马铃薯是重要的粮食作物,在深加工之前,会对不同形状和质量的马铃薯进行分级。目前,普遍利用滚筒或滚杠式机械进行粗分选,很容易对其造成机械损伤。基于国内外研究现状,提出一种快速无损的检测分级方法,使用机器视觉技术,针对批量马铃薯目标进行形状和质量分级。对批量马铃薯的图像进行处理,提取特征参数,完成形状和质量的检测分级。主要研究内容为以下几个方面:（1）比较不同型号的RGBD相机,选择符合条件的相机作为采集设备。研究Kinect v2相机的成像原理和畸变原理,建立数学模型。根据彩色镜头和深度镜头的标记原理,使用张正友标定法分别对彩色镜头和深度镜头进行标定试验,最后求解出相机参数。（2）针对马铃薯二维图像,先使用中值滤波法去噪,再利用迭代法进行阈值分割,以及形态学上的闭运算处理。然后将拉普拉斯算子与高斯算子结合,进行薯形边缘检测。针对拍摄批量马铃薯图像会出现图像遮挡及缺失现象,先应用分水岭算法,分割出独立的马铃薯个体;再根据已知区域进行缺失边缘纹理合成,基于曲率特征预测修补缺失图像。最后显示出批量马铃薯的矩形度、最小外接矩形长宽比以及圆形度参数。（3）首先对不同视角的点云图像,采用基于改进曲率约束的分割算法进行有效分割,再使用基于点云集半径的异常值剔除方法移除离群点。然后求解出正向法向量,使用改进的迭代最近点算法配准不同视角点云图像,并进行优化配准;修复点云集孔洞,进而使用泊松重建完成三维模型的建立。另根据点云集三角网格剖分技术,使用基于优化准则的Lawson算法,建立了马铃薯表面德洛内三角网格模型,进而得到四面锥体模型,计算空间内锥体体积乘以马铃薯密度得到质量,并且建立了批量马铃薯目标的三角网格模型。（4）进行批量马铃薯形状和质量的检测实验。得出圆形薯、椭圆形薯、畸形薯的各参数变化折线图,分析变化规律,判断形状,总准确率为95.7%;实验得出多视角点云重建技术的检测数据,并进行实际质量线性回归分析;将本文方法与依据传统点云栅格划分的模型计算结果进行对比,结果证明本文方法误差更小,检测速度更快,可对批量马铃薯进行质量分级。