盐渍海参既可作为干海参和即食海参产品的原料,也可作为最终产品直接售卖,需求量很大,产量也逐年增高。在加工盐渍海参产品的过程中,对盐渍海参进行品质检测和品质控制具有重要的商业价值。现有品质检测方法相对落后,主要为人工检测和实验室检测,这是制约盐渍海参加工自动化、智能化的重要因素。机器视觉作为一种新兴的无损检测方法,有效结合图像处理和机器学习技术,在食品品质检测中得到了越来越普遍的应用。质构仪作为传统基于力学信息的定量分析仪器,普遍应用于食品的物性分析。本文结合机器视觉和力学检测技术,通过将图像和力学特征进行协同融合,展开盐渍海参品质分级和质构特性预测研究。具体研究如下:（1）模拟人工检测过程,搭建图像和力学采集系统,实现海参下压、回复过程中的图像和力学信息采集。在此基础上,针对图像信息,建立图像预处理算法,构建动态能量图和二值轮廓图作为特征图像进行后续处理。（2）针对特征图像,提取基于直方图的统计特征:均值、标准差、平滑度、三阶矩、一致性和熵;基于灰度共生矩阵纹理特征:对比度、相关性、能量、同质性、最大概率和熵。针对力学信息,提取力学统计特征:均值、几何平均数、标准差、中位数、一阶范数和二阶范数;做功特征:下压和回复过程做功值,分别利用最近邻分类算法和支持向量机建立基于图像特征和力学特征的盐渍海参品质分级模型。比较分析发现,基于动态能量图的灰度共生矩阵纹理特征建立的支持向量机品质分级模型（SVM-CE-GLCM）效果最好,准确率达95.24%。（3）根据品质分级模型结果,针对特征图像,提取动态能量图的灰度共生矩阵纹理特征作为模型输入;针对力学信息,提取力学统计特征和做功特征作为模型输入,以硬度、弹性和咀嚼性作为预测的质构指标,分别构建基于BP和广义回归神经网络的质构特性预测模型。预测模型结果表明,基于力学特征的模型预测能力较图像特征模型有所增加,BP-Sp-I、GRNN-Sp-I、GRNN-Ch-I、BP-Sp-F和GRNN-Sp-F预测精度达到可用于实际生产的水平,其中BP-Sp-F和GRNN-Sp-F模型具有较优的预测效果,R~2可达0.91和0.92。（4）基于以上研究,在特征层面上对图像和力学特征进行串行融合,利用主成分分析实现数据降维,建立基于图像和力学协同作用的盐渍海参品质分级模型和质构特性预测模型。与单一信息特征模型的预测结果进行对比分析,发现基于融合特征的模型输入变量个数明显减少,检测能力基本不变或有所提高。综上所述,针对品质分级,在图像和力学特征协同作用下的支持向量机品质分级模型被确定为最优模型,准确率可达95.24%;针对硬度、弹性和咀嚼性的预测,基于GRNN的质构预测模型效果最佳,模型R~2分别达到0.90、0.92和0.86。上述研究,提出了利用图像和力学信息协同检测盐渍海参品质的方法,并验证了该方法的潜力和可行性,为实现盐渍海参无损、便捷的品质分级和质构特性预测应用提供了思路和方法上的支持。