目前,采用机器视觉技术检测食品及农产品的品质正逐步推广应用。大豆作为一种重要的农产品,日益受到人们的重视,但是目前对大豆品质的检测、分级仍然停留在人工水平上。因此应用机器视觉技术对大豆进行品质检测有着重要的意义。本研究构建了基于计算机视觉的大豆检测系统:首先选择大豆图像预处理算法,然后提取大豆的形状和颜色特征,最后利用提取的大豆特征,基于MATLAB构建神经网络对大豆品质检测做了初步探索。得到以下结论:1.在本研究条件下,对光源的照明方式进行试验得到,在前向光源下能够有效地得到大豆的绝大部分外观特征。在相同的光源与照明方式下,选用红色、蓝色、黄色、黑色和白色的背景,以相同的二值分割参数进行试验,得到以黑色为背景进行分析效果最佳。对传统的图像算法进行分析和比较,包括图像滤波,边缘检测等,得到中值滤波能够明显的降低大豆图像的噪声,在灰度值变化较小的情况下,降低了图像边界部分的模糊程度,有良好的平滑效果。对黏连籽粒,应用基于形态学的二值分割方法和分水岭分割方法进行对比分析,发现应用分水岭方法得到的黏连分割图像的效果良好。应用双峰法与生长法相结合的算法,实现了背景与目标豆粒的分离,并且除去大部分噪声,进而分离得到单个分离的豆粒。从而获得了目标图像。2.定义并提取了大豆种子29个形态特征,可以同时对图像中多个大豆籽粒进行特征提取,大大提高了大豆特征提取的效率。根据BP人工神经网络的结构特点和网络参数设计要求,设计了面向MATLAB的BP神经网络。对比各种算法得到,Levenberg-Marquardt算法函数为各层之间的优化函数。对于单种缺陷的网络隐含层设为10,多种缺陷的网络设为23。3.优化特征选择,应用SAS分析软件对29个特征进行LOGISTIC和CORR分析,根据检测要求选择特征指标。结果表明,神经网络对于识别单种缺陷有很好的检验能力,其中对未成熟的检测率达到了100%,而对其它的缺陷中标准粒的检出也达到了95%以上;相对来说对缺陷粒的检出较差,但其中对于检出率最差的破碎粒的检出率也达到了81%。对于一次性识别多项豆粒缺陷的研究,10特征值的网络能够很好的区分标准粒和缺陷粒,标准豆粒的识别率为99%,未能确定是否良好的比率为1%;把虫蚀、霉变、破碎、未成熟和菌斑五种影响大豆品质的豆粒误检为标准大豆的比率为0.2%。对虫蚀、霉变、破碎、未成熟和菌斑的识别率分别为40%、51%、42%、96%、87%。4.经过SAS回归分析,得到了外观与营养品质的数学方程。经过回归分析得到蛋白质与长宽比、似圆度、G标准差、B标准差的回归方程:脂肪与面积、H均值、H标准差的回归方程为:其中x1为面积, x1 5为H均值, x1 8为H标准差。