图像分割的准确性直接作用于目标物测量的准确性，其效率直接影响生产的效率，因而，一个快速准确图像分割算法是目标识别，分级分类任务面临的首要问题。在农业产品分级分类任务中，图像分割的目的是将工业相机采集到的图片中的农产品准确的提取出来，为进一步的尺寸测量，分类任务做好准备。对于农产品图像分割算法来说，由于受到生产设备成像质量，灰尘污渍，光照条件，阴影等外部因素影响，造成分割的不准确。本文通过对比不同图像分割算法，阐述各类算法的优缺点，以及各自合适的应用场景。

。对于以矩阵形式存储的图像来说，采用模板矩阵（算子）对源图像进行卷积运算是其提取梯度特征的通用方法。Sobel算子计算量较少，抗噪性较好且能保留边缘的强弱，由一个用于提取水平方向特征和一个用于提取垂直方向的特征的算子组成。Sobel算子十分适合用于提取农产品方向性的特征，例如槟榔的纹路就能很好的被垂直方向的Sobel算子提取出来，通过纹路分布密度，进行槟榔的分级任务。

图像分割算法是用于农产品光电检测分级分类的基础任务，传统算法的优势在于结构简单，，但对复杂环境的适应性较弱。深度学习方法受到环境影响较少，但需大量样本支持，如何正确的获取样本，以及提高算法的整体效率是当前需要解决的主要问题。在实际使用中，深度学习由于性能问题尚无法完全取代传统算法，使用者可以根据具体的需求选择合适的算法。

各种新型显色剂和高灵敏度的显色体系不断涌现，为建立高灵敏度的试纸检测方法提供了更大的发展空间。如薛文静等以0.1%镉试剂的乙醇溶液为显色剂，定量分析用慢速中性滤纸为载体，制备镉快速检测试纸，标准系列色阶为0～5.0mg·L-1。该试纸性质稳定，在避光干燥条件下可保存5个月，在pH 5～8范围内pH对显色结果影响不大。