苹果在我国水果的生产中占有重要地位,我国苹果产量和种植面积均占全球一半以上。但是我国苹果的商品化分级技术仍以人工分级和机械分级为主,分级标准不统一,难以保证分级质量,在国际市场上缺乏竞争力。因此,提高苹果的分级质量是增强我国苹果国际市场竞争力的关键。本文以红富士苹果为对象,研究了苹果的外部品质检测方法,主要研究内容如下:(1)针对采集的苹果图像,选用了RGB和HSI颜色模型对苹果图像进行处理,并针对样本图像的背景特点,采用了双峰阈值分割法,以R分量与B分量的差值直方图来进行背景分割。此外,分别计算了均值滤波、高斯滤波以及中值滤波的峰值信噪比(PSNR)和结构相似性(SSIM),结果显示中值滤波的效果优于其余两种滤波算法,结合人眼主观判断,选择了中值滤波算法对图像进行去噪处理。(2)在提取苹果外部品质特征时,分别提取了颜色、果形、果径、缺陷等外部特征。在提取颜色特征部分,分别计算了色泽和颜色分布两种参数,通过计算红色和近红色的H值在苹果图像中的比值来代表色泽指数,通过Fisher系数法筛选出了R、G、B三个分量的方差作为苹果的颜色分布参数。在提取果形特征部分,通过Canny算法得到了苹果的最小外接矩形,进而计算出了果形指数。在提取果径特征部分,通过求取图像的最小外接圆形得到了苹果的像素直径,并基于像素当量实现了像素果径与实际果径的转换。在提取缺陷特征部分,依据缺陷区域与正常区域灰度级的不同,引入形态学操作以及孔洞填充完整分割出了缺陷区域,以缺陷面积占苹果面积的比值作为缺陷特征。(3)在分级方法研究中,分别研究了基于遗传算法优化的BP神经网络分级方法和基于粒子群算法优化的支持向量机分级方法。首先,给出了本文采用的红富士苹果分级标准以及300个苹果样本数据库的构成。在BP神经网络分级研究中,通过实验确定了BP神经网络结构中隐含层个数为1,输入层神经元个数为7,输出层神经元个数为4,隐含层神经元个数为15,隐含层激励函数为sigmoid,输出层函数为purelin,学习率为0.2。此外,具体阐述了遗传算法优化BP神经网络的实现过程,分别利用传统的BP神经网络与遗传算法优化的BP神经网络进行了分级研究,结果表明,优化后的BP神经网络分级正确率为94%,明显高于传统BP神经网络。在SVM分级研究中,通过实验确定了径向基函数作为核函数,并针对样本特点选用一对一方法构建分类器。此外,分析了粒子群优化支持向量机的实现过程,得到了最佳惩罚因子c为0.61622和核函数参数g为2.3041,并分别利用传统的支持向量机与粒子群优化的支持向量机进行了分级研究,结果表明,优化后的支持向量机分级正确率为95%,明显高于传统支持向量机。实验结果表明,本文采用的检测和分级方法具有较好的效果。