馬鈴薯外部品質分級方法綜述

姜宏， 于永波， 章翔峰， 陳宇彤

(新疆大學機械工程學院， 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，富含營養，由馬鈴薯作為原材料可以加工出許多美味的食物。馬鈴薯深受各國民眾的喜愛，它提供的纖維、維生素、礦物質等可以幫助人類抵御疾病，有益于人類健康[2]。中國是馬鈴薯種植大國，卻不是馬鈴薯銷售強國[3]。其中一個重要原因就是在大批量的馬鈴薯收獲后，外部品質參差不齊的馬鈴薯未能按照某一指標進行分級，繼而不能獲得最大的經濟效益[4]。隨著人類直接消費和食品加工對馬鈴薯外部品質的要求不斷升高，馬鈴薯的外部品質分級就顯得至關重要[5]。同時，馬鈴薯分級是馬鈴薯產后的一個重要環節，通過對馬鈴薯進行分級包裝、分級貯藏、分級定價、分級加工，從而解決馬鈴薯的價格與其品質不對等的問題[6]。因此，基于外部品質的分級在馬鈴薯的包裝、銷售和二次加工中有著重要作用。

目前，馬鈴薯的外部品質分級研究主要分為人工分級、機械分級和基于機器視覺分級3種方法[7]。人工分級作為最早采用的分級方法一直沿用至今，人工分級方法勞動力成本高、效率低下、分級標準模糊，主觀性強。隨著馬鈴薯的分級需求不斷增長，人工分級早已不能滿足要求[8]。機械分級方法相比人工分級方法提高了分級效率，但只是針對馬鈴薯的單一大小特征進行分級，且在分級過程中會不可避免地出現二次損傷現象[9]。目前，關于機械分級的研究主要集中在研制不同類別的機械分級機，設計改進其主要工作部件，優化零件的重要參數，使分級效率達到最優，同時盡可能降低分級過程中所帶來的二次損傷[10]。機器視覺分級方法具有經濟性、客觀性、高指標性的優點，是近幾年的研究熱點[11]。相關研究主要聚焦在針對馬鈴薯的大小特征、形狀特征和缺陷特征開展[12]。大小特征分級主要利用馬鈴薯的簡單幾何特征(周長、面積、長短軸直徑和體積等)和深度圖像進行分級。形狀特征分級主要采用簡單幾何特征法、傅里葉形狀描述子法、區域不變矩法和三維重建法。對于缺陷特征分級，現有的研究主要針對某一特定缺陷自身特點，結合機器學習算法提取特征，或利用深度學習自動學習缺陷特征，構建分類模型進行分級。

目前，關于馬鈴薯外部品質分級的研究有很多，采用的方法也各不相同，但卻缺少對馬鈴薯外部品質分級方法的系統性梳理。針對這一現狀，總結現有研究成果的外部品質分級方法，分析人工分級、機械分級和機器視覺分級所采取的手段，總結3種方法存在的優缺點。最后指出機械分級和機器視覺分級的研究趨勢，為馬鈴薯外部品質的分級提供新的研究思路。

1 人工分級

早期馬鈴薯的分級都采用人工分級的方式，這種分級方式雖然簡單直接，但是需要操作者手動分級。手動過程非常繁瑣、費力、勞動力成本高、效率低下，只適用于小批量分級[13]。且人工分級沒有精細的判別標準，無法精確區分不同級別的馬鈴薯，受操作者主觀因素影響大[14]。

2 機械分級

隨著科技的進步，馬鈴薯的分級都采用通用式果蔬分級設備，但是仍然無法滿足實際需要，分級精度和分級效率仍然達不到要求[15]。人們迫切需要專用的馬鈴薯分級機械裝置來滿足日益增長的馬鈴薯分級需求。

馬鈴薯機械分級機可分為網眼式分級機和輥桿式分級機[16]。網眼式分級機憑借其精準的網眼可以實現精確分級，應用非常廣泛。輥式分級機通過調節相鄰輥桿的間距，從而完成不同大小的馬鈴薯分級。

2.1 網眼式分級機

2.1.1 振動網篩式分級機

劉洪義等[17]設計的馬鈴薯分級機，利用篩片多層振動完成分級，篩片可根據不同的分級要求更換。德國GRIMME公司生產的WG900網眼式分級機通過精確尺寸的橡膠網格篩孔和多臺網格分級機前后相連可同時分選出不同規格的馬鈴薯[18]。圖1所示為WG900網眼式分級機。

圖1 WG900網眼式分級機[18]Fig.1 WG900 mesh type grading machine[18]

網眼式分級易出現馬鈴薯卡頓在網眼上,會使得后落入網眼的馬鈴薯得不到分級。不同的網眼大小可將大小相近的馬鈴薯歸類，但是網眼式分級級別不易更改，分級效率也不高。

2.1.2 滾筒式分級機

滾筒式網眼分級機是由滾筒、機架、上料裝置、出料口和電動機組成。馬鈴薯進入滾筒后，靠滾筒旋轉的離心力來篩分馬鈴薯，經由出料口完成分級。

滾筒式分級機在旋轉過程中容易對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標準，只能拆卸原有滾筒，更換合適的滾筒孔徑，進而完成分級。

2.2 輥桿式馬鈴薯分級機

申屠留芳等[19]設計的馬鈴薯分級機是一種簡易輥桿式馬鈴薯分級機，它主要是由上料裝置、分選裝置、出料口組成，如圖2所示。當分級機進行工作時，進入分級機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前進，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個等級。

圖2 簡易輥桿式分級機[19]Fig.2 Simple roller type grading machine[19]

姜彥武等[20]設計了一種可調的輥式分級機，通過調節輥桿之間的距離來進行分級。劉少達等[21]設計了一種中心距可調的動輥桿和定輥桿相組合的馬鈴薯分級機。通過分析分級過程中馬鈴薯的受力情況，發現鏈條傳送速度過快會造成馬鈴薯相互碰撞，產生二次損傷，分級效果不佳。因此，合理的分級運行速度就顯得至關重要。呂金慶等[22]設計了一種差動分級裝置，通過改變提升角的大小來設定不同的分級范圍，實現了連續分級。研究表明，該裝置提高了分級效率和分級精度。張永志等[23]為了解決機械分級中產生的二次損傷問題，改進輥桿材料與形狀，設計了一種輥式尼龍刷馬鈴薯分級機。研究表明，分級過程中降低了馬鈴薯的損傷率，分級精度得到了提高。但是必須要嚴格控制電機轉速和輥組傾角等，分級機的效率才會達到最優。

綜上，對于輥桿式馬鈴薯分級機，必須要合理確定分級機輥子直徑、輥子轉速、輥子間隙、輥子組數等重要參數。輥桿間縫隙變化的穩定程度及如何降低馬鈴薯在輥桿間運動的損傷程度是目前亟需解決的問題。

機械分級相比人工分級，省工省時，減輕了勞動強度，提高了工作效率。但是機械分級方法的缺點也很明顯。

(1)馬鈴薯在分級過程中不可避免地會出現不同程度的二次損傷，損傷的表面暴露在空氣中會進一步惡化，最后發展成黑斑，給馬鈴薯增添新的缺陷。

(2)利用機械裝置分級基本都針對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生錯誤分級。

(3)在馬鈴薯的生長過程中，很容易產生蟲咬、綠皮等缺陷，這些有缺陷的馬鈴薯經過機械分級后會混雜在分級好的馬鈴薯當中，這在一定程度上降低了馬鈴薯的整體品質。

3 機器視覺分級

過去幾年，關于馬鈴薯外部品質分級的研究取得了很大的進步，主要是由于機器視覺的快速發展。機器視覺技術在檢測馬鈴薯外部品質方面具有客觀性、經濟性和高指標性等優點[11]。同時，基于機器視覺的分級方法還可以避免機械分級所帶來的二次損傷。現階段相比于機械分級方法，機器視覺分級可以不光局限于馬鈴薯的單一大小特征進行分級，還可以針對馬鈴薯的形狀特征和缺陷特征來分級[24]。按照大小特征、形狀特征和缺陷特征分類，機器視覺分級方法可按照如圖3所示的方式進行分類。

圖3 機器視覺方法分類[24]Fig.3 Classification of machine vision methods[24]

3.1 基于大小(質量)特征的馬鈴薯分級

利用機器視覺對馬鈴薯按照大小特征分級，幾何特征方法都是首先采集馬鈴薯的單幅或多幅圖像，而后對采集到的圖片進行預處理操作[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、長軸直徑、面積、周長、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量相關性，進而完成馬鈴薯的質量分級。深度圖像法則是通過獲取的圖像深度信息構建馬鈴薯三維模型，通過構建的三維模型預測馬鈴薯的大小。

3.1.1 幾何特征法

鄭冠楠等[26]將馬鈴薯的最長軸長度作為分級特征，根據所設定的閾值將馬鈴薯大小分為4個等級。研究表明，分級準確率在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，最終選用馬鈴薯的俯視圖面積和側面積，建立了單個馬鈴薯的質量模型。研究表明，該模型對馬鈴薯質量的分級正確率較高。林澤鴻[28]提出了基于最大橫切面積的馬鈴薯大小分級，首先計算出馬鈴薯的最大橫切面積，然后和已經設定好的閾值作比較，將馬鈴薯分為4個等級。研究表明，該方法的分級準確性達到了92.5%。孔彥龍等[29]將馬鈴薯的面積和周長作為分級特征，實現對馬鈴薯的質量分級。研究表明，該模型的準確率可達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，對馬鈴薯按照大小分級的準確率穩定在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用于馬鈴薯質量分級，該方法特別適用于形狀不規則的馬鈴薯樣本分類。研究表明，體積與質量密切相關，利用該體積預測模型對馬鈴薯進行質量分級的成功率達90%。馬鈴薯質量與面積和周長都具有很高的相關性，王溯源[32]通過實驗發現，單角度測量面積法存在著質量誤差較大的缺點。若是采用三角度測量面積來預測馬鈴薯質量，其預測準確性將得到很大的提高。

3.1.2 深度圖像法

Su等[33]使用兩個深度圖像構建3D馬鈴薯表面模型，使得馬鈴薯體積計算的精度更高。研究表明，體積與質量的相關性更高，使用該體積密度模型對馬鈴薯大小分級的成功率達到了93%。Su等[34]開發了一個馬鈴薯自動分級系統，以深度成像系統作為數據收集器，并應用卷積神經網絡進行馬鈴薯外部品質分級。研究表明，總體質量分級準確率為86.6%。

綜上，基于機器視覺的馬鈴薯質量分級借助馬鈴薯的直徑、周長、面積和體積特征參數達到了較高的準確率。近年來，又出現了利用深度相機的深度圖像構建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確地表達出馬鈴薯的所有特征信息。因此，對馬鈴薯表面進行三維重建，獲取三維信息，將會得到更加精確的質量預測模型。但是，獲取深度圖像的深度相機價格昂貴，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據量提升對數據處理、計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

馬鈴薯有很多可能的形狀，它們的形狀受到生長環境的影響，造成各種各樣的邊界不規則。形狀對于二次加工有著重要意義。目前在基于機器視覺的馬鈴薯形狀檢測研究中，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。采用主成分分析方法分析圖像特征參數與馬鈴薯形狀之間的關系，構建馬鈴薯形狀預測模型。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。研究表明，分級準確率在88%以上。鄧立苗等[36]通過計算橢圓度來估計形狀。研究表明，所提出的分級算法對形狀的檢測正確率為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規則。研究表明，該方法以較高準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，然后在支持向量機上進行訓練，建立馬鈴薯形狀判斷模型。研究表明，各形狀的馬鈴薯預測準確率均在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檢測。研究表明，該檢測系統對馬鈴薯的形狀分級精度達到了89%。湯哲君等[40]提出基于極半徑的傅里葉描述子算法，利用歐式距離對馬鈴薯的形狀進行分級。研究表明，該方法能夠較好地描述馬鈴薯的形狀特征，分級效果良好。崔建麗等[41]提出基于邊界點的矩特征傅里葉描述子的馬鈴薯薯形識別方法。研究表明，該方法對經過平移、旋轉的馬鈴薯圖像分級具有很好的魯棒性，最終將馬鈴薯分為橢圓、圓和畸形三類，其準確率都在90%以上。

3.2.3 區域不變矩法

孔彥龍等[29]將馬鈴薯俯視圖像的6個不變矩作為分級特征輸入到BP神經網絡中。研究表明，形狀分級正確率為96%。郝敏等[42]將Zernike矩作為形狀分級的特征參數，并用支持向量機將馬鈴薯的形狀分為良好和畸形兩類。研究表明，良好和畸形的分級正確率達到了93%和100%。崔勝春[43]推導出改進的基于圖像邊緣的不變矩來作為馬鈴薯的形狀分級特征，實驗發現,利用圖像的邊緣矩能減小算法運行時間，提高實時性能，分級準確率可達95%。Azizi[44]提出一種結合幾何參數和傅里葉描述子的方法專門檢測畸形馬鈴薯，使用主成分分析法(principal component analysis, PCA)選擇7個最突出的特征。研究表明，該方法僅選取7個特征即可獲得較高的正確率，對訓練集的平均正確率為98%。

簡單幾何特征法、傅里葉形狀描述子法、區域不變矩法都是常用的馬鈴薯形狀分級方法。馬鈴薯的形狀在生長過程中容易受到外界的影響，其形狀復雜，只用幾個簡單的幾何特征無法來判定形狀復雜的馬鈴薯。并且當同一幅圖像發生旋轉、縮放等情況時，其幾何參數都將會發生改變。傅里葉形狀描述子法對圓形、橢圓形馬鈴薯效果良好，但是同樣對形狀復雜的畸形馬鈴薯就不適用了。區域不變矩法由于對經過平移、旋轉、縮放的圖像具有很高的魯棒性，應用廣泛。

3.2.4 三維重建法

目前針對馬鈴薯形狀特征的分級大都集中在二維層面。近年來，開始出現了在三維層面對馬鈴薯分級的研究。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，構建出馬鈴薯的三維模型，達到了馬鈴薯快速、精確的三維重建要求。研究表明，該方法應用于馬鈴薯形狀檢測的精度達到98%。

基于形狀特征的分級在二維層面已相對成熟，但在三維層面的研究相對缺乏[46]。對馬鈴薯進行三維重建，可以提供高度準確的馬鈴薯體積測量，可以依據更加精確的體積參數對馬鈴薯進行分級[47]。

3.3 基于缺陷特征的馬鈴薯分級

馬鈴薯有綠皮、蟲眼、機械損傷、畸形、發芽等外部缺陷[48]。根據不同的缺陷類別對馬鈴薯進行分級，可以進一步提高馬鈴薯的利用率。現有的研究主要針對某一缺陷類型進行檢測[49]，獲得了多種檢測方法。基于缺陷的馬鈴薯分級可分為傳統方法、機器學習方法和深度學習方法。

3.3.1 傳統方法

傳統方法從缺陷的顏色、面積和幾何形狀特征出發，對馬鈴薯實現分級。Tao等[50]提出了一種綠皮馬鈴薯和正常馬鈴薯的分級方法。使用HSL(色調、飽和度和亮度)顏色空間，通過用色調直方圖表示特征并應用多變量判別技術，視覺系統在分級時達到了90%以上的準確率。周竹等[30]根據不同缺陷的特點，分成3類缺陷。用面積來識別第一類缺陷(空洞、蟲眼)，用外接矩形的最大對角線長度來識別第二類缺陷(機械損傷)，用交叉法來識別第三類缺陷(發芽、畸形)。研究表明，3類缺陷馬鈴薯的識別率都達到了90%以上，其中第三類缺陷的識別率最高。李錦衛等[51]提出將缺陷區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別缺陷。研究表明，正確識別率為93.6%，同時有少數樣本不能正確分類，且該實驗僅針對黃色薯皮的馬鈴薯。劉浩等[52]提出計算彩色圖像各個通道分量的平均值和目標圖像任一點上的差方值，進而得到標準差。小于閾值的點判定為缺陷點，并對馬鈴薯有缺陷部分的像素點連通區域進行標記。實驗采用1 000個實驗樣本，根據連通域的面積、數目和顏色分量來判定缺陷的類別。研究表明，該方法分級準確率較高。

可以看到，色調直方圖法、面積法、外接矩形法、灰度截留法和連通域法都以較高準確率完成了馬鈴薯的缺陷分級。但是，每種方法都是針對馬鈴薯的某一特定缺陷設計的，對實驗樣本的依賴性很高，都只能針對單一品種的馬鈴薯。實際上，馬鈴薯品種多樣，不同品種的馬鈴薯顏色和形狀差異較大，所得出的實驗參數也會不同。

3.3.2 機器學習方法

基于統計學的機器學習方法使馬鈴薯的分級更加準確、穩健，成本更低[53]。常用到的機器學習算法有：主成分分析法(principal component analysis, PCA)、線性感知機算法(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(support vector machine, SVM)等[54]。

向靜等[55]利用PLA識別綠皮缺陷、KNN識別發芽缺陷，最終實現馬鈴薯缺陷的分級。研究表明，兩種缺陷的馬鈴薯正確識別率都在90%以上。Dacal-Nieto等[56]設計了一種特別的遺傳算法，用于優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，實驗數據表明，3種類別的平均識別率為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別率。Noordam等[58]根據顏色缺陷進行分級，利用LDA和馬氏距離分類器將RGB像素分為6個不同的顏色類別。對5個馬鈴薯品種進行6個顏色類別的像素分類實驗，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方法，使用SVM將馬鈴薯分為3類。研究表明，該方法的分級準確率可達97. 67%。Xiong等[60]提出了一種基于SVM和PCA的馬鈴薯分類識別方法。該方法實現了對普通馬鈴薯、綠皮馬鈴薯、發芽馬鈴薯和機械損傷馬鈴薯的有效檢測和分類。綜合分類識別率達到96.6%。Er等[61]利用改進的模糊C均值算法成功地對馬鈴薯進行分級。將圖像采集設計與算法相結合，為馬鈴薯分級提供了一種新的方法。研究表明，對馬鈴薯的綠皮、裂紋和腐爛3種缺陷的分級準確率可達95%以上，但是一些沒有缺陷的馬鈴薯被錯誤分類了。

KNN、NB、LDA和SVM在馬鈴薯的分級中應用廣泛，而且都達到了很高的準確率。但是，機器學習算法眾多，每種算法都有各自的特點。對于KNN，若已知數據分布信息很少，便可以使用KNN，因為它不對數據做出任何假設。值得注意的是，KNN 通常需要大量的處理時間。NB算法適用于對數據分布和不同特征之間的相關程度有很強先驗知識的任務，但它對于不同特征的組合表現不佳。像NB一樣，LDA也適用于已知的數據分布，但它能夠學習不同特征之間的相互作用。K-means聚類在數據點明顯可分時效果很好，如果類別有重疊，則K-means 算法不適合。因此，根據每種算法的特點，將合適的算法應用于特定的場合就顯得至關重要。

3.3.3 深度學習方法

深度學習是一種最新的現代圖像處理和數據分析技術，具有良好的結果和巨大的潛力[62]。隨著深度學習在農業領域的成功應用，它最近也應用到了馬鈴薯分級當中[63]。目前，卷積神經網絡已開始出現在馬鈴薯缺陷分級中，但采用深度學習的方法仍然較少。

劉沖沖[64]設計了一個共有15層的卷積神經網絡，除輸入輸出層外，有7個卷積層，最后一層卷積層用來對數據進行降維，4個池化層，2個全連接層。并利用梯度下降算法優化識別網絡，研究表明，馬鈴薯缺陷識別率達到94.1%。楊森等[65]提出一種基于輕量卷積網絡的在線分級方法。首先建立馬鈴薯預訓練網絡模型；然后重新構建5類缺陷全連接層，并通過遷移學習在預訓練網絡模型上訓練馬鈴薯缺陷數據集。研究表明，訓練準確率最高可達98.88%。

深度學習提供了更好的性能并且優于其他流行的圖像處理技術。相比傳統方法，不需要人為手動設計特征，模型會自動學習出特征，其泛化能力更強。盡管深度學習比其他傳統方法需要更長的訓練時間，但其測試效率非常快。然而，使用深度學習的一個相當大的缺點是需要龐大的數據集作為訓練過程中的輸入，如果數據集太小，模型很容易就會發生過擬合[66]。

4 結論與展望

現階段馬鈴薯分級通常可分為人工分級、機械分級和基于機器視覺分級3種方法。人工分級非常普遍，這種方法的最大優點就是簡單直接，但是由操作者主觀來判斷類別，沒有精細的判別標準，主觀性太強。機械分級方法避免了人工分選時對馬鈴薯的模糊判別，同時提高了分級準確率和分級效率，節省了勞動力。但機械分級最大的弊端就是馬鈴薯在分級過程中不可避免地會出現不同程度的二次損傷。機器視覺檢測是一種典型的無接觸檢測，避免了機械分級帶來的二次損傷，同時又可進一步提高分級精度和分級效率，還可依據多種指標對馬鈴薯分級。各種分級方法的優缺點如表1所示。

對于機械分級方法，在原有不斷提高分級精度和分級效率的基礎上，需要在以下幾點有所突破。

(1)如何最大程度地減小馬鈴薯在分級過程中的二次損傷。

(2)擁有更加靈活的分級調節裝置，更加穩定的機械分級裝置性能。

(3)與機器視覺分級方法結合更加緊密。

對于機器視覺分級方法：

(1)基于大小和形狀指標的分級在二維層面已相對成熟，但在三維層面的研究相對缺乏。對馬鈴薯進行三維重建，可以提供高度準確的馬鈴薯體積測量，可以依據更加精確的體積參數對馬鈴薯進行分級。

(2)基于缺陷類別指標的分級，現有的機器視覺方案大多數針對某一種缺陷，對環境樣本依賴性強。未來，結合顏色和深度相機提供的3D形狀信息的4D模型將是馬鈴薯缺陷分級的新方法。

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

(4)目前，深度學習方法在現有馬鈴薯分級研究中使用較少。未來，深度學習方法在馬鈴薯的缺陷分級中有廣闊的應用前景，會出現更復雜的架構，將各種深度學習模型和分類器組合在一起，或者將手工設計的特征與自動提取的特征相結合，融合在一起以改善整體結果。另外，在原有提高分級準確率的基礎上，提高算法的實時性、魯棒性，增強模型的泛化能力是下一步的工作重點。

表1 馬鈴薯分級方法優缺點比較Table 1 Comparison of advantages and disadvantages of potato grading methods