对虾是我国水产消费品中一大主力军,不仅肉质细嫩、味道鲜美、营养丰富,还具有较高的经济价值,因此一直深受人们的喜爱。随着人民生活水平的提高,近年来国内外对虾需求量日益增大,品质要求也不断提升。传统对虾品质检测常以人工感官评定颜色和完整度；机械设备或重量传感器评定规格。前者劳动强度大、主观性强；后者检测指标单一智能化程度低。机器视觉利用非接触式图像技术,能够实现快速地无损检测,将其应用于对虾检测不仅可以克服传统方式存在的问题,也是最终实现在线检测的有效途径。本文以新鲜对虾为对象,研究了机器视觉技术应用于对虾规格检测的基本理论和方法,主要研究内容和结论如下：1、构建了对虾静态图像采集系统。通过对光源、照明方式和背景材料颜色的实验分析,结果表明将LED条形光源朝上打光产生的光线反射到对虾上可以有效地消除其表面的高光区。为了保证前向照明获得的对虾彩色图像不受分割过程的影响,采用了背向照明获得的轮廓图对其直接进行分割。分析了红、绿、蓝、白四种背景下的对虾彩色图像L*a*b*分量的差异性及相关性,结果表明白色背景下的图像效果最佳。2、获取了对虾二值图像及边缘图像。对对虾RGB分量图进行分析,结果表明B分量灰度直方图峰顶-峰谷差异最显著,对虾轮廓信息最完整。使用最大类间方差法(OTSU)进行对虾图像背景分割,进行3×3中值滤波,以及半径为1的圆盘结构元素开运算、闭运算、膨胀及腐蚀,最后通过Sobel算子获取边缘图像。结果表明本文处理方法能有效获取对虾二值化及边缘图像。3、提取了对虾主骨架线并识别了对虾不同部位。基于zhang细化算法生成了对虾骨架图,提出了一种长度阈值变化法去除骨架线的分支,最终获得了光滑、连续其宽度为1个像素的主骨架线。对带肢和去肢不同姿态的对虾图像进行了算法验证,去支算法准确率为100.00%。识别了对虾的头尾和腹背,算法准确率分别为95.40%和96.10%。根据主骨架线长度比例对头尾进行了分割,与手动分割结果对比,算法分割准确率在97.00%以上。4、基于对虾图像主骨架线预测其长度规格。分析了带肢和去肢不同姿态的对虾主骨架线长度与实际长度之间的关系,当对虾不带肢且姿态接近直线时,主骨架线长度与实际长度相关性最高为0.946,预测结果的绝对和相对误差均值为2.28mm和1.07%。对于任意姿态的对虾,利用了主骨架线长度与弯曲度共同预测实际长度,建立了三者之间的数学模型,预测结果绝对和相对误差均值为5.27mm和3.86%。结果表明根据主骨架线预测对虾实际长度是切实可行的。5、基于对虾图像面积预测其重量规格。考虑到对虾不同部位的厚度及密度差异,根据之前的头尾分割结果,将各部分重量比例作为权重校正各部分面积,校正后的总面积与重量之间的一次线性相关性0.979要高于校正前的0.971。建立了校正后各部分面积与重量的多元数学模型,相关系数为0.991,预测结果的绝对和相对误差均值为0.41g和5.03%。为了体现此模型的优越性,分别建立了总面积与重量的一次线性、二次线性、乘幂及指数模型,分析了四种模型的相关性以及预测精度,乘幂模型效果最好,模型相关性为0.974,绝对和相对误差均值为0.50g和5.60%。结果表明通过权重校正后的各部分面积所建立的重量预测模型准确度更高。6、设计了对虾检测分级动态系统。整套系统主要包括下料系统、图像采集系统和分级系统。对整个系统的机械机构以及图像采集系统部件进行了设计。下料系统实现了对虾的单粒化,图像处理系统实现了对虾的规格检测,分级系统根据图像处理系统结果将对虾分成了四级。