花生是我国重要的经济作物和油料作物,在农业和工业等领域内具有较高的应用价值及广阔的发展前景。外贸出口对花生米的大小、外形、霉变、破损等方面有着明确的规定,但色选机只能分拣霉变粒,难以满足市场需求。机器视觉技术正越来越多地应用于食品或农作物的品质识别,特别是近几年发展起来的机器视觉技术与机器学习算法相结合的研究与实现。利用机器视觉技术实现花生米品质的自动无损检测,对于提高我国花生的市场竞争力以及花生产业的健康可持续发展,具有重要的理论价值和实际意义。本文研究了花生米品质等级分选系统的关键技术,主要包括花生米各类特征提取方法的分析、研究和对比,以及分选算法的研究、设计与分析。主要研究内容和结论体现在以下几个方面:(1)研究花生米图像的预处理方法。通过试验选择3×3大小的中值滤波器进行滤波去噪;通过分析花生米图像前景背景三个通道的取值,使用RGB的线性组合对花生米图像进行分割,从而减少了光源亮度对分割效果的影响,同时避免大津法循环求取阈值的缺点,具有较高的运行效率。(2)研究花生米图像的纹理特征和颜色特征提取方法。截取纹理分析区域并通过高斯-马尔可夫随机场提取纹理特征;基于HSV颜色空间,分别利用直方图、颜色矩提取颜色特征。(3)提出花生米的轮廓特征提取方法。利用直接最小二乘法拟合得到椭圆,并分别提出了饱满度特征以及对称度特征的提取方法,然后与其他研究人员所采用的饱满度特征提取方法在特征参数分布以及相关系数方面进行对比。实验结果表明,本课题所提出的饱满度特征提取方法可以更加有效地衡量花生米外形的饱满程度和规范程度,相关系数与其他方法相比提高了 0.129以上;两个对称性特征在两类样本上的分布差异较大。而且,这三个特征参数可以同步计算、计算效率高。(4)提出一种计算效率更高的分选算法。算法总体呈分支判断结构,各分类器根据其判别目标不同而输入不同类型的特征。然后介绍了这些分类器的设计及训练方法。分类器A使用神经网络,训练时根据数据集特点对代价函数进行了适当加权;分类器B选取线性判别分析器;分类器C选用线性支持向量机,引入基于分类正确率反馈的特征优选方法,并通过交叉验证探究准确率与特征数量之间的关系。(5)根据近年来其他研究人员所采用的分选算法,设计对比实验,并与本文算法在准确性及运行效率等方面进行对比与分析。实验结果表明,与对比实验相比,本文算法的总体精度提高了3.34个百分点、Kappa系数提高了0.0436,准确性有所上升;提取特征的平均数量从28降低到16,运算量从396降低至76,运行效率大幅提高。