花生、大豆、玉米等颗粒状农作物在农业生产过程中,极易发生表皮破损的情况,影响农作物的品质和商业价值。传统的人工分拣方法需要大量的劳动力,并且效率低下。本文以花生作为颗粒状农作物的代表,研究基于嵌入式平台的颗粒状农作物图像分类算法。通过软硬件协同设计,在Zynq SoC平台对图像分类算法进行移植和实现。首先,设计系统平台。搭建硬件平台,包括以GPU平台为核心的模型训练平台和以Zynq SoC平台为核心的模型推断平台。完成花生图像采集和预处理,降低光源照射不均导致农作物图像产生阴影的影响,并构建图像数据集。其次,研究基于特征提取和支持向量机(SVM)的图像分类算法。针对SVM算法缺乏提取图像特征能力的问题,对比并分析了方向梯度直方图(HOG)、局部二值模式(LBP)和尺度不变特征转换(SIFT)三种图像特征提取算法,选取准确率较高、运行时间短的HOG算法作为适用于颗粒状农作物的特征提取算法,并根据嵌入式平台的特点,对算法进行简化,降低计算资源开销。然后,研究改进的卷积神经网络(CNN)图像分类算法。基于轻量化网络SqueezeNet改进了网络拓扑结构,并采用Msra参数初始化、自适应学习率衰减和动量平滑等综合优化策略对网络模型训练阶段进行优化,提高网络模型的泛化能力,加快收敛速度。最后,结合算法原理和嵌入式平台特点,提出一种可复用的FPGA硬件加速设计方法。使用高层次综合工具,设计加速优化策略,提升复用能力。按照模块化的方式,分别对卷积层、池化层、全连接层和径向基函数层进行设计。进而搭建实验环境,测试加速效果。实验结果表明,FPGA硬件加速效果优异,SVM算法具有实时性好的特点,同时能达到较高的准确率。而CNN算法具有更好的分类效果。