为了解决传统人工方法筛选小桐子种子具有主观性强、错误率高且效率低等问题,本研究在实验室环境下,根据机器视觉系统设计的要求,利用现有的设备对小桐子种子进行识别检测。在实验过程中针对图像处理部分出现的连通域噪声问题以及在特征参数提取及处理部分出现的数据冗余度过高的问题做了针对性的研究工作,在局部做出了算法上的对比应用,同时在整体上提升了本实验所设计的机器视觉系统的鲁棒性。实验流程上对采集到的小桐子种子,利用Open CV软件和Matlab软件分别对图像进行图像预处理和特征参数提取的工作,结合粒子群优化算法的支持向量机分类器实现了对小桐子种子的高效、快速、准确的识别分类。论文的主要研究内容有以下几个部分:1.图像处理方面:对小桐子种子图像进行滤波处理时,存在连通域噪声,会对特征参数的提取造成一定的影响,本文在基于大津算法(Otsu)基础上,应用孔洞填充算法(Fill Internal Contours)的阈值分割算法,即利用基于内部小型连通域轮廓覆盖与阈值分割方法的结合,根据图像中不同的灰阶值的分布设置阈值,将其分为两个灰阶区域,并对不同的灰阶的像素区域进行分割,二值化成两块区域。在二值化图像的基础上设定面积阈值,利用Fill Internal Contours算法填充小于等于此阈值的连通域,进而能够有效的排除噪声的干扰。2.特征提取方面:为了能够充分得到小桐子种子图像的信息,本文分别对小桐子种子图像的形状特征、颜色特征以及纹理特征进行提取分析。形状特征包括面积、周长、长轴、短轴、当量直径、圆度、伸长度、紧凑度、矩形度、离心率等特征参数;颜色特征主要为(红)R、(绿)G、(蓝)B、(色调)H、(饱和度)S和(明度)V分量;纹理特征主要为平均值(mean)、对比度(con)和熵(ent)等参数。根据对应的特征参数的提取算法共提取19个特征参数并建立了数据比对库,为小桐子种子特征识别分类奠定了基础。3.分类器选择方面:通过主成分分析法(Principal Component Analysis,PCA)从小桐子种子图像的19个特征参数中选取5个(即长轴、紧凑度、B分量、H分量和mean)能够代表图像的大部分信息,这样可以缩短分类器的处理时间。通过粒子群优化算法(Particle Swarm Optimization,PSO)的支持向量机分类器(Support Vector Machine,SVM),即寻找SVM模型的最优参数,构造PSO-SVM模型,对小桐子种子进行识别分类,准确率达到了96%左右。实验结果表明,在相同的条件下采用基于Otsu及Fill Internal Contours的阈值分割算法,可以比传统方式提升针对大面积连通域噪声的处理效果,避免了盲目依赖形态学处理对此类噪声处理能力上的不足;同时在增加粒子群优化算法对支持向量机参数进行优化处理后,数据分类并进一步用于识别的效果相对应的得以增强,证明了粒子群优化算法的支持向量机分类器在本实验中的有效性。