油桃是深受消费者喜爱的水果。机械损伤会导致油桃组织劣变腐烂,不仅降低了其食用价值,也容易交叉感染正常水果,导致潜在的经济损失。如何在早期快速、准确地检测出损伤油桃对于满足消费者对高品质水果的需求、提高企业经济效益至关重要。本研究针对传统无损检测技术难以检测油桃等深色系水果的早期损伤问题,将偏振成像技术引入到油桃的早期损伤检测领域,在减弱光滑表面导致的眩光影响的同时实现了早期损伤区域的颜色、纹理和形变信息的有效获取,在此基础上,构建了油桃机械损伤早期检测模型。论文的相关研究成果为水果品质快速无损检测提供一种新方法,主要工作如下:1.分析了偏振成像技术原理,从机理上研究了其在油桃机械损伤检测方面的可行性。基于光的偏振特性,分析了损伤油桃表面的细微形变会引起组织纹理、光泽等属性变化,从而导致其损伤组织和正常组织的偏振信息存在差异。利用分焦平面偏振成像系统,同时采集0°、45°、90°和135°四个偏振方向下的偏振图像,计算出偏振角图像,并从基于偏振图像的定性角度和基于离散度的定量角度对油桃正常区域和损伤区域之间的可区分性进行分析,结果表明,与RGB图像相比,偏振图像中油桃损伤区域和正常区域的差异更加明显。2.提出了基于原始偏振图像并利用最小二乘支持向量机（least squares support vector machine,LSSVM）进行像素分类的油桃机械损伤检测方法。采用分焦平面偏振成像系统一次性获取油桃在四个偏振方向（0°、45°、90°和135°）下的偏振图像,利用双线性插值和低照度图像增强对偏振图像进行预处理,以提高运行实时性并降低水果曲率变化的影响;提取偏振图像中像素的颜色特征和灰度共生矩阵（gray-level co-occurrence matrix,GLCM）特征,分别用于训练两个LSSVM分类模型;通过理论分析和实验仿真,最后利用两个分类模型的串联（color-LSSVM→GLCM-LSSVM model）实现了对油桃机械损伤区域的准确检测。结果表明:该分类器对油桃正常和损伤区域的检测精确率达到95.68%、召回率达到93.29%。3.为克服传统方法特征提取不充分、检测效率偏低以及基于小样本数据集的深度卷积神经网络可能存在“过拟合”的问题,提出了一种基于轻量级卷积神经网络的油桃机械损伤早期检测方法。首先,利用分焦平面成像系统分别采集油桃在五个时期的原始偏振图像（偏振角度为0°、45°、90°和135°）;然后,将12个通道的原始偏振图像拼接,用于训练轻量级卷积神经网络（ResNet-G18）;最后,利用ResNet-G18模型实现对损伤油桃和正常油桃的分类。结果表明:ResNet-G18的精确率为96.21%,召回率为97.69%,需要学习的参数量为0.18 Million,在GeForce GTX 1080Ti 11GB GPU的加持下,处理图像的平均时间为17.32毫秒。相比于三种残差网络（ResNet-18、ResNet-34和ResNet-50）以及三种轻量级神经网络（MobileNet、GhostNet和CDDNet）,ResNet-G18具有更高的检测精确率和召回率,以及更低的时间成本,可用于多品种油桃的机械损伤早期检测。