新疆红枣具有极高的营养及药用价值,又被称为“黄金寿枣”,受到消费者青睐,社会需求量不断加大,激发了企业家产业化经营枣树的积极性。但同时,霉烂、虫害、裂纹等缺陷严重影响了红枣的品质和价值,必须进行分拣。机器视觉技术,具有效率高、精度好、检测信息丰富、非接触等优点,在农产品品质分级领域获得了广泛应用。然而,针对红枣表面的缺陷检测研究仍然在不断地探索和提高,其识别技术则更为困难,是检测与识别中的难点问题。本研究在前人的理论研究和实际应用基础上,利用实验采集平台实现对红枣的图像数据采集。一方面研究采用基于颜色、纹理等特征的最佳组合方式实现特征提取,结合合适的机器学习算法实现缺陷红枣的检测。同时,利用卷积神经网络可以自主学习事物间差异的优点,结合强化学习方法,构建新型卷积神经网络,提高缺陷红枣的检测识别率,本文研究内容分为以下部分。首先,基于图像处理技术的红枣分割方法和图像预处理研究。利用机器视觉图像采集系统,实现视频、图像数据采集。摄像机采集到的图像,由于光照问题、采集系统自身问题以及环境影响,会产生阻碍图像分割、提取和识别等因素,因此研究工作主要使用几何变换、中值滤波、图像增强与形态学操作等图像预处理方法对拍摄到的水果图片进行旋转、去噪、增强等,为后面的图像分割和特征提取做准备。基于特征选择的红枣表面缺陷检测方法研究。根据先验知识,确定红枣缺陷的具体症状表现。研究使用颜色和纹理信息对缺陷红枣进行表征,通过试验确定表征力强的参量作为表达特征向量。再根据得到的特征向量研究选取合适的分类器,通过样本训练实现红枣的缺陷检测。试验选取HSV颜色空间的明度(V)分量作为照度—反射模型输入,进行表面亮度均一化校正,提取R、G、B、H、S、V和亮度校正图像颜色特征。同时,采用融合局部二值模式(Local Binary Patter,LBP)和灰度共生矩阵(GLCM)统计量作为纹理特征,并结合支持向量机分类器实现缺陷检测。最后,基于卷积神经网络的红枣表面缺陷检测算法研究。研究提出一种基于帧间最短路径搜索的目标定位方法和集成卷积神经网络模型(Ensemble-Convolution neural network,E-CNN)。通过建立图像坐标系及图像预处理操作,获得图像中每个红枣目标的位置坐标,并将其映射至空间坐标系中,结合帧间最短路径判定规则,实现目标位置坐标随视频时间序列更新、传递,并且运用此方法能快速、有效地构建数据集。基于“Bagging”集成学习方式,E-CNN通过训练集构建基础卷积神经网络树模型,再根据每棵基础树模型输出结果,通过“投票”方式得出模型最终结果。试验结果表明,利用帧间最短路径搜索的目标定位方法,定位准确率达100%。同时,使用E-CNN模型,模型的识别准确率和召回率分别达到98.48%和98.39%,分类精度大于颜色特征分类模型(86.62%)、纹理特征分类模型(86.40%)和基础卷积神经网络模型(95.82%)。