桃子的分级加工是其在市场流通中的主要环节,桃子外观品级直接决定其经济价值。目前我国桃子外观分级仍以人工分级和机械分级为主,人工分级会浪费大量的人力,机械分级容易造成桃子的二次损伤,难以保证分级质量,导致在国际市场上缺乏竞争力。已有的分级技术主要采用图像处理和传统机器学习算法,且大多采用了高光谱等不可见光进行检测,有关残差网络等CNN算法的应用尚未见报道。因此较高准确度的桃子外观品级分级方法有着十分重要的意义。本文以市场常见的7类桃子品种为对象,研究了桃子外观品级分级方法,主要研究内容如下:(1)桃子外观品级数据集构建。针对桃子外观品级分级检测任务,本文选取水果批发市场上常见的7类桃子品种,共计540个样本,其中包括正常果438个、缺陷果102个。使用图像采集设备以不同角度拍摄桃子图像共计2143张,以国内桃果实等级划分标准对桃子图像进行分级,通过剪裁、旋转、滤波、分割等操作建立桃子外观品级数据集。(2)基于机器学习的桃子外观品级分级方法。通过图像处理算法分割桃子前景,提取桃子的色泽、果形、纹理等特征,建立机器学习桃子外观品级分级模型和深度学习桃子外观品级分级模型,并对模型进行了有效性测试。(3)基于深度学习的桃子外观品级分级方法。研究了Resnet34模型并结合桃子外观数据集特点,提出引入多尺度卷积的模型改进方案,实验表明改进后的Res Net34较之前精确度提升了1.54到2.84个百分点。研究了VGG16模型,针对模型参数量大,训练与推理速度慢的问题,提出了使用卷积层代替最后一个池化层,删除多余全连接层的改进方案,模型参数量较原始VGG16下降了85.38%,且实验表明改进后的VGG16仍然能够达到原始VGG16的精度。(4)提出了基于先验知识的多模型融合桃子外观品级分级方法,实验表明该方法对桃子验证集和测试集的准确度达到95.32%、95.57%。