在白酒生产的蒸馏环节中,摘酒工艺可以将不同品质的酒液区分开来并分别存储,能够有效提升生产效率和产品的质量。传统摘酒工艺采用“看花摘酒”的方法,即通过人工观察酒液冲击产生的酒花的视觉特征,来判断白酒的分段。“看花摘酒”方法虽简单易行,但存在着分段标准不一、依赖人工经验等缺点,不利于保持产品质量的稳定,并阻碍了白酒的自动化生产,因此摘酒环节亟待自动化、智能化改造。基于计算机视觉的智能摘酒方法可以提取图像中酒花的视觉特征,模拟人工对白酒分段进行判别,实现智能化摘酒,且具有判别速度快、分段精度高、成本低、安装维护方便的优点,实用性强,具有较高的应用价值和研究价值。本文主要工作和研究成果如下:1)分析视觉摘酒机理,仿照人工“看花摘酒”经验设计智能摘酒算法,该算法由图像预处理算法、酒花分类算法、后处理算法三部分组成。2)在图像预处理算法环节中,设计了基于异常圆弧线段剔除的快速圆检测算法,用于检测原始图像中的前景圆区域。该算法检测精度高达97.25%,比传统的霍夫圆检测提高7.73%,且运行速度比霍夫圆检测快21倍。3)设计了用于酒花分类的轻量卷积神经网络。网络主要由提取图像多尺度特征的Multi-Scale Block,以及计算每个特征通道权重的SE Block组成。在本文采集的测试集上,该网络分类准确率可达93.18%,计算量仅有216.10 MFLOPs,分类准确率和计算量均优于同类网络。再经过分类结果后处理,分类准确率提升至97.59%。4)研制了基于服务器的智能摘酒系统,实验测试表明该系统在CPU上运行一次仅耗时12.55ms,最多可同时处理19条产线的摘酒任务;在GPU上运行一次仅耗时6.23ms,最多可同时处理61条产线的摘酒任务。5)通过简化摘酒算法,研制了基于RK3399Pro的嵌入式摘酒系统,降低了成本和安装维护的难度。结合RK3399Pro嵌入式硬件的特征,采用基于特征通道权重的模型剪枝方法,对服务器版算法中的卷积神经网络进行简化,并将算法移植到嵌入式系统上。实验测试表明,在分类准确率不下降的情况下,模型剪枝方法可以减少网络30%的计算量;嵌入式摘酒系统可同时处理8条产线的摘酒任务。