基于计算机视觉技术的水果分级研究进展
基于机器视觉的水果分类技术研究
基于机器视觉的水果分类技术研究近年来，随着机器视觉技术的不断发展，基于机器视觉的水果分类技术也得到了越来越广泛的应用和研究。
水果分类技术的目的是将水果按照品种、等级、大小等分类，以便进行自动化种植、采摘、运输等。
本文将对基于机器视觉的水果分类技术进行深入研究。
一基本原理基于机器视觉的水果分类技术是利用计算机对水果图像进行处理和分析，从而实现水果的自动分类。
其基本原理是：通过摄像机将水果的图像信息捕捉下来，经过图像预处理、特征提取和分类等步骤，最终实现水果的分类。
图像预处理是将采集到的水果图像进行降噪、增强、色彩调整等处理，以便更好地提取水果的特征信息。
特征提取是从预处理后的图像中提取出代表水果本质特征的信息，如颜色、形状、纹理等。
分类是将特征进行分类和判别，以便实现水果的分类。
二水果识别的关键技术2.1 特征提取技术特征提取是实现水果识别的关键技术之一，其目的是从水果图像中提取出代表水果本质特征的信息。
目前，常用的特征提取方法有基于形状和基于颜色的两种。
基于形状的特征提取方法适用于水果形状比较规则的情况，如香蕉、苹果等；而基于颜色的特征提取方法适用于水果颜色鲜艳突出的情况，如柠檬、草莓等。
2.2 分类算法分类算法是将水果图像根据其特征进行分类的核心技术。
目前，常用的分类算法有支持向量机、神经网络、决策树等。
这些算法在水果分类技术中具有不同的优缺点，选择适合应用场景的算法可以提高水果识别的准确率和效率。
2.3 数据集构建数据集构建是实现水果识别的前提，它对水果分类技术的准确性和可靠性有着重要的影响。
构建数据集需要采集各种不同品种、不同成熟度、不同形状的水果图像，以及对这些图像进行标注。
构建完善的数据集是实现水果分类技术的关键之一。
三水果分类技术的应用基于机器视觉的水果分类技术在农业、食品加工、水果零售等领域都有广泛的应用。
在农业生产中，水果分类技术可以实现自动化种植、采摘、捡拾等操作，提高生产效率，降低人工成本；在食品加工中，水果分类技术可以实现对水果的自动检测、分选、去皮、切片等工序，提高加工效率，提高产品质量；在水果零售中，水果分类技术可以实现对水果品种、成熟度、大小等要素的准确判别，方便顾客选购和商家管理。
基于机器视觉的苹果园果实识别研究综述
基于机器视觉的苹果园果实识别研究综述1. 引言1.1 研究背景苹果是一种重要的经济作物，在世界范围内种植面积广泛。
苹果的品质和产量受到果实的生长发育和成熟情况的影响，因此果园管理人员需要及时准确地对苹果树上的果实进行识别和监测。
传统的方法主要依靠人工采摘和观察，效率低下且容易出现误差。
随着机器视觉技术的快速发展，基于机器视觉的苹果园果实识别成为了一种新的解决方案。
通过搭载摄像头和图像处理算法的设备，可以实现对苹果园中果实的自动识别和统计，提高了果园管理的效率和准确性。
本文将综述基于机器视觉的苹果园果实识别技术，探讨其在农业领域的应用前景。
同时也将分析当前存在的问题与挑战，为未来的研究和发展提供参考和展望。
【研究背景】部分结束。
1.2 研究意义苹果是世界上重要的水果之一，具有丰富的营养价值，备受消费者喜爱。
苹果园的管理和采摘过程中存在着一些问题，其中之一就是果实的识别和分类。
而基于机器视觉的苹果园果实识别技术可以有效地解决这一问题。
研究对于基于机器视觉的苹果园果实识别技术具有重要的意义。
通过机器视觉技术能够实现对苹果园中成熟果实的自动识别和分类，提高果实采摘的效率和准确性，减少人工成本。
有效的果实识别技术可以帮助果农更好地管理苹果园，合理安排采摘时间，提高果实的品质和产量，增加农业经济效益。
基于机器视觉的苹果园果实识别技术还能为果品质量溯源、果实病虫害检测、果实成熟度监测等提供技术支持，有助于提升苹果产业的发展水平。
研究基于机器视觉的苹果园果实识别技术具有重要的理论和实践价值，对于推动农业现代化、提高果农收益、促进农业可持续发展具有积极意义。
1.3 研究现状苹果园果实识别是现代农业领域的重要研究课题，通过对苹果园中果实进行自动化的识别和分类，可以提高果园管理的效率，优化农业生产流程，降低人力成本，减少农药的使用量等。
目前，国内外对于基于机器视觉的苹果园果实识别技术的研究逐渐增多，取得了一些显著的成果。
水果分级机毕业设计论文
水果分级机毕业设计论文题目：基于机器视觉的水果分级机设计与实现摘要：随着农业科技的发展，水果产业也在不断壮大。
然而，在水果生产过程中，水果分级依然是一个繁琐的工作。
本文设计并实现了一种基于机器视觉的水果分级机，采用图像处理和机器学习算法对水果进行快速分级，有效提高了水果分级的自动化水平。
实验证明，该水果分级机具有较高的准确度和效率。
关键词：机器视觉；水果分级；图像处理；机器学习一、引言水果是人们日常生活中不可或缺的一部分，随着人们对食品安全和品质的要求不断提高，水果的分级也变得越来越重要。
然而，传统的水果分级方法存在劳动力需求高、效率低以及人为误差大等问题。
因此，基于机器视觉的水果分级机成为了一种重要的解决方案。
二、水果分级机的设计1.系统结构水果分级机由传送带、图像采集模块、图像处理模块、机器学习模块和分级控制模块等组成。
传送带将水果送入图像采集模块，采集到水果的图像后传输给图像处理模块进行图像处理，处理后的图像送入机器学习模块进行分类，最后分级控制模块根据分类结果将水果分级。
2.图像采集模块采用高清摄像头进行图像采集，确保获取到水果的清晰、准确的图像。
3.图像处理模块对采集到的图像进行灰度化、去噪、边缘检测等处理，提取出水果的特征信息。
4.机器学习模块使用支持向量机(Support Vector Machine, SVM)算法进行水果的分类训练，训练得到分类模型用于实际分类。
5.分级控制模块根据机器学习模块输出的分类结果，对水果进行分级控制，将水果按照大小、形状等特征分成不同等级。
三、水果分级机的实现与实验1.硬件配置使用Arduino单片机控制传送带和采集模块的运行，使用高清摄像头进行图像采集。
2.软件实现使用Python编程语言实现图像处理和机器学习算法，使用OpenCV库进行图像处理，使用scikit-learn库实现支持向量机算法。
3.实验结果与分析通过采集一定数量的水果图像进行实验，结果显示，该水果分级机在准确度和效率方面表现良好。
基于计算机视觉的水果分级检测系统的设计
I 基于计算机视觉的水果分级检测系统的设计摘要计算机视觉应用于水果的品质检测，带来了许多方便。
既可以提高检测的精度、准确度。
又节省了大量的劳动力，让人们从繁重的人工检测工作中解脱出来。
本文以苹果为研究对象，研究了计算机视觉技术应用于水果分级检测的基本理论和方法。
研究了苹果图像的预处理，包括平滑滤波、图像的灰度化以及图像的二值化。
研究了苹果的大小检测。
先把苹果图像与背景分离，再计算出苹果图像的像素点数，通过预先测定出的一个像素点与真是面积的比值，进而算出苹果的真是面积，最后通过直径的大小来确定苹果大小等级。
研究了苹果的颜色检测，通过HIS颜色模型中的H分量来判定出苹果的着色面积，通过着色面积与苹果的大小做比，得出苹果的着色比，通过着色比来判定苹果颜色等级。
研究了苹果的缺陷检测。
对苹果图像的灰度化，再通过用合适的阀值二值化图像确定出缺陷区域，在通过一些简单的运算得出缺陷的面积，通过缺陷的面积确定苹果的缺陷等级。
关键词：计算机视觉，图像处理，水果分级II The Design of Fruit Grading Detection System Based onComputer VisionABSTRACTComputer vision applied to fruit quality inspection, brought a lot of convenience. Can enhance the detection accuracy. And save a lot of people's labor from the heavy manual inspection work in earnest. So today I will introduce the basic theory and methods of a technology which can detect fruit ,this technology takes apple as the research object .Apple image preprocessing, including filtering, the grayscale of the image and the binarization of images.The size of the detection of apple. Departing apple's image and background first, secondly ,calculate the number of the apple image's pixels. Thirdly ,calculate the area of the apple in real through the predetermined ratio of a pixel area and its real area.Finally,determine the apple's size class through diameter .The color of apple detected by its color model HIS.We use the component H in HIS model to determine apple's colored area, through the ratio of the colored area's size and the apple's size in real we can find out the color ratio. So we can determine the class of color through color ratio.The apple defect detection.We should make out the grayscale image of the apple at first, and then by using the appropriate threshold of the binary image to determine the defect area, so we can draw out the area of the detection through some simple operations .Finally we can determine the defect level of this apple through the area of detection.Key words:Computer vision, image processing, fruit gradingIII目录1绪论 (1)1.1 研究的目的与意义 (1)1.2 国内外研究的现状 (1)1.2.1 国外情况 (1)1.2.2国内情况 (2)1.3 研究内容 (2)1.4 技术路线 (2)1.5 本章小结 (3)2图像预处理方法研究 (4)2.1 引言 (4)2.2 图像的平滑处理 (4)2.2.1 中值滤波法 (5)2.2.2 快速中值滤波 (5)2.2.3 邻域平均法 (5)2.4图像的二值化 (7)2.5 本章小结 (8)3 苹果的大小检测 (9)3.1 引言 (9)3.2 大小检测分级研究 (9)3.3 苹果大小特征提取 (11)3.4 苹果大小分级试验与结果 (12)3.5 本章小结 (12)4.1 引言 (13)4.2 颜色模型 (13)4.3苹果表面颜色特性分析 (17)4.4 苹果颜色着色度提取与等级划分 (17)4.5 本章小结 (18)5 水果的缺陷检测 (19)5.1引言 (19)5.2水果缺陷检测研究 (19)5.3水果缺陷检测试验与结果 (21)5.4本章小结 (23)IV6 水果分级的系统研究 (24)6.1引言 (24)6.2系统工作原理 (24)6.3本章小结 (26)致谢 (27)参考文献 (28)基于计算机图像处理的水果分级检测系统的设计 11绪论1.1 研究的目的与意义自古以来我们国家就是一个农业大国，农业在国民收入中占据了很大的比重。
基于卷积神经网络的水果图像分类识别研究
基于卷积神经网络的水果图像分类识别研究一、本文概述Overview of this article随着计算机视觉和深度学习技术的飞速发展，图像分类识别在各个领域的应用越来越广泛。
其中，基于卷积神经网络的水果图像分类识别技术，因其高效准确的特性，在农业、食品工业、智能仓储等领域具有重要的实用价值。
本文旨在深入研究卷积神经网络在水果图像分类识别中的应用，探索其性能优化和提升的有效方法。
With the rapid development of computer vision and deep learning technology, the application of image classification and recognition in various fields is becoming increasingly widespread. Among them, fruit image classification and recognition technology based on convolutional neural networks has important practical value in fields such as agriculture, food industry, and intelligent warehousing due to its efficient and accurate characteristics. This article aims to conduct in-depth research on the application of convolutional neural networks in fruit image classification and recognition, andexplore effective methods for optimizing and improving their performance.本文首先概述了卷积神经网络的基本原理和发展历程，分析了其在图像分类识别任务中的优势。
基于机器视觉的苹果自动采摘分拣系统研究
基于机器视觉的苹果自动采摘分拣系统研究随着现代农业的发展和技术的进步，农作物的种植和采摘工作越来越需要依靠机械化和自动化的手段。
在果园中，苹果的采摘和分拣工作一直是一项耗时耗力的任务，传统的人工采摘方式效率低下且成本高昂。
因此，基于机器视觉的苹果自动采摘分拣系统成为了研究的热点之一。
1. 引言苹果自动采摘分拣系统的研究旨在利用机器视觉技术实现对苹果树上成熟苹果的准确识别和自动采摘，并通过分拣系统将采摘下来的苹果按照不同的品质和大小进行分拣。
这一系统的研发旨在提高生产效率和质量，降低人工成本和资源浪费。
2. 苹果自动采摘技术2.1 图像识别技术苹果自动采摘系统的核心技术是图像识别技术。
通过摄像头获取苹果树上的图像，运用机器学习和深度学习算法对苹果的成熟度、形状和颜色等特征进行识别，从而确定哪些苹果可以进行采摘。
2.2 机器运动控制技术苹果自动采摘系统需要将识别出的苹果准确地采摘下来，这涉及到机器运动控制技术的应用。
根据识别结果，系统可以控制机械臂精准地抓取苹果，并通过适当的力度和速度进行采摘，以避免对苹果造成损伤。
3. 苹果分拣技术3.1 品质检测苹果自动采摘系统在采摘下来的苹果进行分拣之前，需要对苹果的品质进行检测。
这可以通过机器视觉技术对苹果外观的颜色、大小和完整性等进行分析，判断苹果的成熟度和是否出现病虫害，从而区分出合格的苹果和不合格的苹果。
3.2 分拣机构分拣机构是苹果自动采摘系统中非常重要的组成部分，它可以根据品质检测的结果，将采摘下来的苹果按照不同的标准进行分类和分拣。
分拣机构可以根据苹果的大小、颜色和形状等特征，将苹果送入相应的容器或流水线，以供后续的包装和销售。
4. 系统优势与挑战4.1 系统优势基于机器视觉的苹果自动采摘分拣系统相比传统的人工采摘方式具有很多优势。
首先，它可以提高采摘效率，减少人工劳动力的使用。
其次，系统可以精确识别和分拣不同品质的苹果，保证产品质量的稳定。
此外，该系统还能减少因人为疲劳造成的误操作，提高工作安全性。
机器视觉技术在果蔬分类中的应用研究
机器视觉技术在果蔬分类中的应用研究一、引言近年来，随着科技的不断进步，人工智能技术在各个领域得到广泛应用。
机器视觉技术作为人工智能的一个重要分支，对果蔬分类提供了一种高效、准确和自动化的解决方案。
通过使用机器视觉技术，可以实现果蔬的快速、无损、精准分类，有效提高果蔬行业的生产效率和质量。
二、机器视觉技术概述机器视觉是指利用计算机科学、光学、图像处理等技术，使计算机系统能够模拟人眼的视觉系统，从图像或者视频流中自动提取并分析信息。
机器视觉技术包括图像采集、图像处理、模式识别、机器学习等多个环节，通过将这些技术结合起来，可以实现对果蔬的自动分类。
三、果蔬分类的挑战果蔬的形状、大小、颜色、纹理等特征各不相同，其中许多特征很难通过人工眼睛准确辨别。
另外，果蔬的种类繁多，需要投入大量的人力物力进行分类。
传统的果蔬分类方法需要依赖人工，效率低下且容易出错。
因此，研究发展机器视觉技术用于果蔬分类，具有重要实际意义。
四、机器视觉技术在果蔬分类中的应用1. 图像采集首先，需要使用高分辨率的摄像设备对果蔬进行拍摄。
这些设备需要能够捕捉到果蔬的细节特征，并生成高质量的图像或视频流。
2. 图像处理接下来，采集到的图像需要经过预处理，包括去噪、边缘检测、图像增强等步骤，以提高图像的质量和提取出果蔬的关键特征。
3. 特征提取特征提取是机器视觉技术中的一个重要环节。
通过对果蔬图像进行特征分析，可以提取出与分类相关的特征，如颜色、纹理、形状等。
这些特征将作为分类模型的输入。
4. 分类模型训练在机器学习领域，常用的分类模型包括支持向量机（SVM）、卷积神经网络（CNN）等。
利用预处理后的图像和提取到的特征，可以通过对分类模型进行训练，建立一个能够自动识别不同类别果蔬的模型。
5. 果蔬分类模型训练完成后，可以将其应用于实际的果蔬分类任务中。
通过将果蔬的图像输入到分类模型中，模型可以自动识别出果蔬的种类，并将其按照预定的分类标准进行分类。
基于机器视觉的水果自动分级
基于机器视觉的水果自动分级摘要：果品采后分级，对于保证果品质量，方便贮运，促进销售，便于食用和提高产品的竞争力具有重要意义。
因此,发达国家极为重视，特别注重果品分级机械的开发。
水果分级技术能够保证水果的质量，提高消费者的满意度，增强水果产业的竞争力和利润水平。
本文介绍了水果自动分级机的研究现状，综述了国内基于机器视觉的水果自动分级技术在大小、形状、颜色和表缺陷分级方面的研究现状，分析了基于机器视觉的水果自动分级过程中存在的不足，提出了利用定向装置与机器视觉相结合的水果分级的思路。
关键词：机器视觉；定向装置；水果分级；进展Automatic classification of fruits based on the Machine vision Abstract: The grading of post-harvest fruit is important for ensureing fruit quality, convenient storage and transportation, the promotion of sales ,human consumption and improving the competitiveness of products. Therefore, the developed countries attached great importance, with particular emphasis on the development of fruit grading machinery Technologies for grading and sorting fruit would assure the quality and whole-sameness of fruit, increase consumer satisfaction, and enhance the competitiveness and profit-ability of the fruit industry. In this paper, the present situation of fruit sorting robots was reviewed; the computer fruit grading technologies based on size, shape, color and surface defect are introduced in China. After disadvantages of fruit grading method only based on machine vision are analyzed, the new method of combining machine vision with oriental device is put forward in the paper.Key words: machine vision;oriental device;fruit grading;prospect我国是水果生产大国，特别是90 年代以来发展更为迅速。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于计算机视觉技术的水果分级研究进展曹乐平（湖南生物机电职业技术学院，长沙 410127）摘要：较为全面地介绍了国内外基于计算机视觉技术的水果外观品质的单指标分级、多指标综合分级和水果内部品质检测分级的研究现状与方法，指出了现有研究中研究对象较单一、图像采集不全面、图像处理算法不多、精度不高等存在的主要问题。
同时，提出了未来水果分级的发展方向，认为水果内外品质融合的一体化分级技术是未来的发展趋势。
关键词：计算机应用；计算机视觉；综述；水果；内外品质；图像处理；分级中图分类号：TP391.41 文献标识码：A 文章编号：1003─188X(2007)11─0010─060 引言我国是世界水果生产大国，自1993年以来，水果总产量一直居世界第1位。
据农业部预测统计，2006年我国水果产量及果园面积保持继续增长势头，果园面积突破10000khm2，水果总产量近17000万t[1]，但我国水果在国际市场的竞争力很弱，出口水果数量占总产量的极少部分，2005年和2006年鲜冷冻水果出口维持在200万t左右，以香港市场为例，我国出口柑橘数量占香港市场的2/3，但是我国收汇只占1/3，单价仅为其他国家的1/4。
提高我国水果在国际市场的竞争力，强化采后处理是关键。
发达国家的经验告诉我们，水果产值的大部分是由采后处理和加工创造出来的[2]。
在美国、欧洲以及澳大利亚等国家，除了在收获季节随摘随卖少量水果之外，绝大部分水果都必须经过采后处理程序，否则不能成为商品[3]。
目前，我国水果采后处理能力不到水果总量的5%，采后烂果率高达25%以上。
由此可见，水果采后处理对我国水果业乃至整个农业的重要性。
1 水果外部品质分级现状水果智能分级技术涉及计算机、CCD技术、模式识别、数字图像处理、光学、数学、数学形态学、自动化、人工智能、视觉学、心理学、脑科学等众多学科[4]。
全球从事计算机视觉产品生产的企业有上百家，产品有相机、电源、传感器、镜头、图像卡、图像处理器和软件包等。
知名企业有：DALSA coreco，Siemens，SICK，National Instrument，Edmund Optics Inc，Hamamatsu Photonic Systems，Basler Vision Technologies和Cognex等[5]。
生产智能水果分级设备也不少，Mitsubishi Corpor- ation生产水果成熟度分级机，美国俄勒冈州的Alle Electronics Corporation生产“Inspect- tronic”装置，美国Autoline Corporation生产Model 4至Model 8的系列分级设备。
我国浙江、江苏和台湾也生产有分级设备。
基于计算机视觉技术的水果外部品质分级是根据水果的大小、形状、颜色和表面缺陷等外部品质特征进行的，有单指标分级和多指标综合分级两大类。
1.1 基于计算机视觉技术的水果单指标分级1.1.1 水果大小分级水果大小是分级的主要依据之一，是水果等级不可缺少的重要指标。
Dabenel A等（1988）[6]利用机器视觉技术进行苹果大小和碰伤分级的深入研究，但分级正确率仅为69%。
国内开展水果智能分级的研究已近10年，由于很好地借鉴了国外在该领域的研究成果，发展速度较快。
应义斌（2000）[7]去除果梗并完成了边缘提取与细化的水果图像，通过曲线积分并离散，求水果形心坐标，进而建立黄花梨实际最大横径与预测最大横径关系的线性回归方程，二者相关系数为0.96。
冯斌等（2003）[8]通过水果图像的边缘像素求水果形心，取过形心的半径序列中最小值方向为水果轴向，将轴向宽度4等分，过3等分点求垂直于轴向的果径，最大值作为水果大小的特征值。
试验结果表明，轴向检测正确率达94.4%，水果大小检测最大绝对测量误差为3mm。
饶秀勤等（2003）[9]分析了水果实际尺寸与测量值之间的半径误差是由成像时光线无法从水果最收稿日期：2007-03-05基金项目：湖南省教育厅科学研究项目（06D059）。
作者简介：曹乐平（1964-）,男，长沙人，副教授，(E-mail)clp 4218@。
- 10 -大截面处通过所致。
应义斌等（2004）[10]研究了一种利用柑橘的最小外接矩形求柑橘最大横径的方法。
实验表明，实际最大横径与预测最大横径的相关性为0.9982。
章程辉等（2006）[11]通过形态学处理可见光图像检测红毛丹尺寸，试验结果与人工测量结果之间长轴的平均误差为7.3%，短轴的平均误差为8.5%；用X射线图像检测红毛丹尺寸，长轴的平均误差为3.4%，短轴的平均误差为2.7%。
1.1.2 水果形状分级水果的形状受生长环境因素的影响千差万别，不同种类的水果形状也是多种多样。
目前描述水果形状的方法很多，包括编码法、统计法、几何结构法和光谱法等。
边界编码法虽然能够准确地描述水果的形状，但是数据量大而且压缩困难。
动差、弯曲能、最大—最小直径和差分等统计学方法虽然效率高，但描述形状不规则的水果时精度较低，采用边界半径和傅立叶变换对水果的外形进行描述，不仅准确性高而且速度快。
Pavlids T（1982）[12]提出了结构分析法和外形轮廓曲线检测法两种形状识别的模式。
Varghese Z（1991）[13]利用计算机视觉技术对苹果进行了果形判别的研究，试验中人为将苹果的果梗与花萼轴定向，采集苹果不同角度的5帧图像，用矩方法分析苹果图像，但果形判别的准确度与苹果旋转角度有关。
Ding K和S.Gunasekaran(1994)[14]通过比较被测苹果和无损伤普通苹果形状建立了一种苹果形状特征的抽取方法。
Heinemann P.H等（1994）[15]提出了一个三阶矩的“Golden Delicions”苹果形状分类器。
Leemans V(1995)[16]系统地应用圆度、矩形率、矩、惯性主轴、偏心率、矩不变因子等描述了果形的性能，结果表明常规的区域为基础的信息（如惯性主轴、矩等）描述果形的方法不是精确度不高就是对苹果的旋转、位移敏感性太强，适应性较差。
Ingrid Paulus等(1999)[17]研究表明，苹果的形状可以由傅立叶变换的前12个正弦值和12个余弦值表达，相关性超过0.98。
Singh N等提出了用离心率来衡量苹果形状的好坏，通过计算机视觉系统对每个苹果采集3帧图像，然后分别求出每一图像中苹果的离心率，接着取其中的最大值作为该苹果的形状指标。
而Kuhn等则以对称性（即轴最大与最小尺寸的比值）为指标检测形状。
应义斌（2001）[18]研究水果分级时发现用傅立叶描述子的前4个谐波分量的变化特性能够较好地代表水果的形状，用前15个谐波分量来描述形状则可达到相当高的精度，而且傅立叶描述子可以平移、旋转和缩放，具有很强的水果外形重建功能。
赵静等（2001）[19]在综合分析果实形状的基础上，提出了用半径指标、连续性指标、曲率指标、半径指标的对称性、连续性指标的对称性和曲率指标的对称性6个特征参数表示果形，结果表明计算机视觉与人工分级的平均一致率在93%以上。
沈明霞等（2003）[20]用傅立叶描述子提取苹果的形状特征，使用遗传算法和BP算法相结合的算法进行苹果形状识别，试验结果表明该方法正确率在80%以上。
高华等（2004）[21]提出了采用傅立叶半径描述子对农产品图像轮廓进行描述和分类的方法，并给出了利用半径描述子计算图像区域面积及利用欧几里德距离判定边界相似度的方法。
林开颜等（2005）[22]提出了基于傅立叶变换的水果形状分级方法，用梯度法检测图像边缘，边界跟踪算法获取水果轮廓半径序列，将其离散傅立叶变换，最后用傅立叶系数定义分类器，根据给定的分类阈值对水果形状进行分类。
黄星奕等（2006）[23]提出了一种实时在线检测苹果果形的计算方法，用几何法确定苹果的近似横径和纵径，做测量值与实际值间的线性回归，试验结果表明测量值与真实值的吻合率大于90%。
1.1.3 水果颜色分级颜色是衡量水果外部品质的一个重要指标，高品质的水果一般具有着色好、均匀的特征，同时水果的颜色也间接反映了水果的成熟度和内部品质，国内外学者又在水果颜色检测与分级方面进行了大量研究。
Tao Y(1995)[24]报道，HIS彩色系统用于颜色测量和图像处理效果好，同时用色调直方图表示颜色特征，采用多变量识别技术在检测土豆和苹果颜色时，分级正确率达到90%以上。
Kazuhiro Nakano(1997)[25]采用二级神经网络对苹果颜色进行颜色分级。
其中，一级神经网络依据像素的色泽将每个苹果果面上的像素分为5类，二级神经网络则依据整个果面的颜色状况及一级神经网络的输出值把苹果分成6个级别，通过将苹果果面沿花萼与果梗方向分区并进行处理，解决了因苹果果面曲率不同而引起的反射梯度不同的问题。
李庆中等（2000）[26]通过将RGB模型转换为HIS颜色模型形成苹果的色度图像，并将其等分，求各区间上频度均值并作为苹果颜色的特征参数，利用遗传算法实现多层前馈神经网络识别器的学习设计，从而实现苹果颜色的实时分级。
试验结果表明，颜色分级识别率在90%以上，分级1个苹果所用时间150ms。
冯斌等（2002）[27]考虑各色度点的累计和空间分布特性，以各色度在水果表面分布的分形维数为特征进行分级，通过神经网络分类器，分级正确率达到95%。
应义斌等（2004）[28]通过对6个位置、3种大- 11 -小、19种不同表面颜色的标准实验球体图像分析后发现，球体图像的颜色失真主要是颜色的亮度失真，并建立了摄像视区中心球体图像的亮度校正模型，其相关系数为0.846。
章文英等（2005）[29]通过1931色度图，用像素点变换法恢复苹果在二维投影图像中真实几何信息，重新计算像素点面积，从而计算苹果的着色面积。
谢志勇等（2006）[30]提出了一种只需加减运算的在RGB颜色模型中进行草莓图像色调分割的算法，其分割效率大于85%。
1.1.4 水果表面缺陷检测果实表面缺陷与损伤极大地影响着水果内外品质，且是水果分级中的一大难题。
Rehkugler等（1985）[31]研究了利用机器视觉进行苹果表面压伤检测，并根据美国苹果标准进行分级，但分级精度不高。
Yang（1994）[32]提出了用洪水算法分离块状缺陷、花萼和果梗的图像方法。
随后Yang（1995）[33]提出了蛇形算法对封闭式缺陷实施分离，二者均通过中值滤波和高斯滤波降低噪声，并用阈值法分离各种缺陷。
Leemans等（1998）[34]求整个苹果表面色度均值与每个像素色度值的方差或均方差，若差超过极限值，则认为该像素为缺陷，并通过二次修正提高检测精度。
Tao等[35～37]提出球体灰度变换法，使水果表面的缺陷可用单阈值进行分割，解决了水果图像由于中部缺陷部分灰度值高于边缘正常部分灰度值而不能一次分割的问题。