玉米是我国主要的粮食、经济作物和储备粮食之一,在玉米及其产品生产、加工、销售、储藏等环节均需要进行品质检测,研究玉米质量的评价方法技术对满足市场需求以及保障储粮安全均具有重要的现实意义。目前玉米质量指标的测定主要依据国家标准,无法满足在线快速检测的需求,将机器视觉技术用于玉米质量评定能够解决人工检验中主观臆断、效率低下等缺点。本文利用数字图像处理、图像分析和模式识别等方法,研究将机器视觉技术应用于玉米不完善粒、和杂质等质量的检测,探究其基本理论和方法,并构建相应的检测系统平台,主要研究内容和结论如下:(1)根据试验需求,搭建基于机器视觉的玉米图像采集系统装置,以及各个部件的选取等。用于采集样品的RGB(红色、绿色、蓝色)彩色图像,为获取的图像进行灰度变换、二值化、均值滤波、图像分割、形态学运算等预处等操作准备。(2)利用MATLAB软件编制了基于机器视觉的图像预处理、特征参数提取和优化以及BP神经网络训练等程序。根据编制的程序,提取籽粒的形态、颜色和纹理特征参数并进行分析结果表明玉米完善粒与不完善粒之间、玉米籽粒与杂质之间的特征参数均存在差异,部分特征参数差异明显。利用主成分分析和逐步判别分析等分析方法对特征参数进行降维和筛选,将得到的主成分得分向量或筛选的特征参数作为模型的输入,用以建立相应的预测和识别模型。(3)玉米不完善粒的识别技术研究:建立7-15-7的三层BP神经网络模型对玉米完善粒与不完善粒进行识别。结果表明:该模型对完善粒、虫蚀粒、病斑粒、破损粒、生芽粒、热损伤粒和生霉粒的正确识别率分别为95.00%、90.00%、91.67%、98.33%、93.33%、95.00%和96.67%,可以达到较好的识别效果。(4)玉米杂质的检测识别研究:由于有机杂质、无机杂质与玉米完善粒之间特征参数差异明显,使用基于判决树的单特征阈值法即可对其进行有效识别,经过逐步判别分析可筛选出对识别贡献最大的参数。使用单特征阈值法对各类型杂质进行识别,识别率为96.00%~98.00%;使用线性参数分类器对完善粒与有机杂质、无机杂质进行识别时,识别率均为100%。