马铃薯是我国主要的粮食作物之一,其储存空间需要具备合适的温湿度条件,否则会造成马铃薯发芽。对于发芽的马铃薯,会产生大量的龙葵素,而龙葵素是一种有毒物质,会对人体的运动系统、呼吸系统等造成一定的危害。因此,在马铃薯在流入市场前,必须对其加以检测,去除发芽个体,保证农产品的质量和人体的生命健康安全。本文针对发芽马铃薯检测技术的不足,提出基于SVM(Support Vector Machine)和加权欧式距离的发芽马铃薯检测方法,以提高发芽马铃薯的检测精度。首先基于工业相机获取马铃薯样本的原始图像,采用灰度化与中值滤波保证图像的画质质量,然后在RGB颜色空间和HSV颜色空间分别提取B分量和H分量训练SVM分类器,利用训练完备的SVM分类器进行马铃薯图像与背景的分割,最后采用加权欧氏距离和形态学方法检测并标记马铃薯发芽部位。基于Matlab R2014a软件平台分别采用加权欧式距离、传统欧式距离方法以及人工检测方法对马铃薯样本进行检测,试验结果表明,加权欧式距离方法的平均识别率为94.6%,传统欧式距离的平均识别率为89.2%,人工检测方法的识别率为88.3%,对比传统的欧式距离检测方法和人工检测方法表明,本文的方法识别率更高,对于发芽马铃薯的检测效果更好。本文主要研究工作如下:(1)主要通过查阅大量文献对发芽马铃薯检测研究现状、应用前景以及检测模型研究现状进行概述;(2)对本文的研究内容,制定了详细的技术路线图、图像采集设备实验材料、软件平台以及图像采集设备的整体搭建。(3)对文中所用到的关键技术的介绍,主要包括图像增强算法、SVM图像分割、加权欧式距离检测方法以及实验所用到的相关技术。(4)SVM分割原理SVM图像分割是利用SVM模型对每一个像素进行分类来实现的。首先选择代表两类的像素点,提取特征分量,生成训练集;然后选取合适的核参数及惩罚系数等参数,训练分类器,求得支持向量模型;再逐一提取每个像素点的特征分量,产生样本待分类样本集,求出每像素点对应样本到超平面的距离值;再根据决策函数将每个像素点归入两个不同的类,完成对图像的分割。基于SVM的马铃薯图像分割方法,在RGB颜色空间和HSV颜色空间分别提取B分量和H分量训练SVM分类器,并利用训练好的SVM分类器进行马铃薯图像与背景的分割,更好地发现马铃薯发芽的位置。(5)马铃薯检测方法的改进改进了传统的欧式距离算法,提出一种加权欧式距离算法,其算法改进了以下两点问题:(1)规避了传统欧式距离仅表示两个空间向量之间的累积差异而忽略了对应单个元素之间差异的影响。(2)使用欧式距离度量特征向量之间的相似性,用于发芽马铃薯检测,其检测精度将会存在较大的误差。本文提出的加权欧式距离算法,有效的提高检测精度能够更好的完成马铃薯检测。(6)加入形态学处理应用于发芽马铃薯的检测。由于马铃薯图像在处理过程中容易受到噪声的干扰从而造成检测精度的缺失,因此在后续处理中需加入形态学方法以去除错误标记的像素点及缺陷位置。(7)试验结果和分析基于Matlab R2014a软件平台分别采用加权欧式距离、传统欧式距离以及人工检测三种方法分别对480个马铃薯样本进行检测。试验结果表明,对于发芽马铃薯,加权欧式距离的识别率为94.6%,传统欧式距离的识别率为89.2%,人工检测识别率为88.3%。即本文方法的检测精度分别提高了5.4%和6.3%。对于正常马铃薯而言,加权欧式距离的识别率为93.3%,传统欧式距离的识别率为86.7%,人工检测的识别率为89.6%,本文方法的检测精度分别提高了6.6%和3.7%,实验结果表明,本文方法对于发芽马铃薯的识别率较高,对正常马铃薯的检测精度达标。