异物识别分拣系统是现代物流和生产线上非常重要组成部分,用来代替人工将混入正常物料中的异物检测出来,极大提高了异物分拣的效率和稳定性,对于提高产品品质和企业竞争力有着重要意义。高速在线异物识别分拣技术能够广泛的应用到工农业生产加工、医药、食品安全等领域,有着重要的实用意义。本文以烟草异物在线剔除系统为研究平台,针对高速在线异物识别的难点,以提高识别率和降低误识率为目的,深入研究了高速异物识别分拣的关键问题。论文首先进行了异物检测方法的基础性实验研究,设计了基于机器视觉的高速在线异物识别的系统结构。研究了统计模式识别基本理论,提出了高速在线异物识别的模式识别模型。针对颜色与物料和背景接近的异物不易识别的现象,提出了基于单元整体特征的异物识别算法。深入研究了支持向量机原理,针对物料样本有限和异物样本复杂多样难以采集的现象,提出了一类超球面支持向量机异物识别算法;提出了D-QDPSO优化算法,进行OC-SCM的求解,减小了误识率。研究了高速异物识别中智能在线学习技术,提出了异物识别智能在线学习模型,提出了记忆式在线学习和自适应动态阈值算法,针对线阵CCD的成像特点,提出了高速线阵CCD自学习和自适应纠错机制。最后,将高速在线异物识别技术应用于烟草异物的在线剔除系统中,实践表明,烟草异物在线识别剔除系统满足设计指标,满足自动化生产要求。本文的创新点主要体现在以下几个方面:①针对像素点算法不能很好识别颜色与物料接近的异物这一难题,提出了单元整体识别算法。通过计算单元灰度均匀性获得单元新属性,进而对平滑异物得到较好的识别效果;对纹理性较强的异物,提出了FFT纹理识别算法;提出自适应聚类单元识别算法,通过用少量的颜色特征表征整个单元。②提出了适用于异物识别的一类超球面支持向量机算法,算法提出了离心系数ω,由于ω是固定值并可由支持向量求得,避免了求解a和R的繁琐步骤,简化了求解过程;改进的SMO算法根据Zoutendijk最速下降方向策略确定工作集,寻找最大收敛方向对作为优化子集,实验表明改进后的算法比原SMO算法效率提高20%～30%,且在有限样本情况下,识别率优于正态拟合算法。③结合量子粒子群优化,针对OCSVM提出了D-QDPSO算法。算法在初始化粒子群时即可获得最优解附近位置,同时采用边界点作为初始粒子,在最大范围内搜索避免了陷入局部最优;根据每次迭代的群最优gBest,由Zoutendijk策略求其引导粒子,加快了收敛速度。实验表明,D-QDPSO算法的运算效率比标准粒子群算法提高2倍左右,得到的支持向量个数比SMO算法更少,泛化性更高,得到的训练结果其误识率更低。④提出了记忆式在线学习和自适应动态阈值算法,通过计算一个时间段内某色度出现几率判断该色度属于异物还是非异物,并通过统计一个时间段内获得颜色的整体均值实时调整分类器的阈值,以适应光源变化对采集图像的影响。针对线阵CCD的成像特点,提出了高速线阵CCD自学习和自适应纠错机制,在学习中了增加横坐标特征,并通过考察一个横坐标位置上的点是否长时间没有变化,以确定是否有杂质影响了图像采集和识别,避免了将异物当成正常物料进行学习,提高了识别率。