基于主动热红外成像的马铃薯与杂质分类方法

孙卫孝 刘发英 杨振宇 韩梦杰 李学强 魏忠彩

摘要：为解决入库马铃薯中石块、土块等杂质剔除的问题，提出一种基于主动热红外成像的马铃薯与杂质分类方法。建立基于集总参数法的马铃薯和杂质的传热模型，获得影响受热效果与导致温度差异的因素为材料热物性、风速、风向角度、风温；利用有限元法分析马铃薯和杂质在外部热风激励下的热像图，马铃薯表面温度显著高于石块与土块，并对风速、风向角度、风温分别进行四水平单因素仿真试验，得出马铃薯与杂质的表面温度差异大小在一定时间内与风速、风向角度和风温呈非线性正相关。在试验平台上对马铃薯和杂质进行分类试验，结果表明：最佳图像识别处理条件为风速4m/s、风温为40℃、风向角度为90°，识别成功率为97%。为马铃薯收获—仓储过程中除杂提供技术参考。

关键词：马铃薯；热激励；热红外成像；杂质剔除

中图分类号：S226.5

文献标识码：A

文章编号：20955553 （2024） 02014308

收稿日期：2022年7月8日  修回日期：2022年9月29日

基金项目：山东省科技型中小企业创新能力提升工程项目（2021TSGC1420）；山东省农业重大应用技术创新项目（SD2019NJ010）； 国家自然科学基金项目（52105266）；中国博士后科学基金面上资助项目（2021M701801）

第一作者：孙卫孝，男，1998年生，江苏连云港人，硕士研究生；研究方向为农业机器人与机器人视觉技术。Email： 5921028@qq.com

通讯作者：杨振宇，男，1973年生，江西宜春人，博士，副教授，硕导；研究方向为农业机器人与機器人视觉技术。Email： 05338@163.com

Classification of potato and impurities based on active thermal infrared imaging

Sun Weixiao1， Liu Faying2， Yang Zhenyu1， 3， Han Mengjie1， Li Xueqiang3， Wei Zhongcai4

（1. School of Mechanical Engineering， Shandong University of Technology， Zibo， 255000， China; 2. School of

Electrical and Electronic Engineering， Shandong University of Technology， Zibo， 255000， China; 3. Shandong Provincial

Intelligent Engineering and Technology Research Center of Potato Production Equipment， Dezhou， 253600， China;

4. School of Agricultural Engineering and Food Science， Shandong University of Technology， Zibo， 255000， China）

Abstract：

Aiming at the problem of removing impurities such as rocks and clods from stored potatoes， a classification method of potato and impurities based on active thermal infrared imaging was proposed. Firstly， the heat transfer model of potato and impurity was established based on lumped parameter method， and the factors affecting the heating effect and leading to temperature difference were obtained as material thermal properties， wind speed， wind direction angle and wind temperature. Then， using the finite element method （FEM） to analyze the thermal image of potatoes and impurities under the hot air excitation， the potato surface temperature was significantly higher than that of rocks and clods， and four level single factor simulation experiment was carried out for the wind speed， wind direction angle and wind temperature respectively， and it was concluded that the difference in surface temperature of potatoes and impurities was nonlinear and positively related to the wind speed， wind direction Angle and wind temperature in a certain period of time. Finally， potatoes and impurities were classified on the test platform. The experimental results showed that the optimal image recognition conditions were wind speed of 4m/s， wind temperature of 40℃ and wind direction angle of 90°， and the recognition success rate was 97%. It can provide technical reference for potato removal in harvestingstorage process.

Keywords：

potato; thermal excitation; thermal infrared imaging; impurity removal

0 引言

我国是马铃薯生产大国，种植面积与产量均居世界第一位［12］。随着我国“马铃薯主粮化”政策的实施，马铃薯产业发展规模得到进一步扩大。马铃薯收获环节是马铃薯产业的重要组成部分，现阶段马铃薯收获方式一般为机械化收获，收获过程中不可避免地会掺杂土块与石块等杂质。掺杂的杂质不仅在收获输送过程中会造成马铃薯表面擦伤破损，影响马铃薯品质，而且会占用马铃薯入库空间，浪费存储资源。

目前，土块与石块分拣主要由人工完成，不仅影响收获效率，同时增加收获成本［34］。马铃薯收获过程中的杂质剔除对马铃薯收获效率有着直接的影响，因此，对收获过程中夹杂的土块、石块进行剔除有着非常重要的意义。为了提高马铃薯的除杂效率，必须提供有效可靠的除杂检测方法。耿金凤［5］利用马铃薯、土块、石块在光照下的结构差异产生的散射差，对马铃薯中异物进行检测分类。冯志新等［6］获取原棉RGB图像，采用Gamma校正方法调整图像，实现原棉中杂质检测。陈培俊等［7］对去除阴影后的茶叶与杂质图像采用霍夫直线变换进行检测。Meinlschmidt等［8］基于材料热导率的差异情况，采用热像仪对巧克力和樱桃等进行识别检测。Senni等［9］通过热成像技术采集被石头，塑料等污染的饼干图像，对杂质与饼干衰变曲线的热发射率進行比较分析，实现异物检测。Varith等［10］采用热红外成像技术对苹果瘀伤进行识别。宋子祺［11］提出一种基于热红外技术与深度学习的奶牛乳房炎检测方法。

热红外成像技术具有能够精准迅速采集物体表面温度的特点［1214］，但由于收获过程中的马铃薯、石块、土块，表面温差极小，在没有外部热激励的情况下，无法通过采集的红外图像进行有效分类。本文采用热风作为外部热激励，提出一种主动热红外成像的马铃薯杂质剔除方法。首先，建立基于集总参数法的马铃薯、土块、石块的传热模型，获得影响传热效果与导致温度差异的因素为材料热物性、风速、风向角度、风温。再通过fluent仿真试验分析马铃薯、土块、石块在外部热激励后的表面温度差异图像，获取合适试验条件和参数区间。最后，搭建试验台，通过实际试验进行验证分析。

1 传热模型建立与传热影响因素分析

1.1 基于集总参数法的传热模型建立

一般有三种方式能够实现热量的传递，分别为热传导、热对流、热辐射［1516］。热传导是指物体内部不发生相对位移，通过分子、原子等微观粒子的热运动实现能量交换或传递。热对流为流体的运动，发生相对位移或冷热流体相互作用实现热量的传递。自然界中任意物体高于绝对零度时，都会向外散发辐射，在一定波长范围内的电磁辐射称为热辐射。热传导与热对流都需要进行接触传热，而热辐射为非接触方式传热。

通过热红外成像采集物体表面温度差异信息，在试验中可忽略物体内部温差的非稳态导热过程，采用集总参数法来求解物体的温度与传热量。热风温度Ta高于马铃薯、土块、石块温度，即Ta＞Tp=Ts=Tr（Tp表示马铃薯温度，Ts表示石块温度，Tr表示土块温度），马铃薯、土块、石块被加热，则任意时刻马铃薯、土块、石块表面与周围热风对流换热的热流量

Q=αA（Ta-T物）

（1）

式中：

α——

物体表面传热系数，W/（m2·℃）；

A——物体的换热表面积，m2；

T物——物体温度，℃。

其中表面传热系数与热风的流动状态、热风的物性、传热表面的形状尺寸等有着紧密的联系，可用数学方法表示为

α=f（v，l，pa）

（2）

式中：

v——热风速度，m/s；

l——

马铃薯、石块、土块表面特征尺寸，m；

pa——热风密度，kg/m3。

此时马铃薯、土块、石块的内能增加量

Q内=d（cpVT）dt=cpVdTdt

（3）

式中：

c——物体比热容，J/（kg·℃）；

p——物体密度，kg/m3；

V——物体体积，m3。

基于能量平衡原理，马铃薯、土块、石块单位时间内内能的增加量等于与热风的换热量，可得

cpVdTdt=αA（Ta-T物）

（4）

令马铃薯、土块、石块与热风之间的温差f=T物-Ta，则

dff=-αAcpVdt

（5）

设置马铃薯、土块、石块三者的初始温度相同。初始时间t=0时，f0为初始温度，即f（0）=T0-Ta=f0。对式（6）中的时间变量t从0到t积分，可得

ln（f-f0）=-αAcpVt

（6）

再将其化简可得

f=f0e-αAcpTt

（7）

式（7）表明马铃薯、土块、石块在热风作用下，与热风的温差会随着受热时间（t）的增加而减小，且马铃薯、土块、石块的升温速度与受热面积、密度、比热容、热风温度、表面传热系数密切相关，可根据该式求出任意时刻马铃薯、土块、石块的温度。

1.2 传热影响因素分析

马铃薯、石块、土块在外部热风作用下属于强迫对流换热，在换热过程中，热流密度的大小受热风与马铃薯、石块、土块之间的温度差影响，进而影响到传热量，温差越大，即热风温度越高，传热量越大。

表面传热系数α代表马铃薯、石块、土块与热风之间的换热能力。换热能力的强弱受热风的速度影响，速度变大，热风流体与物体之间的速度边界层与温度边界层厚度就会随之减小，从而会增强热风与马铃薯、石块、土块之间的换热，增大传热量。

热风流体与马铃薯、石块、土块的换热量也与热风作用的角度相关。在热风与物体对流换热界面中，对流换热强度不仅仅取决于热风的速度与温度，同时取决于速度场与温度梯度场之间的夹角，即热风的作用角度。减小速度矢量与温度梯度之间的夹角是强化对流换热的有效措施，所以不同的风向角度会使得热风流体紊流状态强度产生明显差异，从而造成换热量差异，进而影响到物体表面温度。

根据上述的传热影响因素进行单因素仿真试验，得出马铃薯、石块、土块在热风作用下的表面温度情况。然后结合马铃薯、石块、土块表面温度热像图与温度曲线，确定合适进口条件与参数区间。最后搭建试验台，通过实际试验验证分析。

2 仿真试验与结果分析

2.1 仿真模型

模型采用SolidWorks与WorkBench自带组件进行参数化建模，由热风、底板、马铃薯、石块、土块五个部分组成，模型尺寸（长×宽×高）为800 mm×500 mm×500 mm。通过改变热风的进口角度来实现不同热风作用角度，同时通过改变风速、风温来实现对这3个传热影响因素水平的仿真试验，仿真模型如图1所示。

1.热风出口

2.热风不同角度进口

3.底板

4.土块

5.石块

6.马铃薯

考虑到网格适应能力与填充复杂形状效果，采用四面体网格划分方式，整体域网格基本尺寸为10 mm，对马铃薯、石块、土块进行加密处理，加密尺寸为3 mm。网格图如图2所示。

2.2 仿真设置

收获时，由于马铃薯、石块和土块在潮湿土壤作用下含水率偏高，进而影响马铃薯、石块和土块的热物性。根据传热仿真分析需要，设置马铃薯、石块和土块的密度、导热系数、比热容和热扩散率的参数如表1所示。

设置热风入口速度分别为2 m/s、4 m/s、6 m/s、8 m/s，温度为30℃、40℃、50℃、60℃，风向角度入口为15°、30°、60°、90°，热风出口为压力出口。其中设置风向角度为90°，风速2 m/s进行风温单因素试验；设置风向角度为90°，风温40℃进行风速单因素试验；设置风速2 m/s，风温40℃进行风向角度单因素试验。由于马铃薯、石块、土块与热风相互作用，故将外表面都设置成耦合边界条件。考虑到马铃薯收获时的季节温度，设置马铃薯、石块、土块初始温度为15℃。

仿真设定的热风进口风速与热风在不同温度下的运动粘度可由式（8）判断此时流体雷诺数Re是否大于临界雷诺数。具体热风雷诺数参数如表2所示。

Re=vdγ>Rea

（8）

式中：

Rea——临界雷诺数，Rea=2320；

d——进口面当量直径，m；

γ——运动粘度，m2/s。

由表2可知，热风在模型中的流动状态都为湍流。热风在流动过程中与马铃薯、土块、石块会有热量交换，打开Fluent中的能量方程设置选项。考虑到标准kε模型用于流向有曲率变化或弯曲流线流动时，模拟效果欠缺，故湍流模型选用realizable kε模型。根据试验中马铃薯、石块、土块温度会随着热风作用时间的增加而提高的情况，将传热过程按瞬态传热计算。

2.3 模拟结果与分析

根据上述进口条件进行仿真，设置迭代时间步数300步，时间步长为1 s，每一个时间步内迭代次数为5，进行迭代收敛计算。为清楚表现马铃薯、石块和土块受傳热因素影响所造成的温度差异，选定不同温度区间的热像图。得到的马铃薯、石块、土块表面温度热像图如图3所示，其中图3（a）～图3（d）为风速单因素试验热像图，温度区间为24℃～30℃；图3（e）～图3（h）为风向角度单因素试验热像图，温度区间为23℃～30℃；图3（i）～图3（l）为风温单因素试验热像图，温度区间为20℃～35℃。

以风速2 m/s、风温40℃、风向角度90°作为进口条件的马铃薯、石块和土块试验为例，其表面温度曲线与正常温度区间的表面温度热像图如图4、图5所示。

（a） 风速2 m/s

（b） 风速4 m/s

（c） 风速6 m/s

（d） 风速8 m/s

（e） 角度15°

（f） 角度30°

（g） 角度60°

（h） 角度90°

（i） 温度30℃

（j） 温度40℃

（k） 温度50℃

（l） 温度60℃

由图4和图5可知，在40℃的热风作用300 s后，马铃薯表面温度显著高于土块、石块，这种现象是由于马铃薯、石块、土块的热物性不同所造成的热扩散率差异。当马铃薯、石块、土块收到热风带来的热量时，马铃薯热扩散率小，向内部传递的热量小，容易积聚表面形成高温状态，从而与石块、土块形成温度差。

热红外成像是将物体表面温度转化为可见的图像，并以不同的颜色显示物体表面温度分布，即物体之间的温度差越大，热像图颜色差异就越明显，更容易应用到识别处理中［1719］。由于试验结果中石块与土块表面温度相近，取马铃薯与石块进行温度对比。在风速单因素试验中，得到的马铃薯与石块在不同速度热风作用下的温度差曲线如图6所示。

由图3和图6可知，热风风向角度与温度一定时，风速越大，在一定时间内马铃薯与石块温差大，而随着热风作用时间的增加，风速过大会使得热风与马铃薯、石块热作用剧烈，两者之间温度相近，温度差异小，效果不佳。同时需要考虑到风速过大会使得马铃薯失水严重，造成块茎失重与失鲜，影响马铃薯品质。综合选取热风风速2～4 m/s作为实际试验区间。

在风向角度单因素试验中，得到的马铃薯与石块在不同角度热风作用下的温度差曲线如图7所示。由图3和图7可知，热风速度与温度一定时，角度越大，马铃薯与石块之间温差越大，热像图颜色差异效果越好，即最佳风向角度为90°。

在风温单因素试验中，得到的马铃薯与石块在不同温度热风作用下的温度差曲线如图8所示。由图3和图8可知，热风风向角度与速度一定时，热风温度越高，马铃薯与石块温差越大。但考虑到温度过高会影响马铃薯生物组织，造成后期储存腐烂现象，并结合马铃薯通过水浴处理降低病毒侵染风险实例［20］，选择30℃～50℃作为实际试验的热风温度区间。

3 试验验证

3.1 试验材料和设备

选用山东滕州地区种植的马铃薯“希森3号”作为试验对象，搭建基于主动热红外成像技术的马铃薯与杂质分类试验装置，如图9所示，主要包括支架、风扇、发热源、红外热像仪（FLIR-A655sc菲力尔，美国）、计算机、测温测速仪（希玛AR866A，中国）以及马铃薯、土块、石块。

（a） 示意图

（b） 实物图

1.电脑

2.红外相机

3.风扇

4.石块

5.土块

6.马铃薯

其中红外热像仪具体参数如下：波长范围为7.5～14 um，热灵敏度＜0.01℃，温度测量范围为-40℃～800℃，图像分辨率为640像素×480像素，帧率25帧/s，该设备通过HTTP协议与计算机通信，实现图像采集与温度数据传输。

3.2 试验结果分析

综合仿真试验得出的最佳风向角度为90°，对热风的风速水平（2～4 m/s）、风温水平（30℃～50℃）进行实际组合试验。通过FLIR Tools软件采集灰度型热红外图像（由左到右分别为土块、石块、马铃薯），热像图中颜色由黑到白代表物体温度由低到高，结果如图10所示。

（a） v：2 m/s，Ta：30℃

（b） v：3 m/s，Ta：30℃

（c） v：4 m/s，Ta：30℃

（d） v：2 m/s，Ta：40℃

（e） v：3 m/s，Ta：40℃

（f） v：4 m/s，Ta：40℃

（g） v：2 m/s，Ta：50℃

（h） v：3 m/s，Ta：50℃

（i） v：4 m/s，Ta：50℃

与图5的有限元模擬热像图对比，可以判断出实际试验结果与有限元模拟结果相符，马铃薯表面温度显著高于石块、土块。

对采集的热像图进行土块、石块识别，读取热像图，将图像进行二值化处理并反色，设定面积阈值将图中非相关小面积区域去除，保留石块、土块部分。将图像反色处理求出二者质心坐标用于后续抓取剔除，二值化处理、面积求解、质心求解原理公式如式（9）～式（11）所示。

σ2=max［m1（u1－u）2+m2（u2－u）2］

（9）

式中：

u1——

大于阈值T的像素均值；

u2——小于阈值T的像素均值；

u——图像全局均值；

m1——

像素被分为大于阈值T的概率；

m2——

像素被分为小于阈值T的概率。

当σ2为最大值时，可确定T为最佳阈值。

∮LPdx+Qdy=DQx－Pydxdy

（10）

式中：

P（x，y）、Q（x，y）——

连通区域D上的连续函数且有连续一阶偏导数；

L——区域D的边界曲线。

x0=∑mi=1∑nj=1g（i，j）×i

∑mi=1∑nj=1g（i，j）

y0=∑mi=1∑nj=1g（i，j）×i

∑mi=1∑nj=1g（i，j）

（11）

式中：

m、n——

图像i、j两个方向上像素的数量，个；

g（i，j）——

像素点（i，j）处的灰度值；

x0、y0——质心的横纵坐标，像素。

不同风速和风温状态下的二值化图像处理结果如图11所示。过高的风速、风温会导致石块边缘温度升高从而产生与马铃薯表面相同的白色边缘轮廓，在图像提取时会与实际石块形状大小产生偏差，进而影响质心坐标准确性。同时，过低的风速、风温会使得热像图中马铃薯表面残留泥土面积过大，与石块、土块面积相近，增大区域阈值去除难度。

由图10和图11可知，当风速为4m/s、风温为40℃、风向角度为90°时，热像图成像和图像处理的效果最好，可应用于石块和土块的分类剔除。石块和土块的分类结果和质心，如图12所示，质心坐标为石块和土块的机器人剔除提供坐标数据，其中石块质心坐标为（178， 345），土块质心坐标为（400， 309）。按以上石块和土块的分类方法采集500张热红外图像，石块和土块的分类成功率为97%。

（a） v：2 m/s，Ta：30℃

（b） v：3 m/s，Ta：30℃

（c） v：4 m/s，Ta：30℃

（d） v：2 m/s，Ta：40℃

（e） v：3 m/s，Ta：40℃

（f） v：4 m/s，Ta：40℃

（g） v：2 m/s，Ta：50℃

（h） v：3 m/s，Ta：50℃

（i） v：4 m/s，Ta：50℃

（a） 石块

（b） 土块

4 结论

1） 本研究建立马铃薯、石块、土块在热风作用下的瞬态传热模型，利用Fluent有限元模拟软件模拟马铃薯、石块、土块在热风作用下的温度分布情况，且发现表面传热系数会对马铃薯、石块、土块受热激励效果产生影响，从而建立起表面温度分布与热风风速、风温、风向角度之间的关系。

2） 搭建了基于热风激励方式的马铃薯、石块、土块热红外成像试验平台，对有限元模拟结果进行验证，试验结果与仿真模拟结果相符，表明有限元仿真模拟可以应用于热红外成像技术的研究中，为基于热红外成像技术的马铃薯除杂方法研究提供数学模型。

3） 根据理论分析的传热影响参数进行仿真与实际试验，验证了热风温度、作用角度、速度会对马铃薯、石块、土块受热激励效果产生影响，当风速为4m/s、风温为40℃、风向角度为90°时，热像图成像效果最佳，石块、土块等杂质的识别成功率为97%，可为马铃薯收获—仓储过程中除杂提供技术参考。

参 考 文 献

［1］杨红旗， 王春萌. 中国马铃薯产业制约因素及发展对策［J］. 种子， 2011， 30（5）： 100-103.

Yang Hongqi， Wang Chunmeng. Main restrictive factors and countermeasures of potato industry development in China ［J］. Seed， 2011， 30（5）： 100-103.

［2］罗其友， 刘洋， 高明杰， 等. 中国马铃薯产业现状与前景［J］. 农业展望， 2015， 11（3）： 35-40.

Luo Qiyou， Liu Yang， Gao Mingjie， et al. Status quo and prospect of Chinas potato industry ［J］. Agricultural Outlook， 2015， 11（3）： 35-40.

［3］李紫辉， 温信宇， 吕金庆， 等. 马铃薯种植机械化关键技术与装备研究进展分析与展望［J］. 农业机械学报， 2019， 50（3）： 1-16.

Li Zihui， Wen Xinyu， Lü Jinqing， et al. Analysis and prospect of research progress on key technologies and equipments of mechanization of potato planting ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（3）： 1-16.

［4］王相友， 李晏興， 杨振宇， 等. 基于改进YOLO v4模型的马铃薯中土块石块检测方法［J］. 农业机械学报， 2021， 52（8）： 241-247， 262.

Wang Xiangyou， Li Yanxing， Yang Zhenyu， et al. Detection method of clods and stones from impurified potatoes based on improved YOLO v4 algorithm ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（8）： 241-247， 262.

［5］耿金凤. 含杂马铃薯中土块和石块的激光背向散射成像检测方法研究［D］. 杭州： 浙江大学， 2019.

Geng Jinfeng. Detection of clods and stones from impurified potatoes using laser backscattering imaging ［D］. Hangzhou： Zhejiang University， 2019.

［6］冯志新， 安浩平， 吴顺丽. 基于RGB颜色模型棉花杂质检测算法［J］. 计算机与现代化， 2013（4）： 99-102.

Feng Zhixin， An Haoping， Wu Shunli. Cotton impurity rate detection system design based on machine vision ［J］. Computer and Modernization， 2013（4）： 99-102.

［7］陈培俊， 伍铁军. 去除阴影后利用霍夫直线变换检测茶叶中的杂质［J］. 机械工程与自动化， 2014（5）： 63-65.

Chen Peijun， Wu Tiejun. Detect impurities in tealeaves by Hough line transform after removing image shadow ［J］. Mechanical Engineering & Automation， 2014（5）： 63-65.

［8］Meinlschmidt P， Maergner V. Detection of foreign substances in food using thermography ［C］. Thermosense Xxiv. SPIE， 2002， 4710： 565-571.

［9］Senni L， Ricci M， Palazzi A， et al. Online automatic detection of foreign bodies in biscuits by infrared thermography and image processing ［J］. Journal of Food Engineering， 2014， 128： 146-156.

［10］Varith J， Hyde G M， Baritelle A L， et al. Noncontact bruise detection in apples by thermal imaging ［J］. Innovative Food Science & Emerging Technologies， 2003， 4（2）： 211-218.

［11］宋子琪. 基于热红外图像的奶牛乳房炎检测方法研究［D］.杨凌： 西北农林科技大学， 2021.

Song Ziqi. Detection of dairy cow mastitis based on thermal infrared image ［D］. Yangling： Northwest A & F University， 2021.

［12］刘元林， 梅晨， 唐庆菊， 等. 红外热成像检测技术研究现状及发展趋势［J］. 机械设计与制造， 2015（6）： 260-262， 266.

Liu Yuanlin， Mei Chen， Tang Qingju， et al. Research status and development trend of infrared thermal imaging detection technology ［J］. Machinery Design ＆ Manufacture， 2015（6）： 260-262， 266.

［13］魏嘉呈， 刘俊岩， 何林， 等. 红外热成像无损检测技术研究发展现状［J］. 哈尔滨理工大学学报， 2020， 25（2）： 64-72.

Wei Jiacheng， Liu Junyan， He Lin， et al. Recent progress in infrared thermal imaging nondestructive testing technology ［J］. Journal of Harbin University of Science and Technology， 2020， 25（2）： 64-72.

［14］戴景民， 汪子君. 红外热成像无损检测技术及其应用现状［J］. 自动化技术与应用， 2007（1）： 1-7.

Dai Jingmin， Wang Zijun. Infrared thermography nondestructive testing technology and its applications ［J］. Techniques of Automation and Applications， 2007（1）： 1-7.

［15］邱旭， 钟舜聪， 朱志彬， 等. 聚乙烯管道缺陷的红外热成像模拟及实验研究［J］. 机电工程， 2014， 31（12）： 1513-1517.

Qiu Xu， Zhong Shuncong， Zhu Zhibin， et al. Infrared thermography simulation and experiments of polyethylene pipe defects ［J］. Journal of Mechanical & Electrical Engineering， 2014， 31（12）： 1513-1517.

［16］张强， 孙绍安， 张坤， 等. 基于主动红外激励的煤岩界面识别［J］. 煤炭学报， 2020， 45（9）： 3363-3370.

Zhang Qiang， Sun Shaoan， Zhang Kun， et al. Coal and rock interface identification based on active infrared excitation ［J］. Journal of China Coal Society， 2020， 45（9）： 3363-3370.

［17］Gowen A A， Tiwari B K， Cullen P J， et al. Applications of thermal imaging in food quality and safety assessment ［J］. Trends in Food Science & Technology， 2010， 21（4）： 190-200.

［18］王斐， 吴德军， 翟国锋， 等. 侧柏衰弱木和蛀干害虫受害木的热红外成像检测［J］. 光谱学与光谱分析， 2015， 35（12）： 3410-3415.

Wang Fei， Wu Dejun， Zhai Guofeng， et al. Diagnosing low health and wood borer attacked trees of chinese arborvitae by using thermography ［J］. Spectroscopy and Spectral Analysis， 2015， 35（12）： 3410-3415.

［19］李小龍， 王库， 马占鸿， 等. 基于热红外成像技术的小麦病害早期检测［J］. 农业工程学报， 2014， 30（18）： 183-189.

Li Xiaolong， Wang Ku， Ma Zhanhong， et al. Early detection of wheat disease based on thermal infrared imaging ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（18）： 183-189.

［20］杨瑞瑞. 热水处理对马铃薯块茎愈伤的促进及其MYB转录调控机制［D］. 兰州： 甘肃农业大学， 2021.

Yang Ruirui. Promotion of potato tuber wound healing by hot water treatment and its MYB transcription regulation mechanism ［D］. Lanzhou： Gansu Agricultural University， 2021.