روش هایی که به طور معمول برای شناسایی شلتوک های پوک از سالم مورد استفاده قرار می گیرند، اغلب زمان بر و هزینه بر هستند. به همین دلیل، در این پژوهش روشی هوشمند و سریع مبتنی بر بینایی ماشین و شبکه های عصبی مصنوعی به منظور تشخیص دانه های شلتوک پوک از سالم ارائه شد. تصاویر دیجیتالی پنج رقم شلتوک در سه وضعیت سالم، پوک و مخلوط و در دو حالت پراکنده و کپه ای تهیه شدند. پس از انجام پیش پردازش و قطعه بندی، برای هر دانه شلتوک 3 ویژگی رنگی و 5 ویژگی شکلی استخراج شد. به منظور تشخیص تاثیرگذارترین ویژگی ها در تشخیص شلتوک های سالم از پوک، روش تحلیل مولفه های اصلی(PCA) بکار گرفته شد. سپس برای ایجاد مدل شناسایی و دسته بندی نمونه ها شبکه های عصبی مصنوعی پرسپترون چندلایه (MLP) بر اساس مولفه های اصلی که با روش PCA بدست آمده بودند، مورد استفاده قرار گرفت. برای بررسی قابلیت مدلسازی و اعتبارسنجی هر الگوریتم از پارامترهای آماری میانگین مربعات خطا (MSE)، ضریب همبستگی (R2)، ویژگی و حساسیت استفاده شد. نتایج نشان داد که روش هوشمند طراحی شده می تواند با دقت قابل قبول در تمامی ارقام (R2P>0.81, RMSEp<0.219, Sensitivitiy>0.8 & Specifisitiy>0.98) دانه های سالم و پوک را تشخیص دهد. بنابراین از روش بینایی ماشین در ترکیب با شبکه های عصبی مصنوعی می توان به عنوان روشی هوشنمد و سریع در ورودی کارخانه های سفیدکن شلتوک برای ارزیابی کیفیت شلتوک و تشخیص شلتوک های سالم از پوک استفاده کرد.