随着劳动力成本的日益增长,水果自动分级受到诸多关注,其中苹果自动分级因具有较高的研发难度而难以普及。从分级技术层面来讲,当前苹果外观品质分级的难点主要集中于大小分级与缺陷分级,前者受苹果立体形状多变的影响而难以实现苹果图像直径与实际直径的准确对应,后者受缺陷外观多变且易于与果梗花萼混淆的影响而具有较大的分类难度。从分级系统层面来讲,当前苹果分级多仅限于机械分级,存在与软件结合程度差、检测指标数少以及分级准确率低等问题。针对上述问题,本文在介绍了分级相关理论之后还完成了以下相关工作:首先,针对苹果图像直径与实际直径映射不准确的问题,本文设计了一种利用线性拟合模型对苹果实际直径进行预测的方法。该方法首先利用苹果轮廓最外侧点迭代求解苹果轮廓的最小外接圆,把求得的最小外接圆直径作为苹果图像的最大直径;然后使用苹果图像最大直径与实际测量直径建立线性模型来预测苹果的实际直径。实验表明,所建立的模型可以达到92%的分级正确率及0.56mm的平均计算误差。其次,针对苹果图像中缺陷区分难的问题,本文设计了一种利用深度可分离卷积神经网络MobileNet模型对苹果缺陷程度进行分级的方法。该方法首先借助HSV颜色特征从苹果图像中分割疑似缺陷区域,用种子填充法计算这些区域的面积并标号;然后用扩充后的数据建立轻量化的MobileNet模型对疑似缺陷区域进行分类并计算苹果缺陷程度。实验表明该方法的苹果缺陷分级正确率达到95%,高于图像处理及经典机器学习方法,MobileNet模型在减小了卷积神经网络模型规模的同时与经典机器学习方法相比仍具有明显的分类优势。最后,在上述工作基础上设计并实现了一个苹果外观品质分级系统。该系统在大小计算模块采用了线性拟合模型,在缺陷数量面积计算模块中采用了 MobileNet模型,在上色率计算模块采用苹果图像在HSV颜色空间中红色所占比例,然后根据相应国家标准与各模块输出的数据对苹果进行分级。测试表明,该系统对苹果外观各指标综合分级的正确率为88.3%且具备较快的分级速度。相关实验表明本文设计的分级系统具备了较大实际应用价值。