Para mejorar la precisión y eficiencia de los métodos utilizados para la detección de impurezas y la tasa de rotura de granos de maíz cosechados, proponemos un método de clasificación e identificación que utiliza un umbral de características y una red neuronal de retropropagación (BP) basada en un algoritmo genético. También construimos un sistema de detección de baldosas discretas de una capa continua para aplicar a granos de maíz cosechados que contienen impurezas y granos rotos. Realizamos una evaluación del enfoque propuesto con un diseño experimental ortogonal de tres factores y tres niveles. Al establecer los parámetros de trabajo, logramos el enlosado discreto de una capa continua de los granos y se recopilaron en promedio 50 materiales de grano en una sola imagen. En la prueba estática, el error entre el valor de monitoreo del sistema y el valor de detección manual fue pequeño, los errores absolutos máximos de las tasas de rotura e impurezas fueron del 2,16% y 1,03%, y el tiempo promedio requerido para cada reconocimiento de imagen fue de 1,71 s. En el entorno experimental, los valores de error absoluto máximo de las tasas de rotura e impurezas fueron del 3,48% y 1,78%. La precisión de identificación del sistema y el tiempo de procesamiento cumplen con los requisitos de la detección en línea de las características del maíz en la cosecha de granos.