为实现机器智能切断出含有蔗芽的有效蔗种片段,引入机器视觉技术识别甘蔗茎节。针对甘蔗茎节和节间在形态、颜色上的特性差异,采用模式识别技术与机器视觉技术,在算法上进行了深入研究。算法基本上解决了甘蔗茎节识别的关键问题,具有较高的应用价值,可作为甘蔗蔗种自动预处理装备研制的理论依据。本文在茎节识别算法上进行了大量尝试与试验,并对蔗芽图像的采集、蔗芽质量检测的蔗芽图像分割做了试验研究,本文的具体研究工作包括了以下几个方面。(1)搭建了图像采集的硬件系统,编写了图像采集、处理以及试验程序。从甘蔗图像的茎节识别与蔗芽检测出发,做了大量基于图像的甘蔗边缘检测、图像增强、滤波除噪、图像分割等预处理试验,提出了甘蔗的茎节识别检测方法与识别效果评定标准。(2)针对甘蔗在进入图像采集系统中出现的倾斜问题,提出采用边界中心点集的最小二乘线性拟合获取斜率的方法。而在甘蔗根茎端判向的问题上利用甘蔗在茎节的边界突变与茎节与节间灰度特性,提出线性拟合与灰度梯度结合判定的方法。(3)利用甘蔗图像边缘在茎节处出现的边缘拐点特性,提出了基于上下边缘中心点集线性拟合的茎节识别方法。针对甘蔗茎节在颜色灰度上的不连续统计分布,结合各颜色分量的贡献,提出了中值决策和模糊决策的茎节识别方法。(4)针对甘蔗图像采集过程中,前后连续图像和同一位置不同视角图像的信息互补特性,提出了基于前后两幅图像的移动图像信息融合算法,和基于不同拍摄视角的旋转图像信息融合算法。对旋转视角的两图像提取其R分量进行信息融合决策试验,单茎节识别率为95%；采用多颜色分量进行信息融合决策,经模糊聚类获得的单茎节识别率达98.33%。(5)利用甘蔗茎节的图像特性,提取HSV颜色空间的H分量,经二值化处理、划分区域,提取区域质心比、粗度比和白点比等7个特征指标。利用支持向量机(SVM)在处理小样本及高维数据上的优势,对茎节与节间的特性指标进行分类,获得茎节类与茎间类的识别率达93.36%；对获得的茎节类列块进行最小距离聚类得到茎节个数识别率达94.12%。(6)甘蔗图像经人工抽取,对蔗芽、茎节和甘蔗区的RGB和HSV颜色空间信息做试验分析。对蔗芽图像进行分割算法研究：对含有蔗芽的框选区域进行基于OTSU、最大熵、改进的最大方差、FCM和基于高斯核的FCM蔗芽分割。对过分割蔗芽图像提出了基于对称补偿的方法；对欠分割图像提出了基于圆度,区域位置试验先验知识的分离方法。为减少算法的运行时间,提出了改进的8点等效最大内切圆分离蔗芽和定位蔗芽的分割方法。(7)小波变换可以将图像分解为各个分解级的近似低频图像和水平、垂直、倾斜的3个高频细节分量。采用其小波变换的细节垂直分量可以有效体现茎节在图像中的位置特性,提出了基于小波分解与模糊聚类的茎节识别方法。克服了边缘拟合和列灰度统计只能识别单一茎节的缺陷。在单一茎节、整体识别率上取得了100%和91.95%的识别效果。