大豆是我国乃至世界的主要农作物之一,也是当前我国重要的、具有战略意义的作物之一。因其可粮油饲兼用,具备优秀的应用价值。目前,我国自行种植和生产的大豆远不能够充分满足国内的需要。对大豆的大量需求推动了对优良大豆品种的选育工作,从而提升大豆综合品质,为提升国内大豆产量提供帮助。大豆豆荚形态是用于选育高品质大豆的重要参考指标之一。因此,准确分类豆荚形态有着相当高的重要性。传统方法多采用人工方式进行分类,该分类方式依赖于个人的既往分类经验和视觉观察能力,分类速度缓慢,精力消耗严重,且分类过程会受到主观因素影响,易导致分类标准的波动,使得分类结果不准确。为克服上述缺点,实现对大豆豆荚形态高效、客观、准确的分类工作,本文提出了一种基于机器视觉的自动化分类方法。实验结果表明,本文提出的方法可用于自动化分类大豆豆荚形态,取得了良好的分类效果,而且在面向大豆领域的其它分类工作中,例如针对大豆的叶片、籽粒和病害等方面也有着很好的发展潜能。具体工作内容有:(1)本文设计了一种图像采集系统,该图像采集系统没有使用一般方法常用到的工业摄像头,而是以高性能数码相机为核心,结合灵活可调的LED光源进行搭建。该图像采集系统能够批量的获取高质量的大豆豆荚图像。(2)本文设计了一种图像预处理方法,该方法能够将图像采集系统获取到的每张原始大豆豆荚图像数据中的多个豆荚分别提取出来并进行归一化操作。利用该方法可以将本文中采集到的全部原始大豆豆荚图像数据制作成格式、样式统一的数据集,便于接下来分类工作的开展。(3)本文设计了一种基于传统特征的大豆豆荚形态分类方法,该方法通过人工方式从经预处理操作后的豆荚图像中提取了一系列的传统特征,用来训练支持向量机分类器,实现对大豆豆荚形态的分类工作。该自动化分类方法对直形、弯镰形和弓形三种大豆豆荚的分类准确率分别为95.2%、96.6%和93.3%,平均分类准确率可达95.2%。(4)本文对(3)中的分类方法作出了改进,设计了一种基于深度特征的大豆豆荚形态分类方法。该方法设计了卷积神经网络模型,并用来提取豆荚图像的深度特征。深度特征则用来训练支持向量机分类器,实现更加精准的大豆豆荚形态分类工作。该自动化分类方法对直形、弯镰形和弓形三种大豆豆荚的分类准确率分别为98.8%、99.2%和98.1%,平均分类准确率可达98.7%。实验结果表明与使用传统特征训练的支持向量机相比,采用深度特征训练的支持向量机分类准确率有了3.5%的提升,证明了使用深度特征的优势。