山核桃营养价值丰富、口感风味独特,经济价值高,但受生长条件的影响,种植规模与生产规模较小,山核桃深加工生产的技术水平亟待提高。本文主要研究山核桃破壳加工生产线的壳仁智能化分选技术,针对解决破壳后的山核桃物料难以筛选的问题,通过计算机视觉技术对破壳后的山核桃的各种形态进行分类,识别出需要分选的核桃仁,提高山核桃的经济价值。本文以安徽省皖南山区天目山脉出产的山核桃为研究对象,搭建图像采集与测试平台,基于Labview虚拟仪器技术开发了用以分选山核桃的上位机检测系统,具有良好的人机交互界面,可实时采集、分析山核桃破壳物料的特征并输出识别结果。(1)设计了山核桃静态采集试验装置,建立以CCD传感器、环形光源、图像采集卡、工业计算机为硬件组成的图像采集与视觉检测系统。基于图像处理技术研究山核桃的物理特征,研究了图像预处理算法对山核桃样品图像的处理过程,排除了图像存在的干扰及冗余信息。基于选定的RGB/HSV/HIS/Lab颜色模型和灰度共生矩阵的统计量分别提取山核桃破壳物料主要形态的颜色特征与纹理特征,构建山核桃的识别特征模型,依据主成分分析对特征模型进行融合降维,获取用于识别的目标向量。(2)将山核桃破壳物料根据形态与结构划分为5种类别—核仁、异色仁、未分离壳仁、分心木(含果壳内壁)、外壳,选用四则机器学习算法—模糊聚类、密度空间聚类、BP神经网络、支持向量机,调优算法的划分参数,建立匹配山核桃物料特性的识别模型。通过山核桃破壳物料的样本集训练各识别模型,输出预测指标和识别计算参数,初步分析训练过程中各模型针对目标对象的优劣性。(3)本文设计了静态图像识别的试验方案,明确试验目的和要求。在相同的试验条件下,利用不同的识别模型对山核桃破壳物料进行识别检测试验,证明了构建的山核桃特征模型具有分类的可行性,并通过最终试验指标的对比验证,匹配出识别精度最高与分类效果最优的模型。结果得出,非线性SVM识别具有更高的识别精度,核仁与未分离壳仁的识别精度分别为87.1%和67.5%;基于隶属度计算的模糊识别具有更快速的处理能力,核仁识别精度可达到85.7%,未分离壳仁的识别精度可达到55%。