水果分级是水果商品化处理的关键步骤,落后的水果分级技术严重制约着水果产业的发展,目前我国水果分级以人工为主,劳动强度大,效率低,已经无法满足产业加工的需求。基于计算机视觉的水果分级以其高精度和高速度的特点得到了广泛的关注和研究。本文针对基于计算机视觉的水果分级关键技术进行了系统的研究,主要工作如下:(1)研究了图像分类的理论和方法,其中基于数字图像处理的图像分类技术主要介绍了图像分割、边缘检测、形态学处理等,阐述了其实现原理和步骤。重点介绍了基于深度学习的图像分类,包括卷积神经网络的模型结构和训练算法。(2)实现了传统基于数字图像处理的水果分级,以荔枝和苹果为实验对象,通过获取水果表面颜色、果径尺寸、缺陷面积等特征参数,建立了评价水果成熟度、大小、缺陷程度的模型;研究了深度网络的结构、训练过程,研究了经典的预训练模型VGG16的结构和特点,以VGG16作为预训练网络,利用较少的数据对目标网络的分类器进行微调,实现了基于经典分类模型VGG16的迁移学习水果分级,通过传统方法的水果分级和深度学习水果分级实验对比和分析,验证了深度学习算法的优越性能。(3)研究和阐述了深度学习网络的训练和优化方法,在网络训练层面,针对训练深度学习模型耗费资源以及数据集样本不足的问题,引入了迁移学习技术;在数据层面,引入了数据增强和批归一化的数据预处理操作,解决了数据不足和样本不均的问题;在网络结构设计层面,研究了VGG16各卷积层所提取特征的不同性质,结合水果分级数据的特点,改进了VGG16的网络结构,通过删除较高层的卷积模块,使网络可以获取到更多的局部信息和细节特征,提高了水果分级的准确率,并通过实验分析了各卷积层对水果分级准确率的影响。(4)微调VGG16的水果分级实验验证了网络对水果表面小范围的局部特征检测存在困难,针对VGG16网络层次加深会造成细节信息丢失的问题,提出了基于VGG改进的特征融合网络用于水果分级,对VGG16网络进行了改进,去掉网络的最高层卷积模块,增加了一个卷积层,融合网络多个层的特征,实验结果表明,改进的方法比微调VGG16网络具有更高的精度。本文的创新点主要有:(1)实现了基于深度学习的端到端的水果分级方法,相比传统的基于数字图像处理的水果分级,大大简化了水果分级的步骤,提高了分级的准确率;(2)提出了基于VGG改进的特征融合网络用于水果分级,在VGG16网络上增加了一个卷积层,用于融合网络中间层的特征,提升了图像局部特征的识别能力,提高了分类的准确率;