核桃坚果是世界四大坚果之一,具有良好的营养价值与经济价值,并具有广泛的种植区域。在生产加工过程中,如何准确的从核桃正常果中识别缺陷果并对核桃正常果进行分级,同时在识别处理时间与效率上满足今后的在线检测要求,是影响核桃商品自动化加工、食品安全以及核桃商品市场竞争力的重要因素。本研究基于机器视觉技术,以实现核桃外部缺陷识别与核桃正常果分级为研究目的,主要研究内容包括三部分：(1)根据核桃各外部缺陷、性状特征的光学特性,选择合适的相机、光源、镜头、图像采集卡等关键部件,设计搭建机器视觉核桃RGB图像采集与分析系统,结合正交试验调试系统,确定物距、景深、空间分辨率、视角、拍摄背景等参数。(2)针对核桃各外部缺陷与目标在图像中的灰度分布存在平缓过渡的特性,设计一种适合在线处理的自适应双阈值图像分割算法,对应分割出缺陷与目标区域。(3)提取单一缺陷包括几何、纹理、空间的20维初始特征,转化得到9维优选特征,以优选特征量为输入分别建立基于贝叶斯、支持向量机、BP神经网络的三类15个缺陷识别模型,对比其缺陷识别率、单位判别时间、稳定性、训练时间等指标,优选各方面性能较优的缺陷识别模型。(4)在核桃外部缺陷识别模型判别结果的基础上,针对核桃正常果图像目标区域提取几何、纹理、颜色、空间4方面33维初始特征,采用主成分分析法(PCA. Principle component analysis)提取各主成分分量并得到对应的主成分得分,以不同数量的顺序主分量为输入分别建立支持向量机(SVM)与BP神经网络(BPNN)模型,分析两种模型在不同数量的顺序主分量下的分级准确度、单位处理时间、稳定性、训练时间等指标,确定合适的输入主分量与优选模型,将优选模型的分级结果与人工结果进行逐一对比以校正模型。本研究的目的是探索基于机器视觉技术检测识别核桃外部缺陷的可行性,和对在线检测环境的适应性,为今后核桃生产加工的软硬件设计开发提供依据。研究结果和结论如下：(1)基于3-CCD面阵相机、环形漫反射光源等关键器件,设计搭建的机器视觉核桃RGB图像采集与分析系统,以白色卡纸为摆设背景,通过正交试验优化各采集参数,能采集空间分辨率为0.265mm/pixel的高信噪比、高分辨率图像,基本满足研究需要,特别在成像色彩还原度和光源对特征部位的补偿效果明显,为今后基于机器视觉的核桃检测设备的开发提供一定思路。(2)针对核桃外部缺陷与目标区域的分割,结果显示：①自适应双阈值分割法能准确分割提取出裂缝、破碎、黑斑和目标区域；对品种间的性状差异不敏感,适应性强；②算法程序在Windows 7、Matlab R2010b, Intel i3-3110M CPU 2x2.4GHz运行环境下,对单幅图像平均分割速度为0.5644s。(3)针对核桃外部缺陷的识别,建立缺陷识别模型,结果显示：①9维优选特征空间对缺陷的描述效果明显,以此为输入建立的基于径向基支持向量机缺陷识别模型(RBF-SVM)综合性能较优,对裂缝、破碎、黑斑的平均验证识别率分别为93.06%、88.31%、89.27%,总验证判准率为90.21%;②RBF-SVM模型在Windows 7、Matlab R2010b、Intel i3-3110M CPU 2×2.4GHz运行环境下,单位缺陷的判别时间为10-4s级。(4)对核桃正常果分级结果显示：①在33维主成分特征空间中,以累计得分超过90%的前14维主分量为输入,分别建立基于支持向量机(SVM)和BP神经网络(BPNN)的分级模型,其中SVM模型分级效果最好,分级准确率为95.9%,模型稳定性也较优；②在Windows 7、Matlab R2010b、 Intel i3-3110M CPU 2x2.4GHz运行环境下,SVM模型的单位分级处理时间为10-4s级；③根据SVM模型分级结果,结合人工分级结果进行逐一验证,结果显示模型实际判准率为84.58%。综上,基于机器视觉和支持向量机的方法能准确检测核桃外部缺陷,分级核桃正常果,满足今后在线检测要求,同时为核桃在线检测设备的研发以及其他类坚果等作物的无损检测提供一定技术支持。