马铃薯是世界四大主粮之一，随着中国马铃薯主粮化战略的实施，机械化作业在马铃薯生产中的比重将逐步加大，马铃薯块茎采收及采后处理中的机械损伤问题日益突出，如何监测机械损伤成为马铃薯生产中的重要课题。本研究首先结合有限元分析(Finite element analysis，FEA)和图像处理技术，构建了马铃薯的跌落碰撞损伤模型，结合实测分析揭示了损伤产生规律;其次探讨了马铃薯损伤与生物散斑活性之间的特异性关系;最后对散斑信号处理算法进行改进，结合机器学习方法实现对马铃薯隐形损伤的识别。本研究的主要内容及研究结论如下:　　(1)基于图像处理技术的马铃薯跌落碰撞FEA模型的构建　　提出两种图像处理算法，辅助获取马铃薯几何模型和材料参数，从而准确构建马铃薯FEA模型。使用图像处理算法得到外形轮廓特征点，构成第1方向特征曲线，控制横向结构特征;以已建好的第1方向特征曲线为基准组成第2方向特征曲线，控制纵向结构特征。提出一种基于密切圆的计算平板压缩中马铃薯上下接触点处曲率半径的图像处理算法，计算得到弹性模量或时变弹性模量，从而确定马铃薯的弹性和粘弹性特征参数。两种算法均进行了实验验证，得出算法可靠性的结论。　　(2)马铃薯跌落碰撞动态响应和损伤模型分析　　应用FEA模型和马铃薯跌落实验考察马铃薯的跌落碰撞动态响应，揭示马铃薯跌落损伤发生规律。在FEA和融合力传感器及高速相机的跌落实验中将样本从200、400和600mm自由跌落，分别提取碰撞时间Tc、力峰值时间Tp、最大冲击力Fmax、最大形变Dmax和恢复系数r五个响应参数进行对比。研究发现，FEA中Tc和Tp均随跌落高度的上升有较小幅度的下降，Fmax和Dmax均随跌落高度的上升明显增加，r与跌落高度没有明显相关关系，且保持较高水平。与弹性体相比，将马铃薯视作粘弹体时各参数与实验结果更相近。分析粘弹性马铃薯在跌落碰撞中的损伤模型，包括影响因素分析、损伤的响应参数监测等，发现影响损伤产生的因素主次顺序为:材料参数＞碰撞角度＞跌落高度＞质量;响应参数中Tc和最大应力间存在较好的线性负相关关系，可用于监测损伤的发生。马铃薯在碰撞过程中，表皮极易发生擦伤，内部损伤首先发生在近表面处。　　(3)马铃薯生物散斑成像系统构建及优化　　构建了马铃薯生物散斑成像系统，基于高光谱成像技术优选了散斑成像系统的激光波长，根据散斑图像对比度优化采集参数，并从多尺度水平评价了散斑图像。首先根据研究对象/指标选择合适的系统构件，然后调整优化成像及采集参数，最后对散斑图像的质量进行评价以验证系统的有效性。基于高光谱成像技术，发现相比其他光色区域，在红光区域内表皮擦伤、近表面损伤与正常马铃薯光谱差异均较大，为激光光色选择提供理论支持。调整物距、ROI大小、曝光时间等参数，使得散斑图像的散斑粒子尺寸、饱和度和均匀度符合要求。　　(4)马铃薯生物散斑信号的处理方法改进　　针对通用型散斑信号处理方法(时域IM和频域WE)的缺点，提出改进方法，实现生物散斑有效处理。在原IM方法中加入异常点检测，并提出相邻帧相关系数法(Correlation of contiguous speckle patterns，CCSP)。在原WE中引入尺度增强因子，得到改进小波熵(Modified wavelet entropy，MWE)。本研究共涉及THSP_IM、CCSP_IM、THSP_WE、THSP_MWE、CCSP_WE和CCSP_MWE六种活性特征提取方法。针对不同的应用场景根据分辨力、稳定性和鲁棒性原则选择最优处理方法。在本研究中，发现改进方法表现较优。　　(5)马铃薯损伤与生物散斑活性特异性变化规律　　基于FEA马铃薯损伤模型，结合马铃薯生物散斑图像的活性特征，对比可见光图像的颜色和纹理特征，探讨马铃薯损伤与其散斑图像的特异性变化规律。针对表皮擦伤，分别提取马铃薯样本颜色、纹理和活性共16个特征。其中，活性特征由优选的CCSP_IM和THSP_MWE两种方法提取。对活性变化进行监测，发现在擦伤后存储时间、样本质量和擦伤部位三个因素中，仅有时间对活性变化有显著影响。散斑活性在擦伤1d内显著增加，然后又迅速降低，直至接近正常组织活性。对近表面损伤同样提取颜色、纹理和活性特征。优选方法CCSP_WE和CCSP_MWE用于监测活性。发现正常、轻微损伤和薯肉变色样本的活性没有显著差异，且活性变化不依赖于损伤的深度。纹理特征对活性的影响较为显著，且纹理越明显，活性越低。　　(6)马铃薯近表面损伤定性和定量统计分析　　马铃薯近表面损伤有正常、轻微损伤和薯肉变色三种情况，对各损伤情况的分布规律（定性）和黑斑深度d1、高度比d2（定量）进行统计分析，并考察质量m、曲率半径r、曲率比Ratio和纹理特征Con对损伤发生可能性、d1和d2的影响。研究发现，m对损伤产生的可能性没有影响，不同碰撞部位产生损伤的可能性从高到低依次为茎端＞芽端≈薯身，且在茎端位置产生的损伤最有可能发生黑变，形成薯肉变色。r和Con对于损伤发生的影响具有统计学意义(P＜0.05)，且表面越光滑、曲率半径越小，越容易产生损伤。四个因素在0.05水平上对d1的影响均不具有统计学意义，但是茎端部位d1相对其他两个部位明显偏小。对于d2，m和r的影响具有统计学意义(P＜0.05)，且质量越大、曲率半径越小，d2越大。　　(7)基于生物散斑活性的马铃薯表皮擦伤识别研究　　基于表皮擦伤生物散斑活性变化的规律，构建马铃薯表皮擦伤分类器，并进一步融合颜色和纹理特征，实现马铃薯表皮擦伤识别。选择逻辑回归(Logistic regression，LR)、决策树(Decision tree，DT)和支持向量机(Support vector machine，SVM)三种分类器对马铃薯表皮擦伤情况进行二分类。研究表明，LR分类模型相对DT和SVM效果更优，在擦伤1d以内时，活性特征分类效果明显，而擦伤1d以后，颜色特征表现更好。将活性特征和颜色特征组合与LR相结合，构成分类器Fusion_LR。不同时间段，正常样本正确识别率、擦伤样本正确识别率和总体正确识别率均值分别为89.76％、92.76％和91.28％。　　(8)基于生物散斑活性的马铃薯近表面损伤识别研究　　基于近表面损伤生物散斑活性变化的规律，构建马铃薯近表面损伤分类器，并进一步融合颜色和纹理特征，实现对正常、轻微损伤和薯肉变色马铃薯的识别。选择分类器LR和DT用于二分类（正常-损伤），SVM同时用于二分类和三分类（正常-轻微损伤-薯肉变色）。结果表明，二分类情况下，芽端、茎端和薯身位置的最优分类器分别为BA_DT、BA_LR和Fusion_DT，对正常样本的识别正确率分别为47.8％、41.7％和53.3％，对损伤样本的识别正确率分别为70.8％、84％和73.3％，总体识别正确率分别为61.2％、78％和66.1％。不考虑马铃薯的具体部位时的优选分类器是Fusion_LR，对损伤的识别正确率提高至87.1％，但正常样本中仅有34％能被正确识别，总体识别率为70.9％。三分类情况下，不同部位优选的分类器均是Fusion_SVM，但对轻微损伤均没有识别能力。