高光譜相機檢測綠皮馬鈴薯

本研究應用400-1000nm的高光譜相機，可采用杭州彩譜科技有限公司產品FS23進行相關研究。光譜范圍在400-1000nm，波長分辨率優于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區域波段選擇）。

隨著我國馬鈴薯主糧化戰略的推進，馬鈴薯相關產業鏈得到了迅速發展，馬鈴薯品質問題也成為關注的熱點問題。但綠皮、機械損傷等缺陷馬鈴薯嚴重影響了馬鈴薯的整體品量，尤其是綠皮馬鈴薯外形復雜、缺陷不易識別更增加了檢測難度。同時綠皮馬鈴薯龍葵素含量若超出了食用標準，食用后會導致食物中毒而造成食品安全問題。因此，研究快速無損的綠皮馬鈴薯檢測方法對馬鈴薯深加工和延長產業鏈具有重要意義。

高光譜成像技術具有波段范圍廣，且能同時獲取被測樣本對應波段范圍內的圖像和光譜信息的優勢，因此在農產品快速無損檢測中得到廣泛應用。針對任意放置姿態下且輕微綠皮馬鈴薯不易識別的問題，本文分別采用半透射與反射高光譜成像技術進行比較分析，并確定不同高光譜成像方式下的模型識別精度。采集馬鈴薯樣本任意放置姿態下的半透射高光譜和反射高光譜圖像，分別建立基于圖像信息與光譜信息的檢測模型，比較不同模型識別率。進一步建立圖像和光譜融合或不同成像方式融合模型提高模型性能，最終確定**模型。

（1）比較了不同高光譜成像方式的圖像信息識別模型的精度。采用半透射圖像信息建立的等距映射結合深度信念網絡模型識別率最高僅達到78.67%；采用反射圖像信息建立的**方差展開結合深度信念網絡模型識別率最高僅達到77. 33%。結果表明，采用單一圖像信息對輕微綠皮馬鈴薯檢測的精度不高。

（2）比較了不同高光譜成像方式的光譜信息識別模型的精度。采用半透射光譜信息建立的局部切空間排列結合深度信念網絡模型識別率最高為93.33%；采用反射光譜信息建立的局部切空間排列結合深度信念網絡模型識別率最高為90. 67%。結果表明，采用單一光譜信息對輕微綠皮馬鈴薯檢測是可行的，但識別率有待進一步提高。

（3）比較了3種多源信息融合方式對識別精度的影響。半透射圖像和半透射光譜、反射圖像和反射光譜、半透射光譜和反射光譜3種融合模型精度較單一圖像或者光譜模型均有提高，且半透射光譜和反射光譜的深度信念網絡融合模型**，對校正集和測試集識別率均達到100%。結果表明，半透射光譜和反射光譜的融合模型可實現輕微綠皮馬鈴薯的無損檢測。