基于高光谱图像分析的红皮马铃薯（Solanum tuberosum L.）外部缺陷检测

《Potato Research》：External Defect Detection of Red-Skin Potatoes (Solanum tuberosum L.) Based on Hyperspectral Image Analyses

本研究提出基于高光谱图像特征的红皮土豆外部缺陷检测方法，通过预处理、两阶段主成分分析（PCA）和Otsu算法分割ROI，并行提取HOG纹理特征和平均反射率，结合SVM和随机森林模型，验证SVM-图像特征组合最优，准确率达96.4%，证实高光谱技术适用于红皮土豆外部缺陷检测及智能化分拣集成

　　

摘要

高光谱技术是一种重要的手段，可以同时检测马铃薯的内部和外部缺陷以及其生物物理和化学性质，为实现综合检测提供了关键途径。然而，目前仍缺乏专门针对红皮马铃薯外部缺陷的高光谱图像检测方法。为填补这一空白，本研究提出了一种基于高光谱图像特征的方法来检测红皮马铃薯的外部缺陷。首先，获取了400~1000纳米范围内的原始高光谱图像并进行了预处理。随后对预处理后的高光谱图像进行了图像处理。通过两阶段主成分分析（PCA）提取了9个特征波长，并使用Otsu算法生成掩膜以精确分割感兴趣区域（ROI）。特征提取和建模分为两条并行路径：高光谱图像路径在ROI内计算方向梯度直方图（HOG）纹理特征，并利用皮尔逊相关分析量化不同缺陷之间的纹理模式差异；高光谱数据路径则从预处理后的高光谱图像中手动提取ROI的平均反射率。最后，采用支持向量机（SVM）和随机森林（RF）算法构建并比较了分类模型。结果表明，基于高光谱图像特征的模型显著优于基于高光谱数据特征的模型。其中，“SVM-图像特征”组合成为最优模型，整体准确率达到96.4%。本研究证实了将高光谱技术应用于红皮马铃薯外部缺陷检测的可行性。所建立的框架为未来与内部质量检测的整合以及智能单站分选系统的实现提供了有效的技术解决方案。