白酒生产时的摘酒环节可以将不同品质酒液进行区分并分别存储,是生产关键环节。代代相传的传统摘酒工艺采用“看花摘酒”方法,酒液冲击接酒碗产生的气泡被称为酒花,通过人工观察酒花视觉特征（看花）,来将白酒分段（摘酒）。“看花摘酒”存在分段标准不一、严重依赖人工经验、后继乏人等缺点,不利于产品质量的稳定。以自动化摘酒来替代人工是酒厂发展的趋势,同时摘酒这样的视觉分类任务也非常适合计算机自动完成。由于嵌入式设备功耗小、性价比高且维护简便,使用嵌入式设备实现自动化摘酒系统能够进一步降低成本;但其计算性能一般、内存带宽及片上缓存较小,无法像高性能计算机那样轻松运行相关程序。为了突出嵌入式设备性价比高的优势,同时弥补其劣势,实现适合于嵌入式设备的视觉摘酒系统,本文进行了深入研究。本文在设计中采用更轻量的模型,更高效的计算策略,充分利用嵌入式平台资源,同时保持酒花分类较高准确度,最终达到扬长避短的效果,能够准确可靠、高效率、高性价比地在嵌入式设备上完成摘酒任务。本文工作具体包括:1)设计了“一套系统,两种模式”的嵌入式自动化摘酒系统,两种模式分别为常态运行模式、维护测试模式。常态运行模式下系统自动稳定地实现摘酒,一旦程序故障切换为维护测试模式,由人工看花摘酒而不影响生产,同时更新后的程序能迅速在实际硬件上部署、验证、测试。2)提出一种部署程序的特殊方法,该方法基于Webassembly实现。该方法将整个酒花分类程序编译为高效的Webassembly模块并由网页加载调用,将网页保存在上位机上,任意下位机通过浏览器访问网页即可获取该程序;系统维护测试模式使用了该特殊部署方法,能够通过修改上位机保存的程序,实现对任意下位机的迅速改动,使得更新后程序能够被快速测试和验证,减少维护阶段时间。3)实现基于视觉的酒花分类程序。程序中对相关文献所提出的前处理方法进行改进;设计了轻量级的酒花分类神经网络模型Wine Res6,Caffe模型大小仅655.4KB;同时设计了一种以状态机为基础的酒花分类后处理算法,避免只依靠网络模型结果产生的分类波动,同时有效提高分类正确率。最终在测试集上达到97.2%的分类正确率。4)实现了适合嵌入式设备推理神经网络模型的推理引擎ESNN。ESNN能够高效推理常见神经网络;以纯C++实现,跨平台能力强;功能精简、完整;无任何第三方库依赖。本文酒花分类程序使用ESNN加载并推理神经网络。ESNN的实现借鉴了其他推理引擎NCNN、框架Caffe等的设计思路,并作出独有的创新优化。