CN112113917A - 用于处理收获的块根作物的方法和设备 - Google Patents

Abstract

本发明涉及一种用于处理收获的块根作物的方法和设备，该块根作物例如为马铃薯。所述方法包括以下步骤：对收获的块根作物的批量流进行光学成像(即，通过高光谱成像***而光学成像)以产生图像数据；以及，分析图像数据以识别批量流内的离散的物体。基于与至少一个鉴别器的比较而将每个识别的物体归类为可接受的(44)或不可接受的(40)，并且从批量流去除(通过喷射器致动器38去除)被归类为不可接受的物体以提供收获的块根作物的分选流。该方法和设备能够区分异物(比如土块和石块)与泥土覆盖的作物并且对作物引起的损害最小。

Description

用于处理收获的块根作物的方法和设备

本申请是申请日为2013年8月30日、申请号为201380055609.2、名称为“用于处理收获的块根作物的方法和设备”的中国发明专利申请(该申请对应的PCT国际申请的申请号是PCT/EP2013/068031)的分案申请。

技术领域

本发明涉及处理收获的块根作物(root crop)，并且特别涉及分选收获的块根作物(比如马铃薯)以去除异物(比如石头和土块)。

背景技术

收获的马铃薯、洋葱和其它块根作物通常储存几个月以为以后的加工和消费做准备。在收获过程中，从田地机械地挖出作物，导致挖出与收获的作物在一起的石块、土块以及其它异物，作物本身通常覆盖在泥土中。由于许多原因，不希望存储这些异物。首先，这会增加作物的运输、储存和环境管理的成本。再一个问题是，异物可能会在存储中以及在进入和离开存储设施的运输过程中损坏作物。物体，比如石块，还可能会损坏在存储之后用于加工作物的设备。此外，非常不希望将有异物的加工过的产品提供给消费者，这是因为异物可能对健康造成危害。

目前，使用许多方法从收获的块根作物中去除异物，比如手分选、使用机械线圈或通过浮选。然而，这些方法往往增加了产品的处理并可能导致作物的物理损坏。基于水的分离技术不理想，这是因为在存储之前优选的是保持作物干燥以避免腐烂。

目前使用光学分选来分选多种物体，比如葡萄、冷冻的蔬菜以及用于回收利用的废料。然而，块根作物的分选具有任何这些领域都没有遇到的更多挑战，这是因为用于处理收获的块根作物的任何分选机制都必须能够区分土块或石头与泥土覆盖的马铃薯或洋葱。例如，在回收应用中，光学分选器可识别将从物料流排除的图像区域或像素，并且然后在将排除的物料经过喷嘴时激活空气喷嘴以吹走排除的物料。在这样的应用中，待分选的物体是总所周知的，例如纸、PET或PE塑料，并且具有明确定义的光谱特征并且背景的污染不是问题。然而，作物(比如马铃薯)的光谱特征没有像合成材料(比如塑料)的光谱特征一样被明确定义，并且当产品覆盖在泥土中时，会变得更加难以区分作物和异物。此外，由于分选块根作物是高容量应用，所以期望的是即使物体与异物接触时，也可在作物的巨大的块体流中识别异物，并且无需分离产品或将产品分成单个。这是因为通常使用高速供给器进行分离，这可能损坏产品。此外，高速输送器并不适于处理脏污的产品，比如收获的块根作物。其他分离装置使用具有分离区的辊道和/或传送带以分离单个物体。这些方法大大降低了加工的体积容量并且因此不是所希望的。

国际专利申请公开号WO 2007/041753涉及产品中和农业加工中的污染物的高光谱成像(hyperspectral imaging)。该方法描述用于使用NIR反射范围光谱法(NIRreflectance range spectroscopy)评估样本(比如葡萄)的特性。该方法可用于评估样品中的“除葡萄之外的物体”的存在，包括传染物(infective agents)(比如真菌)的存在。因为葡萄通常不脏，所以这种方法不能够区分脏污的作物和土块。此外，由于葡萄的结构和相对质量，与块根作物(比如马铃薯)相比葡萄不易擦伤，并且由于葡萄通常在分选后立即压榨，所以并不在意擦伤或其他损伤。

美国专利申请第US2012/0074047号公开了用于从流中分选异物的分选方法和装置。当在至少两个不同波长处的反射强度落入基准强度分布的预定区域内时，识别的物体定性为异物。该方法通过绘制两个或更多个波长反射强度的比率的图谱并识别良好产品所落入的图谱的区域来区分良好产品和异物。具有落在该区域之外的反射强度比率的任何物体都被认为是异物，异物可在后来加工中被去除。根据该方法，附带泥土的物体将映射至图谱的良好产品和异物的区域，从而使得决策过程不精确。此外，当泥土覆盖层很薄并且脏污的块根作物与良好的块根作物都将部分信号反射到摄像机像素检测器时，泥土污染的物体将反射组合信号。该组合信号不会整洁地落入至图谱的良好的产品区域或异物区域中，从而再次使作出是否排除物体的决定变得困难。

因此，期望的是提供用于处理收获的块根作物的高容量的方法和设备，该方法和设备能够区分异物(比如土块和石块)与泥土覆盖的作物并且对作物引起的损害最小。还期望的是提供可识别块根作物上的腐烂或绿色的方法和设备。

发明内容

根据本发明的一个方面，提供了一种用于处理收获的块根作物的方法，该方法包括：

对收获的块根作物的批量流(bulk flow，总体流)进行光学成像以生成图像数据；

分析图像数据以识别批量流内的离散物体；

基于与至少一个鉴别器的比较将每个识别的物体归类为可接受的或不可接受的；

从批量流上去除归类为不可接受的物体以提供收获的块根作物的分选流。

这种布置的优点在于，即使当物体接触或覆盖在泥土或其他污染物中时，也可识别大批量流中的离散的物体。这允许单个物体作为整体被评估，并且然后归类为可接受的或不可接受的，而不是将图像数据的单个像素与期望的物体以及不符合适用标准的排除物体的光谱特征进行简单地比较。在基于单个像素排除物体的情况下，泥土覆盖的作物可能被错误地识别为土块而被不必要地排除。本发明通过分析图像数据以识别流内的物体并将每个物体作为整体来归类而不是单独地评估像素而解决了这个问题。因此本发明适于当产品可能会被泥土污染时在收获或直接从收获储存引导之后立即处理块根作物中使用。本发明还可在块根作物加工厂的接收点处使用，在该接收点处，作物可在清洗状态或未清洗状态下被接收。

如果该比较指示物体不是块根作物，则将该物体归类为不可接受的。额外地或替代地，如果该比较指示物体是腐烂的或有缺陷的块根作物，则将该物体归类为不可接受的。如果该比较指示物体是良好的块根作物，则将该物体归类为可接受的。如本文所用的术语“良好的块根作物”指的是基本上无缺陷的块根作物。

至少一个鉴别器可包括单维阈值或多维阈值、支持向量机和/或多变量方法，比如PCS、PLS等

对收获的块根作物的批量流进行光学成像可包括使用高光谱成像以生成多个图像像素，每个图像像素都具有谱轮廓(spectral profile，光谱轮廓)。可基于谱轮廓将每个像素都归类为对应于或代表特定物体或物体的组合。可将像素归类为对应于块根作物，比如马铃薯或其他物体(比如泥土、石块或木头)。如本文所用的术语“泥土”旨在包括土壤、砂、泥以及其他类似的污染物，这些污染物可粘附至收获的块根作物的外表面。可将分类为对应于块根作物的像素进一步分类为对应于良好的块根作物或坏的块根作物。坏的块根作物可包括例如腐烂的块根作物或绿色的块根作物。在其他实施方式中，可使用多光谱成像。

可在470nm和2000nm之间的波长范围内进行高光谱成像。可在两个可选择的光谱范围(一个可见范围和一个NIR(近红外光谱)范围)中进行高光谱成像。在适于处理马铃薯的一个实施方式中，将在750nm和1100nm之间的可见光谱的子范围分成16个相等的光频带并且将在1100nm和1300nm之间的NIR光谱的子范围分成另外16个相等的频带。然后，可使用多个光谱分析技术中的一个(比如多变量分析、主成分分析、支持向量机分析、多光谱分量比较的算法决策树以及使用选择的2D、3D或n维色彩空间或云绘制的比率或彩色空间图谱)来处理光谱信息。

在一个实施方式中，将物体归类为不可接受的包括对该物体的像素的谱轮廓与“永不可接受”材料(即，不可能形成可接受物体的一部分的材料)的光谱特征进行比较。这样的物体可包括例如石块或木头，但不是泥土，因为泥土在附着至块根作物时是可接受的。如果发现像素的谱轮廓匹配绝对不可接受材料的特征，则可将该物体归类为不可接受的并从流中去除。该方法不适于排出土块，因为归类为泥土的像素可形成可接受的物体的一部分，比如泥土覆盖的马铃薯。

分析图像数据的步骤可包括基于至少一个位置或接近的标准将图像像素分组为物体。

在一个实施方案中，顶点搜索方法用于将像素分组为物体。可分析图像数据以检测通常形成于大致椭圆形或圆形的物体(比如马铃薯)之间的接触点的尖角或顶点。使用这种方法，将相对的尖角识别为夹点(pinch point)并且可在这两个顶点之间绘制线。然后，可将在线的一侧上的像素一起分组为第一物体，并且可将在线的另一侧上的像素一起分组为第二物体。然后，可将每个物体归类为可接受的或不可接受的。

在另一实施方式中，可使用像素传播(pixel propagation)方法。选择归类为代表良好的块根作物的第一像素。对与第一像素相邻的像素进行分析，并且在搜索区域中包括对应于“可能可接受的”材料的任何相邻的像素。可能可接受的材料是可形成可接受的物体的一部分的材料并且这些材料可包括良好的块根作物、坏的块根作物、泥土和/或可附着至块根作物的其他材料。它们不包括绝对不可接受的材料，比如石块或木头，绝对不可接受的材料不可能形成可接受的物体的一部分。然后对搜索区域周围的下一组像素进行分析，如果像素匹配标准则将下一组像素添加至搜索区域。在特定半径内以迭代的方式重复该过程或直到检测到物体界限。当达到物体的边缘(即，通过未出现对应于可能可接受的物体(比如块根作物或泥土)的像素来检测)或当遇到另一材料(比如石块或木头)的像素时可检测物体的界限。可根据被分析的作物的类型和特定作物条件限定搜索半径，以避免在检索区域中夹杂土块。一旦完成这些过程，将包括在搜索区域中的像素一起分组为一个物体，然后，对该物体进行归类。以这种方式，搜索区域可从可见的马铃薯的单个像素生长从而涵盖整个泥土覆盖的马铃薯。本实施方式可在这种情况下特别有用，在这种情况下，由于产品的非常大的体积，图像数据很复杂，顶点搜索方法可具有难以匹配的顶点。

将每个识别的物体归类为可接受的或不可接受的步骤可包括：

基于物体内的分组的像素的谱轮廓生成物体的统计分布；以及

将物体的统计分布与至少一个定性的或定量的阈值进行比较。

在一个实施方案中，生成物体的统计分布包括对在物体内的分组的像素进行统计分析以确定对应于良好的块根作物的那些像素的分数。该确定也可由对应于其他物体(比如泥土、腐烂的块根作物或发绿的块根作物)的像素的分数组成。然后，可将确定的分数与允许将物体归类为可接受的像素的阈值分数进行比较。例如，如果80％的像素对应于良好的根作物，15％的像素对应于泥土以及5％的像素对应于发绿的块根作物，则可认为物体是可接受的。如上所述，如果任何像素均被确定为对应于绝对不可接受的材料，则可将物体归类为不可接受的。

对每个识别的物体进行归类还可包括：

基于物体内的分组的像素的分布生成与识别的物体相关联的空间信息；以及

将该空间信息与至少一个空间阈值进行比较。

生成的空间信息可包括与识别的物体的大小、长度、宽度、长宽比和/或形状有关的信息。可将空间信息与典型的块根作物的大小和形状相关的阈值进行比较。例如，在分选的块根作物是马铃薯时，将在流中识别的每个物体的空间信息均与对应于典型的马铃薯的大小和/或形状的至少一个阈值进行比较。

生成用于每个物体的统计分布和/或空间信息可用于选择性地处理物体。如上面已经概述的，如果物体被归类为不可接受的，则将该物体从作物流中去除。然而，可将归类为可接受的物体的统计分布和/或空间信息用作物体的其他特征(比如大小、形状或质量)的指示，并且可在此基础上进一步分离作物的流。

在其它应用中，可基于生成的物体的空间信息为每个物体计算长度、宽度或长宽比。可积累有关特定批次的作物的平均特性的信息并用于确定对于各个最终用途的适用性。例如，在薯条(French fry)生产中使用长马铃薯可能是理想的，而小马铃薯可能更适合用作沙拉用马铃薯。

可在收获的块根作物的批量流自由下落时进行光学成像的步骤。当泥土覆盖的块根作物沿输送带经过时，输送器会被污染并且不能保持清洁。这可使分选处理变得复杂，因为更难从背景中区分出作物。在作物流从输送器的端部自由下落时对作物流进行成像作排除了这些困难。可在产品流的后面提供光学背景，但该光学背景不与产品流接触。

方法还可包括以下步骤：在光学成像、分析、归类和去除的步骤之前或之后储存收获的块根作物。光学成像、分析、归类和去除的步骤可被认为是分选操作。可在对收获的块根作物进行储存之前进行分选操作，使得不可接受的物体(比如异物和腐烂作物)不被存储，从而降低运输和储存成本并避免由于腐烂或异物的存在导致在作物储存期间变质。可替代地或额外地，可在储存作物一段时间之后进行分选操作，因此，在作物的进一步处理之前去除任何额外的异物并且去除在存储过程中已经腐烂的任何作物。因为块根作物通常储存几个月的时间，所以单个分选装置可用于进行储存前分选和储存后分选。

根据本发明的另一方面，提供了一种用于处理收获的块根作物的设备，该设备包括：

光学成像器件，该光学成像器件用于对收获的块根作物的批量流进行光学成像以生成图像数据；

分析器件，用于分析图像数据以识别批量流内的离散的物体；

归类器件，用于基于用至少一个鉴别器比较而将每个识别的物体归类为可接受的或不可接受的；

去除器件，用于从批量流去除被分类为不可接受的物体以提供收获的块根作物的已分选的流。

附图说明

图1是根据本发明的第一实施方式的用于处理收获的块根作物的方法的示意图；

图2是根据本发明的第二实施方式的用于处理收获的块根作物的方法的示意图；

图3是根据本发明的第三实施方式的用于处理收获的块根作物的方法的示意图；

图4是根据本发明的第四实施方式的处理收获的块根作物的方法的示意图；

图5是根据本发明的第五实施方式的处理收获的块根作物的方法的示意图；

图6a至图6d示出了用于将像素分组为物体的顶点搜索方法；

图7是根据本发明的实施方式的设备的一部分的示意图；

图8a是根据本发明的一个实施方式的设备的等轴测视图；以及

图8b是图8a中示出的设备的侧视图。

具体实施方式

图1示出了根据本发明的第一实施方式的处理收获的块根作物(比如马铃薯)的方法。该实施方式将以马铃薯为参考进行描述，但同样适用于其他块根作物。

马铃薯由收割机(harvester，收获机)1收获并输送到分选器2。如图7中示出的，分选器2借助于输送带30而提供收获的块根作物的批量流3。分选器使用在740nm至1050nm的波长范围处操作的高光谱成像***在收获的马铃薯的批量流跌落输送器30的端部32时对马铃薯进行光学成像。在自由下落的产品3处对可见辐射进行导向并由光学背景反射器36反射以生成包括多个图像像素的图像数据。每个像素都具有谱轮廓，该谱轮廓基于由像素表示的材料的反射强度。每个像素均被基于像素的谱轮廓分类成对应于的特定物体。像素被分类成对应于良好的马铃薯、腐烂的马铃薯、发绿的马铃薯、泥土、石块、木头或其他物体。

图像像素被分析以识别批量流内的离散的物体。如图6a至图6d中示出的，顶点搜索方法用于将像素分组为物体。图6a中示出了包括一对接触的物体20、22的图像。如图6b中示出的，分析图像数据以检测通常形成于马铃薯之间的接触点处的尖角24、26或顶点。相对的尖角24、26被识别为夹点并且在两个顶点之间绘制线28。在线28的一侧上的像素然后被分组为第一物体20并且在线的另一侧上的像素被分组为第二物体22。

如果正在处理非常大容量的马铃薯，则可能难以识别图像数据中的顶点。在这种情况下，利用迭代过程在图像数据内识别物体。选择分类为代表良好的马铃薯的第一像素。分析与第一像素相邻的像素，并且对应于良好的马铃薯、坏的马铃薯或泥土的任何相邻的像素都包括在搜索区域中。然后对与搜索区域相邻的下一组像素进行分析，并且如果这一组像素符合标准则将其添加到搜索区域。以迭代方式重复该过程直到达到特定的半径或检测到物体界限。包括在搜索区域中的像素然后被一起分组为一个物体。

然后，基于与至少一个物体阈值比较，每个识别的物体均归类为可接受的或不可接受的。归类过程包括基于已经分组在一起的像素的谱轮廓，通过执行像素的统计分析以确定对应于良好的马铃薯的像素的分数或百分比，从而生成物体的统计分布。还确定对应于泥土、腐烂的马铃薯或其他物体(比如石块或木头)的每个像素分数或百分比。然后，对物体的统计分布与定量的阈值进行比较。如果对应于良好的马铃薯的像素的分数或百分比满足或超过阈值时，将物体归类为可接受的。如果分数或百分比不满足阈值时，将物体归类为不可接受的。如果任何像素对应于石块或木头，则也可将物体归类为不能接受的，因为这些材料不同于泥土，绝不可能与马铃薯结合形成可接受的物体。

归类过程还包括基于在物体内的分组的像素的分布生成与识别的物体关联的空间信息。例如，可识别物体的大小或形状并且与典型的马铃薯的大小或形状进行比较。如果空间信息落在允许的阈值内，则将物体归类为可接受的。可借助于能操作用于翻转的喷射器致动器38将任何归类为不可接受的物体4从批量流中去除，或将不可接受的物体40引导经过接受分离器42而进入排除流4。允许良好的产品44经过喷射器致动器，以提供所收获的马铃薯的分选流6。

将收获的马铃薯的分选流6导向至储存设施7并在那里存储一段时间。

图2示出根据本发明的第二实施方式的处理收获的块根作物(比如马铃薯)的方法。在该实施方式中，关于分选产品的质量的统计分布被发送到SCADA控制单元8。然后，该SCADA***控制单元可借助于输送传送***6a、6b、6c、6d将产品导向到储存库(storagebunker)7a、7b、7c、7d中选择的一个。在所示的实施方式中，基于大小、形状、质量或其他批量特性，马铃薯被分成四个不同的分选流6a、6b、6c以及6d并被导向至不同的储存设施7a、7b、7c以及7d。这允许在储存之前对适于不同最终用途的作物进行分离。

图3示出根据本发明的第三实施方式的处理收获的块根作物(比如马铃薯)的方法。在该实施方式中，将作物的分选流6导向至处理单元9以用于进一步处理，比如清洗、去皮、切削或包装。

图4示出根据本发明的第四实施方式的处理收获的块根作物(比如马铃薯)的方法。在图4中示出的实施方式中，在分选之前储存作物。在存储作物一段时间之后，将储存的作物的批量流3导向出储存设施并导向至分选器2。分选器2对储存的作物的批量流执行如上文参考图1所述的光学成像、分析、归类和去除的步骤。然后，将块根作物的分选流6向前导向以用于进一步处理12。

图5示出根据本发明的第五实施方式的处理收获的块根作物(比如马铃薯)的方法。在该实施方式中，如上文参考图1所述的，在储存之前在分选器2a中对收获的块根作物进行分选。此外，在将作物在存储设施7中储存一段时间之后，将存储的作物的批量流10导向至分选器2b，在该分选器中，进行附加的分选操作。这涉及对存储的作物的批量流重复如上文参考图1所述的光学成像、分析、归类和去除的步骤。然后，与图5一样，将块根作物的分选流11向前导向以用于进一步处理。因为作物通常储存几个月的时间，所以相同的分选设备可用作分选器2a和分选器2b。

图8a和图8b中示出了根据本发明的第五实施方式的用于处理收获的块根作物的设备50。该设备包括主框架组件72，在该主框架组件上设置了用于提供收获的块根作物的批量流的进料输送器52。扫描仪箱54和光学背景56构造成用于对收获的块根作物的批量流进行光学成像以生成图像数据。扫描仪箱54还构造成用于分析图像数据以识别批量流内的离散的物体，并且基于与至少一个鉴别器的比较而将每个识别的物体归类为可接受的或不可接受的。触摸屏58构造成用于允许用户与扫描仪箱互动。该设备还包排除器组件60、排除防护件62以及接受分离器64，上述部件构造成从批量流去除归类为不可接受的物体。如果物体被归类为不可接受的，对设置在排除器组件上的一个或多个喷射器致动器进行致动以将经过接收分离器的物体偏转到排除输送器组件66上。排除防护件62防止排除的物体撞击光学背景56。允许良好的产品经过排除器组件并穿过接受分离器进入到接受输送器组件68中以提供块根作物的分选流。在产品沿接受输送器68移动时减速帘70将产品减速。服务面板74被设置成在需要时将空气和水供应到设备。

在本文中参考本发明使用时，词语“包括(comprises)/包含(comprising)”和词语“具有(having)/包括(including)”用于明确所陈述的特征、整数、步骤或组件的存在，但并不排除存在有或附加有一个或多个其他特征、整数、步骤、组件或它们的组。

应理解的是，本发明的某些特征(为清楚起见，在单独的实施方式的背景中描述)也能够以组合的形式在单个实施方式中提供。相反地，本发明的多种特征(为了简洁，在单个实施方式的背景中描述)也可单独地或以任何合适的子组合的形式提供。

Claims (11)

1.一种用于处理收获的块根作物的方法，所述方法包括：

使用高光谱成像或多光谱成像对收获的块根作物的批量流进行光学成像，以生成多个图像像素，每个图像像素都具有基于该图像像素所代表的材料反射强度的谱轮廓；

基于至少一个位置或基于接近标准而将所述图像像素分组为物体，以识别所述批量流内的离散的物体；

基于所述物体内的分组的图像像素的所述谱轮廓而生成与所述物体关联的统计分布；

基于所述物体内的分组的图像数据的所述谱轮廓，对在每个所识别的物体内的分组的图像像素进行统计分析，以确定对应于良好的块根作物的那些图像像素的分数；

通过将对应于良好的块根作物的那些图像像素的分数与至少一个定量的阈值进行比较，而将每个识别的物体归类为能接受的或不能接受的；以及

从所述批量流去除被归类为不能接受的物体，以提供所述收获的块根作物的分选流；

其中，如果所述比较指示所述物体不是块根作物，则将该物体归类为不能接受的，并且其中，将泥土覆盖的块根作物归类为能接受的。

2.根据权利要求1所述的方法，其中，如果所述比较指示所述物体是腐烂的或有缺陷的块根作物，则将该物体归类为不能接受的。

3.根据权利要求1或2所述的方法，其中，如果所述比较指示所述物体是良好的块根作物，则将所述物体归类为能接受的。

4.根据权利要求1所述的方法，其中，将所述图像像素分组为物体的步骤包括基于至少一个位置或基于接近标准而将所述图像像素分组为物体。

5.根据权利要求4所述的方法，其中，基于顶点搜索方法或基于像素传播方法而将所述图像像素分组为物体。

6.根据权利要求1或2所述的方法，其中，将每个识别的物体归类的步骤还包括：

基于所述物体内的分组的像素的分布而生成与识别的物体关联的空间信息；以及

将所述空间信息与至少一个空间阈值进行比较。

7.根据权利要求6所述的方法，其中，所述至少一个空间阈值与块根作物的大小或形状关联。

8.根据权利要求6所述的方法，所述方法还包括：

基于与每个识别的物体关联的所述分布和/或所述空间信息而选择性地处理所述批量流。

9.根据权利要求1或2所述的方法，所述方法还包括以下步骤：在所述光学成像、分析、归类和去除的步骤之前或之后储存所述收获的块根作物。

10.根据权利要求9所述的方法，所述方法还包括：

在将所述作物储存一段时间之后，将储存的作物的所述批量流从储存设施引导出；

对储存的作物的所述批量流执行光学成像、分析、归类和去除的步骤。

11.一种用于处理收获的块根作物的设备，所述设备包括：

光学成像器件(56)，用于使用高光谱成像或多光谱成像对收获的块根作物的批量流进行光学成像，以生成多个图像像素，每个图像像素都具有基于该图像像素所代表的材料反射强度的谱轮廓；

用于分组的器件(54)，用于基于至少一个位置或基于接近标准而将所述图像像素分组为物体，以识别所述批量流内的离散的物体；

生成器件，基于所述物体内的分组的图像像素的所述谱轮廓而生成与所述物体关联的统计分布；

用于统计分析的器件，用于基于所述物体内的分组的图像数据的所述谱轮廓，对在每个所识别的物体内的分组的图像像素进行统计分析，以确定对应于良好的块根作物的那些图像像素的分数；以及

用于归类的器件，用于通过将对应于良好的块根作物的那些图像像素的分数与至少一个定量的阈值进行比较而将每个识别的物体归类为能接受的或不能接受的；

去除器件(60)，用于从所述批量流去除被归类为不能接受的物体，从而提供所述收获的块根作物的分选流；

其中，如果所述比较指示所述物体不是块根作物，则将该物体归类为不能接受的，并且其中，将泥土覆盖的块根作物归类为能接受的。

Images