《Smart Agricultural Technology》：Development and Systematic Evaluation of An Innovative Multispectral Vision-Based Sweetpotato Grading and Sorting System
编辑推荐：
红薯（Sweetpotato）的品质分级与分选在商业化包装设施中仍主要依赖人工操作。尽管基于彩色成像的机器视觉系统（Machine Vision）已越来越多地用于水果自动分选，但多光谱视觉（Multispectral Vision）能捕获可见光范围以外的信息，
红薯（Sweetpotato）的品质分级与分选在商业化包装设施中仍主要依赖人工操作。尽管基于彩色成像的机器视觉系统（Machine Vision）已越来越多地用于水果自动分选，但多光谱视觉（Multispectral Vision）能捕获可见光范围以外的信息，为水果缺陷检测提供了增强能力，并非常适合高速自动化应用。基于先前研究，本研究提出并系统评估了一种创新的基于多光谱视觉的红薯自动分级分选系统。该系统采用安装在定制辊道输送机上的多光谱视觉单元，可同时捕获五波段图像，包括RGB（红、绿、蓝）和两个近红外（NIR1、NIR2）图像。一种与视觉单元完全集成的新型三工位旋转气动执行机构，可将分级后的红薯分选至三个目标出口。基于深度学习（Deep Learning）的算法流程实现了对单个红薯的实时分割（Segmentation）、跟踪（Tracking）和质量评估，最终等级（“Premium”、“Good”、“Fair”）通过聚合红薯在输送机上旋转时捕获的多视角观测数据确定。一旦完成分级，样品由自动分选机构引导至相应目的地。实验在输送机速度为15、25和35 cm/s下进行，以评估视觉单元、分选机构及集成系统性能。RG+NIR1波段组合配合YOLOv11m模型始终提供最高分级性能，在三种速度下分别达到97.1%、94.5%和93.6%的样本级准确率。分选机构的准确率和重复性分别高达98.2%和94.4%，吞吐量为每秒两个红薯（每通道）。使用最佳分级流程的集成系统在相应速度下实现了94.1%、92.8%和91.4%的分选准确率。结果证明了多光谱视觉和新分选机构在高通量红薯分级分选中的有效性。该系统在商业化包装设施中展现出强大的部署潜力。本研究开发的多光谱数据和软件程序将公开提供。
基于多光谱视觉与深度学习的红薯自动化分级分选系统研究
一、研究背景与意义
红薯（Ipomoea batatas）是一种重要的块根作物，具有显著的经济价值。然而，其在收获和采后处理过程中极易因碰撞、跌落产生划痕、瘀伤等表面缺陷，导致采后损失严重，包装出成率低至60%–70%。目前，商业包装厂的分级分选工作仍高度依赖人工，不仅占据了高达50%的包装线劳动力成本，还存在评价标准不一、效率低下等问题。尽管基于RGB图像的机器视觉系统已在水果分选中有所应用，但其在检测细微缺陷方面能力有限。多光谱成像技术通过捕获可见光及近红外（NIR）波段信息，能显著增强缺陷检测能力，但现有研究多集中于静态场景或离线分析，缺乏针对红薯的实时在线分级应用。此外，传统的分选机构（如杯式分选机）存在结构复杂、成本高、难以适应红薯不规则形状等问题。因此，开发一种集成多光谱视觉与高效分选机构的自动化系统，对于提升红薯包装线的智能化水平、降低劳动成本具有重要意义。本研究旨在填补这一空白，研发一套创新的多光谱视觉红薯分级分选系统，并对其性能进行系统评估。
二、关键技术方法概述
本研究构建的硬件系统主要包括定制辊道输送机、五波段多光谱相机（RGB+NIR1+NIR2）成像单元及基于三工位旋转气动执行器的分选机构。软件层面，研究人员采用了基于YOLOv11m深度学习模型的实时检测与跟踪算法，对RG+NIR1等多波段组合进行了性能对比。系统通过多视角图像融合进行质量评估，并利用Arduino微控制器实现分选机构的精准时序控制。实验在15、25、35 cm/s三种输送速度下，使用实际红薯样本对系统的分级准确率、分选精度及吞吐量进行了在线测试。
三、系统设计与核心技术创新
1. 多光谱视觉单元设计
研究人员设计了一套完整的在线成像系统。硬件核心为JAI FS-3200T-10GE-NNC多光谱相机，配合定制照明舱（含白光LED及730nm/850nm NIR LED光源），可在红薯随辊道旋转过程中同步捕获2048×1536像素的五波段图像（RGB、700–800nm NIR1、800–1000nm NIR2）。这种设计实现了对红薯全表面的多视角覆盖，为后续的缺陷识别与质量分级提供了丰富的光谱信息基础。
2. 深度学习分级算法
针对红薯形状多变、缺陷细微的特点，研究摒弃了传统的图像处理与特征工程方法，采用了基于YOLOv11m的深度学习 pipeline。该算法流程首先对运动中的红薯进行实例分割与多目标跟踪，随后聚合旋转过程中捕获的多视角观测数据，依据尺寸、形状及缺陷特征将其划分为“Premium”、“Good”、“Fair”三个等级。研究重点对比了不同波段组合（如RG+NIR1）对模型性能的影响，以优化检测精度。
3. 紧凑型分选机构
为解决传统分选机构体积庞大、同步困难的问题，本研究创新性地采用了MSZB20A三工位旋转气动台（SMC），配合三条紧凑型带式输送机构成分选执行单元。该机构通过调整旋转角度（0°、45°、90°）将红薯引导至不同出口，相比之前的双气缸设计，结构更简化，控制更精准，并减少了高速下的动作延迟。
四、实验结果与性能评估
1. 视觉单元分级性能
实验结果表明，RG+NIR1波段组合与YOLOv11m模型配合表现最佳。在15、25、35 cm/s三种输送速度下，样本级分级准确率分别达到97.1%、94.5%和93.6%。这证明了多光谱信息，特别是特定NIR波段，能有效提升在线检测的鲁棒性，且模型在较高速度下仍能保持优异性能。
2. 分选机构性能
单独测试分选机构（无视觉决策干预）显示，其分选准确率最高可达98.2%，重复性达94.4%，单通道吞吐量达到2个/秒。这表明新型旋转气动机构在响应速度与定位精度上能满足在线分选的高效需求。
3. 集成系统整体效能
将最佳分级算法与分选机构集成后，系统在15、25、35 cm/s速度下的整体分选准确率分别为94.1%、92.8%和91.4%。性能随速度提升略有下降，主要源于视觉处理与机械动作的时序匹配挑战，但整体仍维持在较高水平，验证了系统设计的可行性。
五、讨论与结论
本研究成功研发并验证了一套基于多光谱视觉与深度学习的红薯自动化分级分选系统。研究结论表明：1）多光谱视觉（特别是RG+NIR1波段）相比传统RGB视觉能更有效地支持红薯表面缺陷检测与质量分级；2）YOLOv11m深度学习模型在实时在线场景下表现出高精度与鲁棒性；3）新型三工位旋转气动分选机构结构紧凑、响应迅速，适合红薯的在线分选作业。
该系统显著提升了分级分选的自动化水平，在降低人工成本、提高包装效率方面具有明确的应用价值。未来工作可进一步优化视觉与机械的同步控制算法，并扩展至多通道并行处理，以进一步提升系统吞吐量。本研究为果蔬采后处理装备的智能化升级提供了重要的技术参考。
