植物工厂是农业发展的高级阶段,可以在有限的土地资源上产出更多的粮食蔬菜,能够有效解决粮食安全、季节性蔬菜短缺和地域限制等问题。水培生菜因其产量高、生产周期短和市场需求大等特点,在植物工厂中种植面积越来越大。由于水培生菜质地脆嫩,极易受损,受损后受微生物影响会快速腐烂,严重影响生菜的商品价值和食用安全。针对于此,当今市场推行对水培生菜进行包装出售,针对包装环节也推出了系列包装机械。但包装前的分选检测仍然依靠人工开展,人工分选方法劳动成本较高,费时费力,效率低下,且存在长时间工作后分选质量参差不齐等问题。为解决水培生菜包装前机械化程度低,分选任务重的问题,本文以水培生菜为研究对象,采用机器视觉对异常叶片进行检测并设计分选机构对包装前的水培生菜进行检测并完成分选任务。以下为本文主要研究内容与结论:（1）构建水培生菜图像数据集。根据水培生菜机械化采收模式,分析水培生菜外观特性,确定采用3个高清摄像头自下向上的拍摄方式来获取水培生菜图像。图像采集时间的周期为全天候,图像采集时不进行补光,以最大程度还原植物工厂内的作业环境。由于人工采集的图像数量有限,用于深度学习训练模型的数据集过少时,模型易产生过拟合现象,因此,对采集后的图像进行顺时针90°、180°和270°的旋转并采用上下镜像和左右镜像共6种方法对原始图像数据进行扩增。数据扩增后采用人工标注的方式对水培生菜数据集的整棵生菜、黄叶、干叶和腐烂叶进行标注,并赋予对应的标签。将标注数据过程中对应产生的JSON文件进行编码,生成相应的PNG图像是原始图像的真值图,并按照4:1的比例进行训练集和测试集的划分。（2）基于DeepLabV3+的水培生菜异常叶片分割方法。由于水培生菜异常叶片形状不规则,异常区域不连续,边缘不明显,根据前人的研究发现,针对这种目标,使用语义分割有望取得更好的检测效果,因此,采用DeepLabV3+语义分割网络开展本文研究。在制作训练用数据集时发现,水培生菜数据集存在严重的数据不平衡问题,水培生菜图像中背景和正常生菜像素占据图像的绝大部分,而黄叶、干叶和腐烂叶像素仅仅占据图像的很小一部分,若不对权重进行处理,模型很可能出现在预测像素占比多的类别上较精准,而在像素占比小的类别上精度低的问题。针对该状况,本文引入均一权重和中频权重两种权重设置规则,并采用Xception-65、Xception-71、Res Net-50和Res Net-101四种不同的特征提取网络,分别在两种权重设置规则下进行网络训练,并对比8种模型的性能指标,以便选出更适用水培生菜数据集的模型。试验验证表明,均一权重下基于Res Net-101的DeepLabV3+语义分割模型的平均联合交并比（m Io U）达到了0.8326,像素精度（PA）高达99.24%,且对于腐烂叶分割的联合交并比（Io U）高达0.6138,在所有模型中表现最好,因此在后续的分选系统中使用该模型进行分割识别。（3）水培生菜分选装置整体方案与关键部件设计。根据水培生菜实际采收场景和水培生菜的外观特征,分别提出夹取式分选方案和托举式分选方案。在分析对比两种方案后发现,夹取式分选方式传动机构复杂,且适用性低,而托举式分选方式传动简单,有较强适用性,且对生菜损伤更小,因此采用更适合采收场景和实际情况的托举式分选方案。确定总体方案后,对末端执行器进行设计,对比分析圆环式和支架式末端执行器两种方案,最后选择更为稳定的支架式末端执行器。最后,结合水培生菜分选装置的功能和性能要求对整体的控制系统进行设计,采用串口通信将计算机和Arduino UNO单片机进行数据通信,并确定步进电机、电磁阀、继电器、气缸等硬件的型号,设计控制系统流程图和电路原理图,在此基础上采用C语言编写控制程序。（4）水培生菜分选装置试制与验证试验。根据水培生菜自动分选装置的总体方案以及关键部件与控制系统设计,对样机进行试制并进行调试。在样机上进行二次正交旋转组合试验,对末端执行器中纵/横支撑杆的倾角和步进电机转速进行优化试验。实验结果表明,当支撑杆角度一定时,成功率随步进电机转速增大而减小,当步进电机转速一定时,支撑杆角度从140～160°变化时,成功率先增大后减小,在144°处成功率最大。最终综合考虑分选效率和成功率,选择步进电机转速20转/min,纵/横支撑杆角度均设置为144°。最后,利用最优参数组合,在水培生菜自动分选装置样机上进行验证试验,最终结果表明,样机分选成功率为93%,分选工作效率为4棵/min,较之人工分选有一定提升。