基于计算机视觉对猕猴桃进行在线检测分级,对提高我国猕猴桃市场的竞争力有十分重要的意义,不仅提高了分拣效率和水果质量也降低了分级成本,同时自动检测和分级技术也降低对果实表面的损害,从而提升果实的销量和商品价值。目前,在猕猴桃分级的过程中存在效率低、误判率高、速度慢等缺点,很难满足实时性分级的要求。基于此,本论文提出了基于计算机视觉的猕猴桃检测算法的研究。猕猴桃分级是水果产后处理的重要环节,针对中国猕猴桃分选率和分级率低而影响商品价值现状,手工猕猴桃分级存在耗时、费力、成本高、效果差等缺点,而计算机视觉技术分级具有速度快、信息量大、精确度高等优势。通过描述计算机视觉技术对猕猴桃的形状、大小、表面缺陷、颜色等特征进行检测,进而进行分级处理,提高了工作效率的同时也降低了成本。为提高图像采集质量,减少图像处理时间,对图像采集中猕猴桃背景颜色的选择进行了研究,研究表明黑色背景有助于目标与背景的分离为提高图像处理速度,在图像底层信息处理中使用图像灰度化、图像平滑、图像分割法等预处理操作。在猕猴桃形状大小分级方面,在分析传统水果特征提取方法的基础上,提出了对猕猴桃外观大小、形状特征、面积和体积等特征提取,其中采用了傅里叶描述子方法。在对猕猴桃进行颜色分级时,提出用HSI模型描述其颜色特征,并根据猕猴桃颜色特点在此基础上建立了基于粒子群优化的BP神经网络,试验结果表明分级精度高,能够满足分级要求,不仅分级速度快,而且正确率高达95.6%。猕猴桃表面缺陷采用了形态学处理方式,使用基于遗传算法的BP神经网络算法对表面缺陷分级,实验准确率高达91.3%。因此本文设计的猕猴桃分级检测系统,通过试验验证了该系统满足实时性分级的要求,同时也验证了本论文提出的理论研究与设计方案的可行性与正确性。