随着机器视觉技术的发展,图像的获取与识别已经成为研究热点。在烟草行业,烟叶定级技术正在经历从效率低的人工定级到计算机自动定级的转变。本文提出基于机器视觉与深度学习对烟叶定级开展研究,具有一定的理论意义和应用价值。基于机器视觉与深度学习开展烟叶定级研究,图像特征提取及分割至关重要。本文提出改进K-mean算法并与RGB色彩空间球坐标混合距离法相结合,实现对烟叶图像的完整分割;将深度学习应用于烟叶图像的识别,通过优化深度学习算法提高识别准确率和运行速度。主要工作及创新点如下:1、搭建烟叶图像采集系统,采集烟叶图像并对图像进行预处理;通过对比不同滤波方法的优缺点,选择适合的滤波方法去除图像噪声;分析现有烟叶分割方法的不足,提出RGB色彩空间球坐标混合距离法与改进K-means算法,对烟叶图像进行分割,得到了完整的前景信息。2、在预处理的基础上提取烟叶特征参数,利用支持向量机(SVM)模式识别理论和方法,通过实验参数数据并训练网络,搭建了基于SVM网络的烟叶定级模型。计算得出烟叶B3F、C3F、X2F级别的定级识别率,分别为81.67%、90.67%、86.67%。3、通过对比其他机器学习SVM模型,根据烟叶数据库性质优化了卷积神经网络,提出优化烟叶数据库方法,解决过拟合问题;通过使用卷积神经网络训练和测试烟叶图像,实现了对烟叶B3F、C3F、X2F级别的定级,识别率分别提高了11.66%、1.67%、10.00%。