马铃薯内外部品质的检测直接关系到其加工利用率和增值率,同时也是马铃薯工业化生产加工的首要步骤。近年来,虽然机器视觉和近红外光谱技术分别在马铃薯外部和内部品质检测和分级研究中取得了一定的进展,但还存在无法同时对马铃薯内外部品质同时进行检测的问题。针对这一问题,该文利用机器视觉技术和近红外光谱技术,研究了基于多源信息融合技术的马铃薯分级无损检测方法。试验以克新一号马铃薯为研究对象,对畸形、黑心、机械损伤、发芽和合格等5类不同内外部品质的样本进行分级检测研究,研究了多源信息融合技术检测马铃薯品质的图像和光谱特征提取方法以及融合方法,并最终建立了马铃薯分级融合模型。1)为有效的避免背景对马铃薯图像分割的干扰,该文提出了视觉显著性与色调维相结合的Saliency-H分割方法,并比较了其与灰度分割法和色调维分割法的分割效果。灰度分割法由于其无法分割出完整的马铃薯区域,故不适用于在线马铃薯图像分割,而色调维分割法和Saliency-H维分割法均能完整分割出马铃薯区域,其中Saliency-H维分割法在分割速度、数据压缩和马铃薯定位等方面较色调维分割法具有较大的优势,色调维分割法平均每幅图像耗时为551.7ms,而Saliency-H法减少了74ms,仅需477.7ms。2)针对马铃薯表面灰度不均匀,图像特征难以有效覆盖马铃薯样本集的问题,该文提出了灰度梯度与流形学习组合的方式提取马铃薯图像特征,比较了不同的图像特征组合方式对模型的影响。文中所采用的灰度梯度算法为Freeman链码和方向梯度直方图,流形学习算法为等距映射和主成分分析,在4种算法组合中,方向梯度直方图与主成分分析为最优组合,建模所需图像特征数量最少,仅需23维特征(10维方向梯度直方图特征与13维主成分特征),模型即可达到最优。3)建立了基于机器视觉技术的马铃薯分级检测模型。图像灰度梯度与流形学习特征不同的组合方式所建4个模型对马铃薯外部品质(畸形、机械损伤和发芽)的分级能力均高于内部品质(黑心),其中方向梯度直方图与主成分特征组合而成的图像特征所建模型最优,对畸形、机械损伤和发芽样本的识别率分别为93.75%、83.33%和95.45%,而对黑心和合格样本的识别率分别仅为77.27%和71.43%。4)建立了基于LabVIEW平台的马铃薯外部品质在线检测系统。以38个不同外部品质的马铃薯样本为检测对象,对长径、短径、高径、薯形(类圆、椭圆、长形)、畸形、机械损伤、发芽和合格8项外部品质指标进行检测,畸形、机械损伤、发芽和合格4项外部品质定性指标的识别率为89.47%,对类圆、椭圆和长形3类马铃薯的识别率为100%,对长径、短径和高径的检测最大误差分别为2.9mm,2.0mm和1.0mm,单幅图像平均耗时为100ms。结果表明该文提出的马铃薯图像分割算法、特征提取方法和模式识别方法可实现马铃薯外部品质多项指标的在线检测。5)比较了波段优选算法和流形学习算法的近红外光谱特征提取方法的优劣。文中所采用的波段优选算法为遗传算法和连续投影算法,流形学习算法为拉普拉斯特征映射法、核主成分分析和主成分分析,对于5种近红外光谱特征提取方法所建的马铃薯分级模型,利用主成分分析提取的近红外光谱特征所建模型最优,其最优预处理方法为MSC,最优主成分数量为20,模型对训练集的识别率为97.88%,对测试集的识别率为83.87%,结果表明对于马铃薯近红外光谱特征提取方法,流形学习算法优于波段优选算法,为一个近红外光谱马铃薯分级模型对马铃薯内部品质多项指标的同时检测提供了技术支持。6)建立了基于近红外光谱技术的马铃薯分级检测模型,波段优选算法和流形学习算法所建的分级模型对马铃薯内部品质(黑心和发芽)的识别率均高于外部品质(畸形和机械损伤),其中主成分特征所建模型最优,对黑心和发芽2类样本识别率较高分别为90.91%和95.45%,而对畸形、机械损伤和合格样本的识别率分别仅为75.00%、75.00%和76.19%。7)利用LabVIEW实现了近红外光谱技术的马铃薯分级检测系统软件,黑心、发芽和合格3项马铃薯内部品质的识别率达到95.45%。在算法执行效率方面,平均每条光谱的预处理耗时为3.4ms,20维主成分提取耗时为14.6ms,建模耗时5137ms,利用模型对单条光谱测试,平均耗时为15.0ms,可实现30条/s的检测效率,为一个近红外光谱模型在线检测马铃薯内部品质多项指标提供了技术支持。8)确定了多源信息融合技术检测马铃薯内外部品质的融合方法,比较了不同融合方法所建马铃薯分级检测模型的检测精度。以畸形、机械损伤、黑心和发芽和合格5类马铃薯样本为研究对象,建立马铃薯内外部品质多项指标的多源信息融合模型,决策层融合方面,采用机器视觉和近红外光谱所建支持向量机模型的概率输出为基本概率赋值函数,以DS证据理论为决策层融合方法,建立决策层融合模型,对训练集的识别率为100.00%,对测试集的识别率为93.55%；特征层融合方面,利用方向梯度直方图与主成分分析组合的方式提取图像特征,利用主成分分析提取光谱特征,将图像和光谱特征作为模式识别的输入,分别利用Adaboost和支持向量机建立特征层融合模型。AdaBoost所建模型对训练集的识别率为100.00%,对测试集的识别率为91.40%,支持向量机所建模型对训练集的识别率为100.00%,对测试集的识别率为95.70%。结果表明对于马铃薯内外部品质多项指标的检测,支持向量机特征层融合优于DS决策层融合,DS决策层融合优于AdaBoost特征层融合,那么,支持向量机特征层融合模型为最优的马铃薯分级融合模型。9)建立了基于多源信息融合技术的马铃薯分级检测模型,可实现一个融合模型同时检测马铃薯内外部品质多项指标。融合模型对畸形、黑心、机械损伤、发芽和合格样本识别率分别为100.00%、95.45%、91.67%、100.00%和90.48%,相对于机器视觉所建马铃薯分级检测模型,融合模型对畸形、机械损伤、黑心和发芽和合格5类马铃薯样本的识别率分别提高了6.25%、18.18%、8.34%、4.55%、19.05%,而对于近红外光谱所建马铃薯分级检测模型,融合模型对上述5类马铃薯样本的识别率则分别提高了25.00%、4.54%、16.67%、4.55%、14.29%。10)利用LabVIEW实现了多源信息融合技术的马铃薯分级检测模型,并对图像分割、图像特征提取、光谱预处理、光谱特征提取、相应指标测取等进行了测试,每个样本的平均总耗时低于140ms,能实现每秒7组图像和近红外光谱数据的处理速度。结果表明,基于多源信息融合的马铃薯分级检测模型的识别率优于单一的机器视觉或近红外光谱所建模型,为利用多源信息融合技术在线检测马铃薯内外部品质多项指标提供了技术支持。