中国养蚕历史悠久，发展蚕业对于增加国家财政税收和农民收入意义重大。不同品种的茧丝质量差别很大，优质杂交家蚕品种才能获得更高品质的蚕丝。雌雄蚕蛹准确分离是育种过程获取优质杂交家蚕品种的关键。目前蚕种场主要靠人工鉴别与分离雌雄蚕蛹，劳动强度大，用工成本高。为自动识别蚕蛹性别，国内外许多学者进行了相关研究。但大部分方法都存在模型稳定性和通用性差等问题。因此，有必要探索一种新的、准确的方法进行蚕蛹雌雄识别研究。机器视觉技术已在农业生产广泛应用。本研究利用机器视觉技术对蚕蛹雌雄识别进行研究，由于蚕蛹为活体而且个体小，蚕蛹雌雄识别比其它静态物体识别具有更大的难度。本文主要研究工作如下，
　　1.针对基于机器视觉成像系统获取的蚕蛹图像存在低亮度和噪声、空间变化模糊、运动模糊问题，分别构建相应的算法进行图像恢复。
　　针对蚕蛹图像的低光照和噪声问题，基于ShanQ的建模思想，建立低光照蚕蛹图像与理想光照蚕蛹图像的局部亮度线性映射关系，同时引入Tikhonov正则化项对噪声进行平滑。试验结果显示，该方法能够同时提高图像光照度和抑制噪声，且对噪声具有一定的鲁棒性。
　　针对空间变化模糊的蚕蛹图像，采用将复杂的空间变化模糊图像恢复问题化为多个简单的均匀模糊图像块求解策略。试验结果表明，该算法与目前所公认最优算法之一的Shen方法相比，能够有效消除空间变化模糊影响，获得更好的蚕蛹图像视觉质量，且边缘不存在振铃失真。
　　针对运动模糊的蚕蛹图像，使用三步策略法来恢复最终清晰的蚕蛹图像。首先，在预测阶段恢复蚕蛹图像的锐利边缘信息，其次在模糊核估算阶段，利用拉东变换（Radontransform）估算精确的模糊核，最后，采用总变差（Totalvariation，TV）L1范数模型来复原最终清晰的蚕蛹图像。试验结果显示，该方法可以有效地消除运动模糊，恢复图像纹理细节和锐利的对比度，且对运动模糊具有一定的鲁棒性。
　　2.基于卷积神经网络（ConvolutionalNeuralNetwork，CNN）进行蚕蛹雌雄识别研究。基于LeNet-5网络，对卷积层数和卷积核大小进行优化，构建适合于蚕蛹图像的CNN模型。训练集和预测集分别包括1400幅和633幅蚕蛹图像。与基于传统特征提取识别结果相比，CNN模型识别准确率更高，为95.10%，识别单幅图像时间更短（0.024s），模型的通用性更好。此外，三类图像质量改善算法都能提升CNN模型雌雄识别准确率。其中，经运动模糊图像恢复算法处理蚕蛹图像后，其识别准确率最高为97.15%。说明CNN能有效地分选蚕蛹雌雄而不受品种影响。
　　3.基于高光谱成像技术的蚕蛹雌雄识别研究。在获取蚕蛹高光谱数据（363-1026nm）后，首先探讨不同感兴趣区域（Regionofinterest，ROI）头部、中部、尾部对蚕蛹雌雄识别准确率的影响。然后利用连续投影算法（SuccessiveProjectionsAlgorithm，SPA）对预处理后的高光谱光谱数据进行特征波长选择，共选取24个特征波长。采用灰度共生矩阵（GrayLevelCo-occurenceMatrix，GLCM）提取第一个主成分（Principalcomponent，PC）图像的纹理特征。试验结果显示，与仅使用特征光谱或纹理特征的蚕蛹雌雄识别结果相比，基于特征光谱和纹理特征融合的支持向量机（SVM）模型识别准确率最高，为95%。这说明，高光谱成像技术能够应用于蚕蛹雌雄识别。
　　4.研制了基于机器视觉的蚕蛹雌雄在线智能识别与分选装置，实现了蚕蛹单通道自动输送、图像采集与处理、识别与分选的功能。在线雌雄识别结果为96.23%，从单粒蚕蛹图像处理到识别蚕蛹雌雄的时间为0.5s，分选单粒蚕蛹的时间为0.6s。该装置对蚕蛹识别与分选不受品种的影响，有助于推进蚕业育种生产智能化发展。