自十六世纪起,番茄作为一种必不可少的食材出现在人们的视野里。不仅因为它含有充足的养分,而且具有多种药用价值,譬喻,生津止渴,清热消暑,降压,降低胆固醇等等。近年来,随着人们对番茄需求量的日益增加,当今消费者对新鲜果蔬质量安全要求普遍提高,提高安全品质已成为优质生产的重要内容。因此研究一种更有有效、更具有实际意义的关于番茄成熟度检测的算法迫在眉睫。成熟度检测是农产品加工的重要环节之一。迄今为止,温室作物的成熟度检测主要是通过人工进行,此种方法不仅工作效率较低,更重要的是人的主观因素会对结果造成巨大的影响。利用机器视觉技术对成熟度检测进行优化,不仅可以减少果蔬的损坏而且能够提高效率。鉴于人工成熟度检测所存在的问题,本文以优化番茄成熟度检测方法为目标,进行了基于机器视觉的温室番茄成熟度检测的研究。本论文采用Grab Cut、支持向量机等算法,根据番茄外部的形状特征和颜色特征对番茄成熟度进行分类,选取更有区分度的算法,使得温室番茄成熟度检测效果更佳本研究主要完成了以下工作。首先介绍了进行图像获取的软件部分与硬件部分,然后分别讨论了番茄不同成熟期对温室番茄图像的影响。最然后分别介绍了图像分割的各种研究方法以及Graphcuts算法进行图像分割的原理,传统Grab cut算法与Graphcuts算法的区别以及改进后的Grab cut算法的优势。在不同光照条件下采集图像,选取青熟,半熟,成熟等三个不同生长时期的番茄进行成熟度检测的研究。对采集到的番茄图像使用改进后的Grab cut算法进行分割实验,识别并提取出感兴趣的番茄主体。而后,分析判断选择在更合适的HSV颜色空间下,利用上述算法对采集到的番茄图像进行特征提取研究。分别根据形状特征与颜色特征对不同成熟期番茄果实分类进行研究,通过数据对比确定在HSV颜色空间下的H分量颜色特征更具有区分度,通过利用K-means聚类运算细分训练样本。对应聚类后得到的训练样本集设计分类器,训练SVM模型。最终,实现温室番茄成熟度检测。采用改进后的Grab cut算法,在处理速度上有一定的优势,从图像分割的结果来看,改进后的Grab cut算法与传统算法相比可有效识别番茄主体,效果更加显著,在处理单一对象的前景与背景分割的问题上实现了自动Grab cut分割。将Grab cut首次运用到温室番茄图像的识别中,通过K-means与SVM二者结合的方式对温室番茄成熟度进行检测。实验结果证明,该算法具有较好的区分度,达到了92%以上的分类准确率。