1.一种基于多特征串行融合的菱种外观品质分级方法，其特征在于，包括以下步骤：步骤1)采集菱种图像，通过工业相机采集菱种三个角度的图像信息；

步骤1)具体包括：以菱种的重心为原点，三个相机分别位于空间直角坐标系的x轴、y轴和z轴上，镜头与菱种的距离相同，其中A侧为菱种的侧脊面、B侧为菱种的腹部、C侧为菱种的长角端部；每个菱角分别采集A、B、C三侧的图像；

步骤2)菱种图像预处理；

步骤3)提取菱种三特征，包括几何特征数据提取、畸变特征数据提取和纹理特征提取；

步骤3)中所述畸变特征数据提取包括：在菱种的A侧和B侧投影图像中，提取菱种图像边界轮廓，确定该图像的形心，过形心做一条与菱种长轴相垂直的直线L，即把菱种图像轮廓分为左右两边，同理，在菱种的C侧投影图像中，过形心做一条与菱种短轴相垂直的直线，同样将C侧投影图像分为左右两边，过直线L在图像上界和下界之间的每个像素点做一条与L垂直的直线li，这些直线分别与菱种投影图像轮廓的左右两边各有交点，坐标分别是(xi,hi)和(yi,hi)，而对应直线L的像素点为(oi,hi)，则A侧畸变量rA的计算公式为：其中，n为直线L在图像上界和下界之间的像素点的个数；

菱种B侧和C侧的畸变量rB和rC在对应投影图像上同样由式(2)所求出，则该菱种的畸变量r的计算公式为：其中，rA为菱种A侧畸变量，rB为菱种B侧畸变量，rC为菱种C侧畸变量；

步骤4：特征融合与分类识别。

2.根据权利要求1所述的基于多特征串行融合的菱种外观品质分级方法，其特性在于，步骤3)中所述几何特征数据提取包括：对获取的菱种三角度图像分别运用开运算，先进行腐蚀运算，再进行膨胀运算，消除图像的噪声，并消除尖角对后期矩形拟合的影响；对去噪后的二值图利用Sobel边缘检测算法提取光滑、连续的菱种主体边缘；

利用OpenCV开源图像处理函数对轮廓进行最小矩形拟合，每个菱种分别获得三个主体轮廓外接矩形，其中A侧外接矩形长LA、宽WA，B侧外接矩形长LB、宽WB，C侧外接矩形长LC、宽WC，近似认为LA=LB、WA=LC、WB=WC，因此菱种主体外接最小长方体体积V：V＝LA×LC×WB                           (1)。

3.根据权利要求1所述的基于多特征串行融合的菱种外观品质分级方法，其特性在于，步骤3)中所述纹理特征提取包括：提取菱种图像中的灰度共生矩阵，通过计算其能量、对比度、熵和逆方差来实现纹理特征的描述；

1)能量：通过计算灰度共生矩阵元素值的平方和，表示图像灰度分布的均等程度和纹理粗细程度，计算公式为：其中，P(i,j)是指归一化后的灰度共生矩阵，i和j分别是共生矩阵的第i行第j列元素的值；

2)对比度：反映矩阵中数值的分布和局部变化程度，表示图像清晰程度和纹理深浅，计算公式为：其中，P(i,j)是指归一化后的灰度共生矩阵，i和j分别是共生矩阵的第i行第j列元素的值；

3)熵：反映图像中信息随机程度的度量，表示图像空间中灰度的复杂程度，计算公式为：其中，P(i,j)是指归一化后的灰度共生矩阵，i和j分别是共生矩阵的第i行第j列元素的值；

4)逆方差：反映纹理的清晰程度和规则程度，计算公式为：

其中，P(i,j)是指归一化后的灰度共生矩阵，i和j分别是共生矩阵的第i行第j列元素的值；通过计算上述参数值，实现了菱种纹理特征数据的提取。

4.根据权利要求1所述的基于多特征串行融合的菱种外观品质分级方法，其特性在于，所述步骤4)具体包括：对菱种几何特征、畸变特征和纹理特征三类特征的值进行归一化处理，采用离差标准化的方式进行归一化处理，将原始数据映射到[0,1]区间内；

归一化公式如下：

其中，maxM为特征向量中元素的最大值，minM为特征向量中元素的最小值，m为特征向量中的元素，m′为归一化后的元素，则归一化后的特征向量表示为M′；

将菱种几何特征、畸变特征和纹理特征经过式(8)进行归一化处理，再通过串行融合的方式进行特征融合，则串行融合后的菱种特征向量表示为F＝[V′,R′,W′]，其中，V′为归一化后的几何特征向量，R′为归一化后的畸变特征向量，W′为归一化后的纹理特征向量；

分类识别过程分为四个部分：首先，将训练样本中的菱种分为四种品质等级，分别是一等菱、二等菱、三等菱和四等菱，将对应的菱种样本标注标签；其次，对预处理后的菱种图像分别提取几何特征、畸变特征和纹理特征，经归一化后将三种特征串行融合成所需的分类特征；然后，将融合后的分类特征和对应标签作为训练集输入进SVM分类器中，使用多类分类方法进行训练；最后，得出训练后的分类模型，将训练集经过预处理、特征提取和特征融合后输入训练完毕的分类模型中，即可输出对应的菱种品质等级标签，完成菱种的多品质分级输出。