中国作为马铃薯主产国之一，总产量和栽培面积均居世界第一位。据统计，2022年我国马铃薯产量为1851.6万吨，马铃薯产量保持较为稳定的增长态势。在谷类作物单产已经接近极限的情况下，马铃薯将成为全球粮食安全保障体系的首选作物之一。近几年来，马铃薯食品加工、淀粉加工业迅速发展，马铃薯常被加工成薯片、薯条、全粉以及淀粉。与其他作物的淀粉相比，马铃薯淀粉糊化度高、糊化温度低、透明度好、黏结力强、拉伸性大，在许多领域都有应用，全世界淀粉产量的25%来自马铃薯。随着国家对农产品质量安全的不断重视，品质安全尤为重要。2022年中央一号文件对全力抓好粮食生产和重要农产品供给、守住保障国家粮食安全底线做出了全面部署，食品要从源头把控质量。

采用好品质的马铃薯进行加工能提高马铃薯加工企业的经济效益。国外一些加工企业已经实现了马铃薯加工专用化。国内马铃薯专用性加工进入21世纪以来刚刚起步，近几年发展迅速，市场前景很大。根据国标(GB/T 31784-2015)马铃薯加工的三种主要类型对马铃薯的干物质和淀粉含量的要求不同，如加工马铃薯淀粉，要求马铃薯的淀粉含量在16.00%以上的为一级加工标准；加工薯片、薯条，要求干物质含量在21.00%~24.00%的为一级加工标准；加工全粉，要求马铃薯干物质含量在21.00%以上的为一级加工标准。在我国生产的马铃薯中，用来作为加工原料的只有10%，远低于欧美等国家的平均水平。我国马铃薯加工行业亟需马铃薯品质在线检测装置，以适应现代化农业生产品质检测需求。

近红外光谱检测技术对农产品品质检测具有非破坏性，且检测速度快的优点，是大批量农产品品质无损检测的有效方式。然而，近红外光谱数据通常会受到外界环境因素、光谱采集参数以及样本本身因素的影响，例如光源距离、光谱采集积分时间、装置传输速度、样品大小、样品品种差异以及样品外形差异等，都会对品质预测模型效果产生影响。为了提高模型的稳定性，需对这些影响因素进行研究、控制和优化。

近红外无损检测的数据分析传统上多采用化学计量学方法，近几年来深度学习结合化学计量学方法广泛应用于在农产品无损检测光谱数据建模。但是近红外光谱技术在采集数据时，受到各种因素的影响，近红外光谱数据中存在复杂隐藏的非线性关系，难以建立很好的关联性等问题。深度学习是通过多层神经网络自动学习特征和建模，深度学习可以自动学习特征，通过不同的网络结构对数据进行处理并提取特征进行学习，并且根据不同数据，可以使用不同方法创建不同的深度学习模型，能够处理复杂光谱数据的问题。

本课题拟对马铃薯尺寸、品种、形状、光谱采集参数以及在线检测装置运行速度等影响因素进行研究，建立多品种马铃薯内部品质在线检测定量检测模型。通过波长提取算法和深度学习方法优化预测模型由于马铃薯大小、形状和品种差异对检测效果的影响；通过光谱采集参数、装置运行速度和光源距离的组合，确定装置的最佳工作状态，提高马铃薯内部品质检测的准确性、稳定性和工作效率。以期为农产品无损检测提供技术支持和研究依据。