该研究以计算机视觉和模式识别理论为基础,以苹果、西红柿和猕猴桃作主要研究对象,通过理论分析、果实特性大量的实测和分级试验,研究了解决上述问题的关键技术.主要研究内容如下:(1)根据计算机视觉检测果实表面特征并进行识别分析的要求,建立了计算机视觉系统;(2)研究了图象预处理的典型算法,对计算复杂度高、运行费时的图象处理算法进行了改进;(3)在测定果实颜色特性的基础上,确定了用合适色相值下累计着色面积百分比进行颜色分级的方法的准则;提出将果实色相分布曲线作为模式处理,用人工神经网络进行果实表面颜色分级的技术;(4)首次将参考形状法用于苹果形状特征参数的提取,提出6个形状特征参数表示果形并输入人工刘经网络进行训练和识别的方法;(5)针对BP网络隐节点个数只能凭经验选取的问题,改进了BP网络的学习算法,使网络在学习过程中自行组织,既能保证网络的性能,又可确定出最少的隐节点个数,以提高识别、分级速度;(6)将泼水算法、活动边界模型有机结合,并对活动边界模型的一般公式进行了改进,既可有效检测各种边缘不明显的缺陷,又解决了泼水算法找出缺陷区域比实际缺陷大的问题,使检测的缺陷边界位置精确,为正确检测出缺陷面积打好了基础;(7)分析了从投影图象直接测定果面缺陷面积存在的问题,首次提出利用像素点变换和边界变换从投影图恢复果面几何信息而精确检测果面缺陷的技术;(8)设计了可综合果形、果径、着色面积和果面缺陷等表面特征进行综合分级的计算机视觉果实分极系统,分别用苹果、西红柿和猕猴桃进行了试验,取得了满意的分级效果,表明研制的系统有良好的扩展性;(9)通过试验研究了图像大小对分级速度的影响,确认了选择80±60的图像尺寸,既能保证分级精度,又可大幅度提高分级速度,处理一个果实需时平均为0.4781s,基本上达到了自动化实时检测的要求.