异色物检测技术是用来将混入正常物料中的异色物检测出来,取代传统的人工分拣方式。该技术实现异色物剔除的智能化,极大提高了异色物分拣的效率和稳定性,对提高产品质量和提升企业竞争力有十分重要的意义。异色物检测技术具有非常强的可移植性,稍加改变就可应用在工业、农业、军事等领域。本文对异色物检测问题进行了深入的分析,建立了针对异色物的模式识别模型。传统图像分割方式,并不能得到对异色物检测有效的特征,而且算法耗时时间长。同时为了实现异色物快速定位,图像被分割成若干个判别单元,根据判别单元的整体色度特征,判定该单元是否含有异色物。异色物检测问题被转化为单元属性的判别问题。在实际生产中异色物种类具有很大的随机性,形状、大小等特征不太合适,而颜色是一幅图像最简单而有效的特征。综合多种因素,我们利用颜色矩方法分别在RGB和HSI空间提取特征。通过实验发现,以判别单元的H均值、I均值和I标准差为特征,检测效果好。传统的分类问题,每类样本都大致分布在某个范围,故任意选取的样本能够代表其所属类的属性。但是本文研究的问题中,目标颗粒的特征分布相对稳定,而异色物出现的种类不可预测,导致其特征很分散。因此选取的异色物样本无法代表该类的特征分布,该现象为典型的单类问题。因此本文选用单类支持向量机(OCSVM)设计分类器。单类支持向量机算法假设所有特征有相同的重要性,然而实际样本中包含着与目标函数弱相关特征在一定程度上影响分类器的推广能力,因此考虑特征加权,提出了特征加权单类支持向量机(FWOCSVM)。通过实验结果发现,与闽值法和单类支持向量机相比,特征加权单类支持向量机对异色物的检测率得到了提高并且误判率低。