機和光源的相對高度與多點透射模式時一致。由于黑心馬鈴薯發生病變，內部組織的密度不均勻，且不同樣品發生黑心病變的部位各有不同，對光源能量在組織內部的正常傳播造成干擾，不利于光源透射均勻性的分析，因此只依次采集50個正常樣品的透射圖像用于分析。

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

對所采集的圖像分別在Matlab軟件中進行去背景處理，提取出馬鈴薯目標圖像。根據公式（5）計算馬鈴薯目標圖像的灰度平均值。

式中AVG表示灰度平均值；pixel(i, j)表示馬鈴薯目標區域每個像素點的灰度值，其中i和j分別為圖像上橫向和縱向的像素點坐標；N表示圖像上馬鈴薯目標區域的像素點總數。

以所得灰度平均值AVG為閾值對每幅圖像進行二值化處理，并以所得二值圖像為掩膜提取馬鈴薯圖像的高灰度區域。對所得的圖像按公式（5）分別計算目標區域的灰度平均值。然后按照公式（6）計算灰度平均值的相對比值。

式中RT表示灰度平均值的相對比值；AVG0和AVG1分別表示馬鈴薯原目標圖像和二值化掩膜圖像的灰度平均值。

3.4 結果及討論

對所采集的79個馬鈴薯樣品（50個正常樣品，29個黑心樣品）圖像進行處理之后，所得結果如圖8所示。從圖中可以看出，ST模式采集的正常樣品圖像灰度分布不均勻，中心較四周邊緣更亮；MT模式下的正常樣品圖像灰度分布相對更均勻，黑心樣品的圖像灰度分布不均勻，灰度值低的區域對應于內部發生黑心病變的區域。根據公式（5）分別計算所有樣品圖像中馬鈴薯原目標圖像和二值化掩膜圖像的灰度平均值，并按照公式（6）計算灰度平均值的相對比值，圖9所示為樣品的灰度平均值的相對比值統計坐標圖。

圖8 兩種透射模式下的馬鈴薯樣品原圖像及二值化掩膜圖像Fig.8 Images of potato samples and after binarization and masking under two transmission modes

圖9 樣品圖像的灰度平均值比例Fig.9 Grayscale distribution of sample images under two transmission modes

根據圖9可以看出，三類樣品的灰度平均值相對比值RT存在明顯的分布區間，其中正常樣品在MT模式所采集的數據，分布范圍為0.012～0.250；正常樣品在ST模式所采集的數據，分布范圍為0.210～0.497；黑心樣品在MT模式所采集的數據，分布范圍為0.204～0.433。取ST模式和MT模式下正常樣品RT值的重合點以及重合區間等分點為分類閾值，分析兩種模式下樣品的分類正確率以及分類總正確率，結果如圖10a所示。同樣，取MT模式下正常樣品和黑心樣品RT值的重合點及重合區間等分點為分類閾值，分析兩種樣品的分類正確率及總正確率，結果如圖10b所示。

圖10 樣品的最佳分類閾值分析Fig.10 Analysis of samples’ optimal classification threshold

從圖10a中可以看出，當分類閾值為0.216時，正常樣品在ST和MT模式下的分類正確率均為98%，且總正確率達到最大，為98%，因此取0.216為最佳分類閾值。在圖10b中，當分類閾值為0.220時，MT模式下正常樣品和黑心樣品的分類正確率分別為98%和96.6%，此時總正確率最大，為97.5%，因此取0.220為最佳分類閾值。

以上分析結果表明，該檢測機構能夠用于馬鈴薯黑心病的檢測，為在線加工中的原料薯品質檢測裝置的設計提供了參考。檢測中由于馬鈴薯形狀不規則等因素所造成的漏光或圖像灰度不均勻等問題，可以通過提高圖像處理算法的處理精度進行改善；同時增加預測參數，進一步提高黑心病判斷結果的可靠性。

4 結 論

本文為適應工業生產中馬鈴薯在線品質檢測需求，基于馬鈴薯塊莖的光透射特性設計了馬鈴薯黑心病的檢測機構。

1）通過分析馬鈴薯的外形和尺寸特征，將馬鈴薯塊莖側面形狀擬合為圓，設計了樣品擬合直徑范圍為40.0～100.0 mm時光源單元和承托槽的結構；檢測機構上光源的位置可以根據被測馬鈴薯塊莖樣品的尺寸進行調整。

2）通過數學計算，確定了當擬合圓切線的法線與豎直中心線的夾角為45°時，圓心相對承托槽底部的高度變化范圍為20～62.43 mm，光源能量可被更充分的應用于樣品的透射，提高了光透射的均勻性，并且盡量減少了樣品邊緣處的光能量泄漏。

3）針對一些側面擬合形狀為橢圓的馬鈴薯塊莖樣品，分析了其與承托槽的切點位置及其中心的高度變化范圍。通過和圓擬合樣品比較，確定了上述指標均在圓擬合樣品的范圍內，應用該檢測機構可以采集橢圓形狀擬合的馬鈴薯樣品透射圖像。

4）經試驗驗證，在相同光源功率的條件下，使用該檢測機構（多點透射模式）檢測正常樣品和單點透射模式下檢測正常樣品時灰度平均值相對比值的分類閾值為0.216，此時樣品的判斷正確率均為98%，小于該閾值的樣品數據為該檢測機構獲得，表明該檢測機構成像具有更好的灰度均勻性；另外，該檢測機構檢測正常樣品和黑心樣品的分類閾值為0.220，此時正常樣品和黑心樣品的判斷正確率分別為98%和96.6%，大于該閾值的樣品為黑心樣品，表明該檢測機構可用于檢測黑心馬鈴薯樣品。該機構為馬鈴薯黑心病檢測機構的設計提供了參考。

[1] 孫東升. 中國馬鈴薯加工業現狀和發展趨勢[J]. 農業展望，2009，5(11)：20－22.

[2] 孟令文. 馬鈴薯黑心病的發病條件及安全貯藏技術[J]. 園藝與種苗，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，黃文倩，陳全勝，等. 蘋果腐心病的透射光譜在線檢測系統設計及試驗[J]. 農業工程學報，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，謝錦春，韓東海，等. 水果內部品質在線近紅外分析儀的研制[J]. 現代科學儀器，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] 胡鵬程，孫曄，吳海倫，等. 高光譜圖像對白蘿卜糠心的無損檢測[J]. 食品科學，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] 張嬙，潘磊慶，吳林蔚，等. 利用反射和半透射高光譜圖像檢測水蜜桃早期冷害[J]. 食品科學，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，麻碩士. 基于機器視覺的馬鈴薯單薯質量檢測技術研究[J]. 農機化研究，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] 申曉彥，王鑒. 用于視覺檢測的光源照明系統分析[J]. 燈與照明，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] 徐惠榮，應義斌. 近紅外圖像和光譜分析技術在農產品品質無損檢測中的應用與展望[J]. 浙江大學學報：農業與生命科學版，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，顏伊蕓，等. 基于高光譜圖像和光譜信息融合的馬鈴薯多指標檢測方法[J]. 農業工程學報，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，陶海龍，高海龍，等. 馬鈴薯缺陷透射和反射機器視覺檢測方法分析[J]. 農業機械學報，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，趙武云，吳建民，等. 切片造型技術在農產品有限元分析中的應用[J]. 中國農機化學報，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] 鄭冠楠，譚豫之，張俊雄，等. 基于計算機視覺的馬鈴薯自動檢測分級[J]. 農業機械學報，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. 加工用馬鈴薯油炸[S].

[28] 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]. 農業工程學報，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] 馮尚坤，徐海菊. 基于可見/近紅外光譜無損檢測蘋果可溶性固形物的光照優化[J]. 食品工業科技，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] 劉春香. 馬鈴薯塊莖外形與力學流變學性質研究與應用[D].哈爾濱：東北農業大學，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，彭彥昆，魏文松，鄭曉春，王文秀. 基于機器視覺的馬鈴薯黑心病檢測機構設計與試驗[J]. 農業工程學報，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

國家重點研發計劃課題（2016YFD0400905）

田 芳，女（土家族），湖北人，博士生，主要從事農畜產品質安全無損檢測研究。北京 中國農業大學工學院，100083。

Email：tianfang@cau.edu.cn

※通信作者：彭彥昆，男（漢族），山東人，教授，博士生導師，主要從事農畜產品品質安全無損檢測研究。北京 中國農業大學工學院，100083。Email：ypeng@cau.edu.cn