本项目是建立在计算机视觉与种子检测、模式识别技术基础上，面向种子动态实时检测中的应用基础问题展开研究。.目标是建立一个在多视频通道、多元信息输入条件下的种子动态信息的矫正分析模型，并构建智能化的种子模式识别分类器，该分类器能支持优先级的决策系统，能对信息进行有效的组合与压缩，解决快速、实时检测中的效率问题；研究快速运动中种子群体目标的采集、识别算法，实现系统的多目标并行处理，能自动获得运动中的每一粒种子位置，实现动态实时检测中逐粒分选种子的准确性问题。.农业上最大的威胁之一是播下的种子没有生产潜力，不能使所栽培的品种获得丰收。探索快速、可靠、自动化程度高的种子品质检测理论方法与创新技术，对保护农民利益，增加种质检测的科技含量，促进农作物的增产增收，提高我国种业在国际市场上的竞争力具有重要的理论意义与应用前景。

建立了在多元信息输入下的种子动态信息矫正分析模型，并构建了智能化的种子模式识别分类器，解决了快速、实时检测中的效率问题。在这一创新性的工作中，将计算机图像技术、近红外光谱技术与人工神经网络技术相结合，实现玉米品种、外观质量的鉴别。提出运用系统聚类实现神经网络学习样本的选择，解决了玉米种子等级智能判定中学习样本获取不确定问题。建立自适应BP分类器，并级联多个自适应BP分类器构成多分类器级联网络，实现对玉米种子的等级判定。建立了动态检测条件下的种子形态学分析模型，研究了快速运动中种子群体目标的采集、识别算法，实现系统的多目标并行处理。研究了"无序目标对应有序信息"的虚拟区域特征提取方法，为动态下获取无序目标信息的分析计算奠定了基础，能自动获得运动中的有序或无序排列的每一粒种子位置，实现了动态检测中逐粒分选种子的准确性问题，对粒状物料群体品质检测具有普遍性。在应用上，研制试验样机两台。 发表学术论文11篇：SCI检索2篇（其中收录1篇），EI检索5篇，ISTP检索1篇。申报专利技术4项，其中发明专利2项。有7名研究生参与该课题研究，硕士研究生4名，博士生3名。