名优茶一直以人工采摘为主,劳动力需求大,采摘效率低。机械化采摘方式可以提高鲜叶采摘效率,但现有机采设备采摘的鲜叶一般只能制作大宗茶,鲜叶存在混杂和破碎率高等问题。因此,基于机器视觉将机采茶叶按一定等级标准进行分选以获得高品质茶叶,是解决名优茶采摘的有效途径。本文选择了5种不同类型的茶叶并按等级分别进行类别标记,制作图像数据集。采用基于人工提取形态、纹理和颜色特征和基于卷积神经网络自动提取特征得到两种特征库,分别建立分类识别模型并进行比较,最终选择基于深度卷积神经网络的算法模型,并融合区域分割和卷积神经网络实现了茶叶物料多目标定位与识别,在此基础上研制茶叶分选装备并进行试验验证,完成的主要研究工作和成果总结如下:1)制作了3个茶叶样本图像数据集用以分析茶叶等级识别过程中的影响因素,2个茶叶图像数据集用以分析茶叶次品识别过程中的影响因素,并按等级分别进行类别标记。2)提取了样本形态、纹理和颜色共42个特征,分析多特征向量下有效特征的快速判定方法,比较了逻辑回归LR(logistic regression)、决策树DT(decision tree)和支持向量机SVM(support vector machine)三种模型对茶叶样本识别效果的影响,得到了5种样本的最佳识别模型并进行测试。通过对5种茶叶样品最佳模型识别结果分析,发现茶叶加工工艺对茶叶分级精度会产生影响。3)提出了基于卷积神经网络的茶叶特征自动提取和识别方法,实现了茶叶样本复杂特征的自动提取,探究了batch、学习率参数和样本数量对模型训练的影响,比较了L2正则化和Dropout两种模型过拟合优化方法,得到了5种样本的最佳识别模型并进行测试,试验结果表明卷积神经网络在茶叶样本分类过程中不仅可以自动提取特征,相比于基于人工提取形态、纹理和颜色特征的识别模型,还可以获得更高的识别精度。4)提出了基于区域分割和卷积神经网络的目标定位与识别方法,实现了多目标图像的快速分割定位与识别,本文10个目标以上的图像分割与识别能在34ms左右完成,有效解决基于卷积神经网络图像分类识别的目标定位问题,提高了多目标图像识别速度。5)将卷积神经网络特征提取、区域分割定位相融合,应用于实际分选平台中,实现了基于深度学习算法的茶叶在线分选。6)为解决鲜叶和毛茶喂料问题,本文设计了振动给料和负压旋转落料机构两种不同的给料机构,实现了鲜叶和毛茶的分散给料;建立了气吹式和气吸式两种不同的分选执行机构,并设计了配套的控制系统,最终实现了物料的动态分选。7)分选装备测试试验结果表明,本文建立的基于区域分割和卷积神经网络的多目标识别模型稳定性较好,鲜叶和毛茶识别率均达到了95%以上。金鸡种和舒茶早鲜叶分选率均值分别为90.5%和92.8%,相比于识别结果都有所下降,试验发现,气吸式结构不适用于鲜叶分级,而茶树品种在一定程度上会影响鲜叶分级结果;毛茶气吸式试验分选率达到了98.5%,误分率仅有1.5%,气吹式毛茶分选试验分选准确率为97.2%,实现了较好地分选效果。目前单通道分选鲜叶工作效率可等效于4个人工左右,随着硬件的不断优化,效率还将进一步提升。