肉品是人类餐桌上的必需品,随着人口数量的增加,人类对肉品的需求也逐渐增多。目前,肉品分割和检测环节仍有部分工序为人工密集型工种,随着科技的发展,自动化流水线正在逐渐代替人工,新冠疫情的爆发更是加速了肉品分割行业加工检测的无人化进程。然而肉品等为天然物品,纹理复杂,个体差异性特征显著,油脂等缺陷与本体颜色接近,使得自动化检测存在一定挑战。本文以自动化生产线上分割鸡胴体得到的翅尖、翅中、翅根、鸡胸自动化分类和油脂检测为目标,提出了基于颜色对比增强（CCE）的颜色特征检测算法和特征分类算法。将算法进行了软硬件集成实现,实现了肉品自动化分类与缺陷检测。本文提出了一种基于颜色对比增强的颜色特征快速检测算法和检测流程,该算法通过将原始RGB颜色空间各个维度的信息融合并卷积得到新的颜色空间XYZ,使原本在RGB颜色空间中相近的颜色噪声,在XYZ颜色空间中能够有更大的区分度。通过对红色和黄色系列的相近颜色区分做检测验证,结果表明该算法能够增强颜色对比的同时抑制了噪声,解决了人工颜色对比算法（ACC）只能处理红色系列特征的问题,同时弥补了主成分分析算法（PCA）不能针对性滤除噪声的问题。针对特征明显的待分类肉品,提出了基于目标面积的肉品分类方法,通过阈值对待测物区域的像素点数进行判断,实现翅尖和鸡胸的区分;而面向特征不明显的样本对象,提出了基于卷积神经网络的分类方法,该方法利用数据增强得到的训练集和测试集分别进行卷积神经网络的训练和测试,可以实现翅中和翅根的分类。本文设计了自动化检测产线软硬件协同系统,将所设计的算法在搭建的软硬件协同系统平台中进行实现。采用Zynq芯片作为开发平台,使用嵌入式Linux系统作为控制中心,利用硬件实现算法加速,实验结果表明该系统至少可以实现每秒3张图片的处理,满足10000只/小时的产线速度要求。为了验证所提出的算法的有效性,进行了相关的实验,实验结果显示:基于目标面积阈值进行翅尖和鸡胸预分类的正确率可达100%,基于卷积神经网络进行翅中和翅根的识别正确率在98%以上。在鸡胸肉中油脂的检测中,与传统的在RGB颜色空间下使用主成分分析法得到的20%平均相对误差率相比,所提出的颜色对比增强算法检测流程一般可将油脂部分检测的平均相对误差减小至5%以内,结果表明颜色对比增强算法可以有效地去除相近的颜色特征干扰。