在农业领域,激光散斑是一种较新的无损检测技术。当相干性良好的激光照射在光学粗糙的物体或者具有活性的生物体表面时,散射光在接收面内相互叠加干涉形成的斑点状图案即是激光散斑。这种激光散斑包含反射物的各种信息,如反射物的表面信息、反射粒子的运动信息、温度信息等。本研究以皇冠梨作为研究对象,研究基于激光散斑图像的梨缺陷与果梗/花萼和正常无缺陷部位的识别问题。(1)搭建了激光散斑实验平台,包括硬件系统以及相应的软件系统。硬件系统包括了光照箱、激光光源、激光扩束镜、偏振片、彩色CCD相机、计算机以及数字信号发生器。软件系统与硬件系统相结合可以实现激光散斑图像的采集、保存等功能。能够根据需要调整相机参数、设置ROI大小、控制数字信号发生器、设置图像自动采集频率、设置图像保存路径等。激光散斑图像处理模块主要实现了散斑图像预处理,包括图像灰度化、RGB三通道分离等功能。实现了对已经采集到的散斑图像进行ROI再设置等功能。实现了THSP(时间序列散斑图,Time History of Speckle Pattern)的构建以及在此基础上的THSP灰度共生矩阵的计算以及惯性矩的计算。实现了Fujii算法(Fujii’s method)、GD (Generalized Difference)算法以及WGD (Weighted Generalized Difference)算法。(2)利用Fujii方法和WGD方法对散斑图像进行处理,得到相应的Fujii图像和WGD图像,得到图像中不同活性区域呈现出的不同纹理特征。对200个样本,共采集400组图像,提取相应纹理特征,利用单一特征量进行分类,结果显示基于WGD方法得到的角二阶矩(ASM)特征量在区分缺陷与果梗／花萼时效果较好,建模和预测准确率分别达到了96.4%和96.7%。测试多种特征量结合方式的分类效果,结果显示利用基于WGD图像的角二阶矩平均值(ASM_MEAN_WGD)和相关性标准差(COR_SDEV_WGD)相结合进行分类,其分类效果较好,建模和预测正确率分别为97.5%和97.5%,证明该种方法可用于缺陷部位与花萼／果梗的分类识别。研究了不同ROI大小对识别的影响,分别对大小为512×512、256×256、128×128、64×64、32×32以及16×16的ROI子图像进行了测试,提取它们的特征值,测试其对分类结果的影响。在综合考虑了分类正确率和资源消耗的情况下,认为基于512×512大小ROI图像的WGD结果图所提取的四个特征量(角二阶矩平均值,角二阶矩标准差,相关性平均值及相关性标准差)相结合时的分类效果较佳,正确率达到98%。(3)采用THSP的方法对采集到的原始激光散斑图像进行分析。分别构建皇冠梨缺陷、果梗、花萼以及无缺陷部位的THSP,然后以THSP为基础计算相应的共生矩阵,通过共生矩阵可以看出,在梨缺陷部位的THSP共生矩阵中,像素点主要分布于对角线两侧且偏离程度小,总点数也较少。而果梗、花萼以及正常无缺陷部位的THSP共生矩阵呈现出白色云状图案面积更大,偏离主对角线程度更高,其中尤以正常无缺陷部位的白色云状图案最大,证明缺陷部位较其他正常部位活性低。为了能够定量说明这一结论,提取了THSP共生矩阵的IM值(惯性矩),并以IM值作为特征量对样品进行分类识别,结果显示分类总体正确率为88.3%,因此可以利用变量IM来进行分类识别。比较了THSP方法和Fujii/WGD方法的时间消耗和分类效果。结果显示THSP方法相较于Fujii/WGD方法,其时间消耗较小,但是分类效果较差。