【目的】 马铃薯薯皮粗糙度分级研究可以提供块茎外观品质性状无损检测方法,为客观评价品质质量和高通量筛选品种提供理论和实践基础。【方法】以79份马铃薯品种(系)为供试材料,利用相机采集有/无芽眼的薯皮图像。基于MATLAB R2016a软件对薯皮图像预处理,随机选择8份材料用相关函数指标比较图像灰度化、增强及去噪效果。利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取图像特征参数角二阶矩(angular second moment,ASM)、熵(entropy,ENT)、对比度(contrast,CON)和相关度(correlation,COR),并确定矩阵最适像素距离(d)。比较两类薯皮图像特征参数间的差异,选择差异较小的薯皮图像特征集进行统计分析和分类识别。构建支持向量机(support vector machines,SVM)和BP神经网络(backpropagation neural network,BPNN)模型对薯皮粗糙度分级分类,模型分级精度评价指标为准确率、精准率、召回率及调和平均数。【结果】加权平均值法进行灰度处理后的薯皮图像纹理结构清晰,图像清晰度评价值为2.5698±0.5959,显著高于平均值法(1.8035±0.4856)和最大值法(1.0535±0.4088);直方图均衡化增强后的薯皮图像灰度级范围由100—200扩大为0—200,灰度分布更加广泛;中值滤波对3×3窗口下的薯皮图像椒盐噪声去噪效果明显,峰值信噪比(peak signal-to-noise ratio,PSNR)最大((28.6250±3.9784)Bp),显著高于3×3和5×5窗口下对高斯噪声去噪后的PSNR。通过GLCM(d=4)提取的两类薯皮图像特征参数间差异显著,选择其中差异较小的无芽眼薯皮图像特征集进行统计分析和分类识别,结果表明该特征集变异系数差异明显,对比度变异系数最大(0.40),其次是角二阶矩(0.24)和相关度(0.23),熵变异系数最小(0.18)。将该特征集作为分类模型输入变量用于薯皮分类,相较于BP神经网络,SVM对马铃薯薯皮粗糙度的整体分类性能较高,准确率为87.5%。其中,对光滑皮和重麻皮的预测准确度和识别能力最高,精准率均为100%,召回率分别为85.7%和100%,调和平均数分别为92.3%和100%。【结论】综合利用本研究提出的图像处理技术及GLCM提取的纹理特征参数能有效表征马铃薯块茎薯皮粗糙度差异;通过构建SVM分类模型可实现基于机器视觉的马铃薯薯皮粗糙度分级,且准确率达87.5%。