水果品质的检测分类是其成熟后流入市场销售前的重要一步,因为水果品质的优劣直接影响其经济效益和市场竞争力。在水果质量检测方面,传统的分类方式主要有人工检测和机械检测。人工检测耗费大量的人力和财力,并且每个人具体分级的标准都会有程度不同的差异,分类的效率容易受到人们的情绪、疲劳程度以及身体状况等因素的影响;机械检测会对水果造成一定程度的机械损伤,在检测的过程中容易碰伤水果,水果一旦受到损伤,其保质期就会被缩短,慢慢变得腐烂。现有传统方法的检测效果并不够理想,将直接影响水果本该带来的最大经济收益。因此,相当有必要寻找一种能够实现水果自动检测分类的技术。机器视觉可以完成需要人眼观察、判断的任务,非常适合用于完成容易使眼睛疲劳的大量重复性动作的判断。本文以脐橙为例,将机器视觉应用于脐橙品质的检测分类中,可以提高检测分类的效率和准确率,最终实现脐橙的自动化无损检测分类。为了克服传统检测分类方法的不足,本文的主要研究内容和创新点如下:(1)由于传统方法去噪会损失图像的部分有用信息,为了克服这一缺点,本文在第三章中研究了基于字典学习的图像去噪方法,利用K-SVD(K-Singular Value Decomposition)算法完成字典的训练,同时研究了该算法的原理和去噪的流程。该方法采用稀疏编码和字典训练两个关键技术,通过对不同算法的实验分析,结果表明该方法能够更完整地保留图像原有的信息,从而达到更佳的去噪效果。(2)现有传统的检测分类方法往往只是针对单一特征进行独立的判别,分类的效果并不理想。为了进一步提高检测率,本文借助于HALCON平台,在第四章中提出了基于特征融合的方法对脐橙实现检测分类。该方法提取了脐橙的横径大小、果皮颜色和表面缺陷这三个特征,首先分别对这三个特征进行单一的检测分类,并给出相应的分类结果,然后把这三个特征融合在一起进行分类,最后给出利用特征融合的方法完成脐橙综合检测分类的结果。(3)现有的研究大多集中在利用人为设计特征完成判别,这些方法相当的耗费时间和精力,因此,设法找到一种能够通过自动学习特征的方法来完成判别是非常必要的。本文在第五章中提出了基于深度学习的方法对脐橙的品质实现检测分类,采集了优质的、良好的、合格的、不合格的4类脐橙图片各1000张,完成了脐橙数据集的构建;基于改进的残差网络构建了对脐橙品质自动分类的网络模型,自动学习样本数据的潜在分布,采用监督学习的方法完成模型的训练,并与其他方法检测分类的效果进行了对比。