小麦,作为世界第二大粮食作物,不仅含有丰富的营养物质,且为人们赖以生存的基本物质和工业原料,其品质问题关乎国际民生。在小麦收购与市场流通环节,不完善粒是品质定级的限制指标,且是增扣量的依据。在各大粮库、加工厂及质检中心,不完善粒检测仍主要为人工检测,极易出现定级误差、串通舞弊、制约收购进度等问题。在计算机视觉方法中,通常依赖昂贵的图像采集、分离设备,且传统机器视觉方法识别率较低,无法满足品质的准确的评定。故本文以完善粒、破损粒、生芽粒、生霉粒、虫蚀粒和病斑粒为检测对象,搭建小麦图像采集平台,研究粘连小麦颗粒分割方法,制作小麦数据集,构建小麦不完善粒检测模型,并建立基于计算机视觉的小麦不完善粒含量的计算方法。本文主要工作如下:（1）搭建小麦图像采集装置。针对较多学者采用人工摆放小麦的方式,而实际检测情况下,小麦随机散落,数量多且粘连严重的问题。本文设计一种由托盘、工业相机、电磁振动台、光源、工业相机支架等组成的图像采集平台,结合设备优势,减弱小麦粘连程度,同时保证采集的小麦图像特征清晰。（2）构建基于凹点掩膜的两颗粒粘连小麦分割算法。针对垂直震荡过的小麦颗粒,粘连情况仍广泛存在的问题,且粘连小麦的单侧或两侧呈凹陷状的特性。本文建立一种基于凹点掩膜的两颗粒粘连小麦分割算法,即将采集的原始图像通过图像预处理、粘连小麦分割、裁剪单籽粒小麦与摒弃多余轮廓4个步骤,实现小麦单粒化分割,结合设备与算法的优势,在总计9988粒小麦的分割中,达到错误占比0.93%,效果较优。（3）制作小麦数据集。针对目前没有满足小麦不完善粒检测的公共数据集的问题,本文自制数据集,将单粒化的6种小麦图像,随机挑选小麦各800粒,利用旋转180°后提高亮度、镜像后降低亮度、加噪的图像增强方式,将数据集扩充至19200张,并按照8:2原则划分数据集,最终获得15360张训练集、3840张验证集和1113张测试集。（4）构建基于改进Res Net的小麦不完善粒检测模型。针对小麦不完善粒分类网络仍旧停留于简单的分类模型,模型无法完全适用于不完善粒检测的问题。本文通过对比各种卷积神经网络结构及优缺点,发现模型始终围绕网络深度、宽度、注意力机制、卷积方式、下采样方式、感受野大小、超参数等方面进行优化,最终提出基于Res24＿D＿CBAM＿Atrous的小麦不完善粒检测模型,正确识别的不完善粒达1049粒,整体小麦分类评价指标Precision、Recall、F1的Macro avg值分别达94%、95%、94%,在原Res34模型基础上提高3%-4%,预测时间降低220s。（5）建立基于计算机视觉的小麦不完善粒含量的计算方法。针对GB/T 5494-2019不完善粒的检验中,明确规定应用不完善粒质量分数计算其含量的问题,本文根据质量公式8)8)=6)6)标,建立小麦不完善粒含量的计算方法;通过对比不完善粒的容重变化量,计算出不同种类小麦的密度比例系数6)6);对于计算机视觉方法检测出的不完善粒含量,以国标方法的检测结果为参照,建立线性回归直线方程,校正不完善粒含量的计算误差,实现对小麦品质的系统、科学评价。