马铃薯营养丰富,是全球第四大粮食作物。马铃薯品质鉴别是其进入市场前的关键环节,而传统鉴别方法主要以人工检测为主,费时费力,阻碍了马铃薯在大型生产加工过程中的准确、快速分类。所以,如何对收获后的马铃薯进行快速准确的品质检测及分类鉴别具有重要意义。本研究提出基于高光谱成像技术和机器学习方法相结合的马铃薯缺陷分类,其主要内容包括:(1)马铃薯不规则缺陷区域的精确提取。鉴于实验样本缺陷区域的随机分布,本研究在二值化的基础上提出了K-means聚类分析的感兴趣区域提取算法。首先对高光谱仪获得的原始高光谱数据进行图像维处理操作,之后对ROI区域的光谱维信息进行操作,获得平均光谱,对光谱预处理后建立全波段下缺陷分类模型。基于聚类的分析方法与传统手动提取方法相比,提取的马铃薯感兴趣区域与真实曲线吻合度更好,为马铃薯缺陷区域的精确提取提供了参考。(2)应用机器学习算法同时对多个马铃薯缺陷类型进行精准分类。本研究获取了600个绿皮、发芽、干腐、虫洞、损伤和合格马铃薯的可视-近红外(400-1000nm)高光谱图像,使用线性判别分析对光谱数据进行降维,再利用相关系数法选15个特征波长来代表全光谱波长,压缩了数据量。之后建立基于机器学习算法的缺陷预测模型。在所有分类算法中,使用梯度提升决策树能使马铃薯的分类精度显著提高,最终建立的模型平均准确率达到92.08%左右,为后续马铃薯缺陷无损检测以及工业系统领域自动分类体系的构建提供了理论依据。