基于圖像處理的蘋果檢測與識(shí)別技術(shù)研究

孟倩楠，安佳駿

（河北經(jīng)貿(mào)大學(xué)信息技術(shù)學(xué)院 河北 石家莊 050061）

0 引言

在鄉(xiāng)村振興的不斷推進(jìn)下，我國蘋果種植生產(chǎn)量逐年增高，現(xiàn)已位居世界蘋果生產(chǎn)國平均年產(chǎn)量之首，于是對(duì)蘋果種植生產(chǎn)行業(yè)智能化檢測提出了更迫切的要求。 傳統(tǒng)蘋果檢測由果農(nóng)肉眼并憑借經(jīng)驗(yàn)對(duì)其做出應(yīng)有的判斷，后來無智能化機(jī)器代替了部分人工檢測，但由于只具有死板的程序設(shè)計(jì)，仍無法代替人工。 而基于圖像處理技術(shù)可以憑借訓(xùn)練數(shù)據(jù)集、圖像形態(tài)學(xué)、二值化處理等技術(shù)將蘋果的生長狀態(tài)以及大小、形狀、顏色等多項(xiàng)指標(biāo)進(jìn)行大數(shù)據(jù)分析以及特征提取，解決人力資源浪費(fèi)問題與蘋果品質(zhì)問題。 本文歸納總結(jié)了圖像訓(xùn)練集與數(shù)據(jù)庫搭建、分類識(shí)別技術(shù)簡述、圖像采集與預(yù)處理、成熟度檢測、特征提取和分級(jí)模式研究，為新一代蘋果檢測識(shí)別技術(shù)提供新思路。

1 圖像訓(xùn)練集與數(shù)據(jù)庫搭建

本實(shí)驗(yàn)采用圖像數(shù)據(jù)集的形式進(jìn)行處理，首先通過Github 與Model Whale 網(wǎng)站上尋找開源蘋果圖像數(shù)據(jù)集進(jìn)行初步采集訓(xùn)練，最后選擇Fruits 360 數(shù)據(jù)集，該數(shù)據(jù)集是目前最常用的蘋果數(shù)據(jù)集之一，包括總數(shù)為47 593 張100×100 像素的圖片，訓(xùn)練集包括35 625 幅圖像，驗(yàn)證集包括11 968 幅圖像。 同時(shí)還進(jìn)行實(shí)地考察、采集來擴(kuò)充數(shù)據(jù)庫，對(duì)得到的圖片數(shù)據(jù)進(jìn)行預(yù)處理工作，構(gòu)建優(yōu)果劣果甄選數(shù)據(jù)庫，并將不同環(huán)境下蘋果產(chǎn)量、果實(shí)情況等數(shù)據(jù)導(dǎo)入后臺(tái)處理。

2 蘋果分類識(shí)別技術(shù)簡述

本技術(shù)需要使用提前設(shè)定好的蘋果特征進(jìn)行提取處理，對(duì)數(shù)據(jù)集的圖像用MATLAB 等工具進(jìn)行預(yù)處理，提取相關(guān)主要特征，并放入訓(xùn)練分類裝置中，等待系統(tǒng)輸出最終反饋。

圖像分類識(shí)別系統(tǒng)首先需要使用顏色全局二值模式處理來提取圖片紋理的基本信息特征，然后通過直方圖顏色模型提取相關(guān)顏色信息。 采用匹配分?jǐn)?shù)融合算法將紋理特征與色彩特征相結(jié)合，用于最終的識(shí)別。 該方法可以在一定程度上提高識(shí)別率及準(zhǔn)確率，還可以減少時(shí)間開銷。 另外還有學(xué)者提出將系統(tǒng)分為三個(gè)階段：預(yù)處理階段、特征提取階段與分級(jí)階段。 預(yù)處理階段用于減少顏色相關(guān)指數(shù)，特征提取階段用于生成特征向量，分級(jí)階段采用支持向量機(jī)（support vector machine， SVM）算法來識(shí)別蘋果類型。

3 蘋果圖像采集與預(yù)處理

3.1 圖像采集

3.1.1 機(jī)器視覺檢測技術(shù)

本系統(tǒng)主要應(yīng)用的是基于MATLAB 機(jī)器視覺的檢測技術(shù)，機(jī)器視覺檢測技術(shù)是用計(jì)算機(jī)來模擬人類視覺功能進(jìn)行檢測的技術(shù)，主要是以計(jì)算機(jī)和圖像獲取設(shè)備為工具，由圖像獲取設(shè)備將檢測對(duì)象的外部特征信息高速輸送給計(jì)算機(jī)進(jìn)行圖像處理、分析和模式識(shí)別，從而實(shí)現(xiàn)對(duì)檢測對(duì)象外觀品質(zhì)的綜合評(píng)價(jià)。［1］一套完整的機(jī)器視覺系統(tǒng)包括照明光源、光學(xué)鏡頭、電荷耦合器件（charge-coupled device，CCD）相機(jī)、圖像采集卡、圖像檢測軟件以及監(jiān)視器、通信單元等組成部分。 這些部件協(xié)同工作，以實(shí)現(xiàn)對(duì)視覺數(shù)據(jù)的精確采集、處理和分析，從而用于機(jī)器視覺領(lǐng)域的各種應(yīng)用。

3.1.2 技術(shù)路線

本系統(tǒng)采用CCD 相機(jī)和圖像采集卡完成圖像采集，并將圖像傳輸至計(jì)算機(jī)，以便進(jìn)行后續(xù)的圖像處理。 通過對(duì)采集到的圖像進(jìn)行預(yù)處理，可以提高檢測分類的準(zhǔn)確性。 確定適當(dāng)?shù)膱D像分級(jí)參數(shù)，從尺寸、顏色和缺陷三個(gè)方面對(duì)蘋果圖像進(jìn)行分級(jí)，并綜合各方面的分級(jí)結(jié)果，得出果實(shí)的最終等級(jí)，如圖1 所示。

圖1 蘋果圖像采集裝置示意圖

3.2 圖像預(yù)處理

3.2.1 流程簡述

圖像預(yù)處理的主要目的是消除無關(guān)信息，增強(qiáng)有關(guān)信息的可檢測性，并盡可能簡化數(shù)據(jù)。 在蘋果圖像的采集和預(yù)處理中，主要流程為：圖像采集—圖像分割—形態(tài)學(xué)去噪—邊緣檢測。 圖像采集過程中使用到的顏色模型為RGB 模型；圖像分割過程中運(yùn)用到閾值分割，主要是灰度直方圖雙峰法，將RGB 分量的蘋果彩色圖像轉(zhuǎn)化為灰度圖像，簡化了數(shù)據(jù)表示，便于后續(xù)的處理；形態(tài)學(xué)去噪過程中用到二值化處理，用0 和255 灰度值來區(qū)別實(shí)體與背景，提高圖像識(shí)別，便于輪廓的提取，用于操作平滑目標(biāo)邊緣，并消除表皮的一些其他影響，例如毛刺等；邊緣檢測過程中先利用圖像增強(qiáng)技術(shù)提高圖像識(shí)別度，然后采用Canny 算子檢測技術(shù)提取邊緣。 Canny 算子檢測技術(shù)的基本原理是先使用高斯濾波器進(jìn)行平滑濾波處理，方便更好地保留圖像的整體結(jié)構(gòu)和細(xì)節(jié)，然后采用非極大值抑制技術(shù)，雙閾值邊緣點(diǎn)篩選處理來提取邊緣信息。

3.2.2 顏色模型

在圖像采集時(shí)使用RGB 模型來表示和處理圖像的顏色信息。 RGB 模型是一種常用的顏色模型，它由紅色（R）、綠色（G）和藍(lán)色（B）三個(gè)分量組合而成。 在RGB 模型中，每個(gè)分量的取值范圍是（0，255），代表了相應(yīng)顏色的強(qiáng)度。 通過調(diào)整這三個(gè)分量的數(shù)值，可以得到不同的顏色。 同時(shí)，研究人員通過實(shí)驗(yàn)得到，蘋果圖像在R 分量下的亮度最高，與背景形成明顯對(duì)比；而在G 分量和B 分量下目標(biāo)亮度較暗，與背景之間差異不大。 所以，R 分量圖適合用于作為圖像分割任務(wù)的前提。

3.2.3 圖像分割

在圖像分割時(shí)使用灰度直方圖雙峰法來將彩色圖像進(jìn)行灰度化處理，此后可以在圖像的灰度直方圖中看到兩個(gè)明顯的峰值。 通過灰度直方圖雙峰法，可以根據(jù)蘋果圖像的灰度分布對(duì)圖像進(jìn)行分割，其中運(yùn)用到了閾值分割技術(shù)，將閾值R 與原始灰度圖像f（x，y）作比較，表達(dá)式如式（1）所示。

當(dāng)圖像中存在明顯的目標(biāo)與背景時(shí)，其灰度直方圖將呈現(xiàn)雙峰形態(tài)，雙峰之間的谷底灰度值即為分割閾值。 將灰度值高于閾值的部分劃分為目標(biāo)，低于閾值的部分則為背景。 圖像分割操作不僅可以簡化數(shù)據(jù)的表示，還不會(huì)對(duì)后續(xù)的形態(tài)學(xué)去噪和邊緣檢測提取這兩個(gè)操作的準(zhǔn)確性產(chǎn)生影響，是圖像預(yù)處理過程中必不可少的一步。

3.2.4 形態(tài)學(xué)去噪

形態(tài)學(xué)去噪時(shí)首先用到二值化處理，將目標(biāo)與背景分別表示為黑色和白色，提高圖像識(shí)別。 其次，使用形態(tài)學(xué)操作（膨脹和腐蝕）對(duì)二值圖像進(jìn)行處理。 膨脹操作可以擴(kuò)大目標(biāo)區(qū)域并填充其中的空洞，從而消除小的噪聲。 腐蝕操作可以縮小目標(biāo)區(qū)域并分離連在一起的目標(biāo)結(jié)構(gòu)，從而消除細(xì)小的尖峰噪聲。 最后，本操作還采用了形態(tài)學(xué)操作中的開運(yùn)算來消除圖像分割后會(huì)出現(xiàn)一些孤立的像素點(diǎn)或目標(biāo)邊緣不平滑的現(xiàn)象。 因?yàn)樯鲜霈F(xiàn)象會(huì)影響圖像分割的效果，并導(dǎo)致后續(xù)的特征提取產(chǎn)生較大誤差，所以這一操作為后續(xù)圖像的處理提供了有效性和可靠性。

3.2.5 邊緣檢測

在邊緣檢測時(shí)先利用圖像增強(qiáng)技術(shù)提高圖像識(shí)別度，然后采用Canny 算子檢測技術(shù)提取二值圖像的邊緣。 圖像增強(qiáng)技術(shù)主要用于提高圖像的清晰度和對(duì)比度，通過銳化技術(shù)增強(qiáng)圖像的邊緣和細(xì)節(jié)，更加突出圖像邊緣信息，通過對(duì)比度增強(qiáng)技術(shù)調(diào)整圖像灰度級(jí)，使提取目標(biāo)更加明顯，通過圖像恢復(fù)技術(shù)消除部分圖像存在的模糊失真或者畸變，三種技術(shù)組合使用提高圖像邊緣的識(shí)別度。

Canny 算子檢測先使用高斯濾波器進(jìn)行卷積操作，運(yùn)用到了高斯函數(shù)G（x，y），如式（2）所示，式子中σ表示高斯濾波器參數(shù)。 然后得到平滑圖像g（x，y）并保留邊緣細(xì)節(jié)，如式（3）所示，式子中F（x，y）表示原始圖像。 隨后進(jìn)行梯度計(jì)算，計(jì)算g（x，y）中每個(gè)像素點(diǎn)的梯度值T（x，y）和方向θ（x，y），如式（4）、式（5）所示。

首先圖像中灰度變化最劇烈的地方就是梯度值；其次通過非極大值抑制對(duì)每個(gè)像素點(diǎn)的梯度方向進(jìn)行判斷，只保留提取下來局部最大梯度值的像素點(diǎn)，去除其他非極大值的像素點(diǎn)；最后通過雙閾值化將像素點(diǎn)分類為強(qiáng)邊緣、弱邊緣和非邊緣，大于高閾值的強(qiáng)邊緣點(diǎn)可直接判定為邊緣，小于低閾值的非邊緣點(diǎn)可去除，而處于高低閾值之間的弱邊緣點(diǎn)則需要進(jìn)一步檢查，檢測鄰域是否有強(qiáng)邊緣點(diǎn)，有則保留提取下來，沒有則去除，最終連接起強(qiáng)邊緣與弱邊緣，形成完整的邊緣線條并顯示出來。 圖像處理后如圖2 所示。

圖2 蘋果圖像預(yù)處理示意圖

4 蘋果成熟度檢測

該模塊主要用于檢測蘋果的成熟度。 主流的蘋果成熟度檢測技術(shù)包括兩大類：有損檢測技術(shù)與無損檢測技術(shù)。 顧名思義，是根據(jù)是否會(huì)對(duì)蘋果本身造成損傷來區(qū)分的技術(shù)。 本系統(tǒng)主要應(yīng)用無損檢測技術(shù)來進(jìn)行蘋果成熟度的檢測。

4.1 有損檢測技術(shù)

過去傳統(tǒng)的蘋果檢測技術(shù)主要依靠人類的經(jīng)驗(yàn)以及各種檢測分析儀器，觀察蘋果的外觀并檢測蘋果的硬度、可溶性糖含量、可滴定酸含量等指標(biāo)以判斷蘋果的成熟度。 但這些方法只有人類憑經(jīng)驗(yàn)來判斷蘋果成熟度不會(huì)對(duì)蘋果造成損傷，其他方法都會(huì)對(duì)蘋果造成不同程度損傷，因此傳統(tǒng)的檢測技術(shù)被稱為有損檢測技術(shù)。 針對(duì)不同的檢測指標(biāo)，有損檢測技術(shù)主要分為外觀質(zhì)量檢測、硬度檢測、可溶性糖含量檢測、可滴定酸含量檢測。

4.2 無損檢測技術(shù)

無損檢測技術(shù)的優(yōu)點(diǎn)就是不破壞蘋果，不僅保證了蘋果的完整性，還是一種具有快速準(zhǔn)確、低成本和實(shí)時(shí)性優(yōu)點(diǎn)的質(zhì)量評(píng)價(jià)技術(shù)。 目前無損檢測技術(shù)主要有以下幾類：光學(xué)特性分析法、電學(xué)特性分析法、聲學(xué)特性分析法、化學(xué)特性分析法、機(jī)器視覺分析法和其他成熟度無損檢測法。可以舉例為以下幾種技術(shù)：近紅外光譜檢測技術(shù)、機(jī)器視覺檢測技術(shù)、高光譜成像檢測技術(shù)、聲學(xué)分析檢測技術(shù)、介電性質(zhì)分析檢測技術(shù)、核磁共振檢測技術(shù)。

5 蘋果特征提取

特征提取為進(jìn)行蘋果分級(jí)處理的重要前置條件，判斷一個(gè)蘋果優(yōu)劣與否的重要依據(jù)由三部分構(gòu)成：大小、形狀與顏色。

5.1 蘋果大小特征提取

在實(shí)際生活中售賣蘋果時(shí)，蘋果的大小常常作為主要定價(jià)標(biāo)準(zhǔn)，一般來說，直徑大的蘋果單價(jià)較高，直徑小的蘋果單價(jià)較低。 特征提取的主要辦法有平均直徑法、最大果寬法、模板匹配法、最小外接矩形法等等。 根據(jù)GB／T 10651—2008《鮮蘋果》中的大小標(biāo)準(zhǔn)，蘋果的大小是測量水平方向上蘋果的最大直徑，即為垂直于果軸的最大橫截面直徑。 通過選擇蘋果的俯視角度，獲得初始蘋果圖像，由于蘋果初始形狀近于圓形，所以采用最小外接圓方法對(duì)圖像進(jìn)行處理。

首先應(yīng)通過二值圖像進(jìn)行處理，利用式（6）、式（7）算出其最小外接圓的質(zhì)心（Cx，Cy），式子中M0表示圖像總像素?cái)?shù)，M1表示水平向右的像素?cái)?shù)，M2表示垂直向下像素?cái)?shù)。

在此將蘋果的質(zhì)心作為最小外接圓的圓心，可以通過圖像邊緣和圓心坐標(biāo)的距離來確定半徑，根據(jù)式（8）計(jì)算出圓心與像素點(diǎn)的距離，其中xi為目標(biāo)像素點(diǎn)的橫坐標(biāo)，yi為目標(biāo)像素點(diǎn)的縱坐標(biāo)。 遍歷全部的邊緣像素點(diǎn)，設(shè)置最小外接圓半徑dmax來保存最大距離，若新距離大于當(dāng)前存儲(chǔ)的dmax，則進(jìn)行更新直到遍歷完成，得到最小外接圓的半徑。

由于得到的最小外接圓半徑單位是像素，需要將其與實(shí)際常用的蘋果直徑單位毫米進(jìn)行轉(zhuǎn)換操作。 通過選取m 個(gè)標(biāo)準(zhǔn)球體，將其實(shí)際直徑長度D 的平均值和圖像采集的像素點(diǎn)個(gè)數(shù)d 的平均值進(jìn)行對(duì)比，得出其中的關(guān)系轉(zhuǎn)換式（9）。

5.2 蘋果形狀特征提取

蘋果在幾何中近似于球體，在圖像采集中可以用圓形的擬合度來判斷其形狀的優(yōu)劣，這里采用圓形度法來進(jìn)行判斷描述。

對(duì)于標(biāo)準(zhǔn)圓而言，由周長C 推出的直徑RC與由面積推出的直徑RS應(yīng)當(dāng)相同，即RC＝RS。 因此可以依據(jù)這一特質(zhì)來估計(jì)蘋果接近圓的程度E，如式（10）～式（12）所示。 由此可知，當(dāng)圓形度E越接近1 時(shí)，RC與RS近乎相等，蘋果的形狀越規(guī)則。

5.3 蘋果顏色特征提取

顏色可以反映蘋果的成熟度與口感，為果農(nóng)銷售分類蘋果的重要指標(biāo)之一。 根據(jù)GB／T 10651—2008《鮮蘋果》中的色澤標(biāo)準(zhǔn)，果面著色面積為色澤分類的主要依據(jù)，因此可以通過比較圖像中紅色所占比例，得出著色度。

由于六角錐體模型HSV（hue，saturation，value）更符合人類視覺對(duì)顏色的認(rèn)知，所以這里采用HSV 模型。 首先，將RGB 圖轉(zhuǎn)化為HSV 圖；其次，選取紅色的提取范圍H（156 ～180）、S（43 ～256）、V（46 ～255）［2］；最后，再根據(jù)圖像閾值處理后白色像素點(diǎn)數(shù)rwhite與圖像像素點(diǎn)總個(gè)數(shù)r0的關(guān)系來計(jì)算著色度C，如式（13）所示。

6 蘋果分級(jí)模式研究

實(shí)現(xiàn)對(duì)蘋果進(jìn)行分級(jí)時(shí)，首先需要搭建分類模型，對(duì)逐個(gè)蘋果進(jìn)行特征提取，再將其參數(shù)輸入到模型當(dāng)中進(jìn)行果類識(shí)別分級(jí)工作。 圖像預(yù)處理和特征提取技術(shù)都是為本模塊的研究做鋪墊，經(jīng)過圖像處理后，綜合判斷對(duì)蘋果進(jìn)行分級(jí)處理。 傳統(tǒng)的分級(jí)模式為果農(nóng)到果園現(xiàn)場進(jìn)行肉眼鑒別，通過自身經(jīng)驗(yàn)判斷優(yōu)果劣果。 這種模式受限于人力勞動(dòng)量較大、主觀判斷過強(qiáng)等問題。 本文的分級(jí)模式可以結(jié)合蘋果顏色特征、形狀特征、顏色特征等產(chǎn)生特征向量，再根據(jù)實(shí)際情況做出選擇，也可用標(biāo)簽標(biāo)記特征向量，以便產(chǎn)生訓(xùn)練樣本集。 實(shí)驗(yàn)綜合參照GB／T 10651—2008 與實(shí)際測量標(biāo)準(zhǔn)，將蘋果劃分為一級(jí)果、二級(jí)果、三級(jí)果與四級(jí)果，如表1 所示。

表1 蘋果品質(zhì)等級(jí)分級(jí)標(biāo)準(zhǔn)表

6.1 數(shù)據(jù)規(guī)范化

在進(jìn)行數(shù)據(jù)分類的過程中，可能會(huì)出現(xiàn)特征參數(shù)差距較大的情況，例如大小參數(shù)、形狀參數(shù)、顏色參數(shù)有很大的出入時(shí)，這些數(shù)據(jù)顯然是無效數(shù)據(jù)，必須舍棄。 分類器只能根據(jù)蘋果參數(shù)的特征進(jìn)行粗略分類，得到的結(jié)果會(huì)不夠理想，誤差較大。 數(shù)據(jù)規(guī)范化步驟如下：①將數(shù)據(jù)集中重復(fù)的數(shù)據(jù)圖片記錄移除，保證每條記錄都是唯一的；②進(jìn)行規(guī)范化字段，統(tǒng)一為特定相同的格式；③約束管理操作可以將特征向量的取值固定在特定范圍之內(nèi)；④缺失值處理會(huì)智能填充或刪除缺失值的記錄；⑤標(biāo)準(zhǔn)化數(shù)據(jù)范圍會(huì)保證不同類型的字段數(shù)據(jù)范圍相似，用于各個(gè)數(shù)據(jù)的比較與區(qū)分。 通過進(jìn)行數(shù)據(jù)規(guī)范化，可去除無效數(shù)據(jù)、減少分級(jí)研究中的錯(cuò)誤，并為后續(xù)分類器運(yùn)行提供基礎(chǔ)。

6.2 SVM 算法

SVM 算法是一種基于向量空間的機(jī)器學(xué)習(xí)方法，目標(biāo)是找到兩個(gè)類之間的決策邊界，其在樣本較小的數(shù)據(jù)訓(xùn)練集上效果較好，可以有效提高模型的泛化。 SVM 算法可以應(yīng)用于數(shù)據(jù)的模式分類和非線性回歸，能夠解決小樣本和非線性等常見的缺陷［3］。

模型利用制作的樣本數(shù)據(jù)集可以訓(xùn)練SVM，具體決策樹如圖3 所示。

圖3 SVM 分類決策樹

該分類器名為基于決策樹的一對(duì)多多類分類器，將訓(xùn)練好的SVM 進(jìn)行蘋果分級(jí)處理，設(shè)計(jì)過程參考蘋果的直徑尺寸、著色程度、紋理等特征的提取來將其分為一級(jí)果、二級(jí)果、三級(jí)果和四級(jí)果，其中一級(jí)果為最優(yōu)果實(shí)，蘋果的優(yōu)質(zhì)程度依次降低。 系統(tǒng)的分級(jí)標(biāo)準(zhǔn)可通過調(diào)整初始參數(shù)，實(shí)現(xiàn)對(duì)多個(gè)蘋果種類的分類。

7 研究測試結(jié)果

本研究測試環(huán)節(jié)的編程環(huán)境為Python3.8.8 和OpenCV4.6.0。

測試環(huán)境首先導(dǎo)入預(yù)先準(zhǔn)備的蘋果圖片數(shù)據(jù)庫，對(duì)每一幀蘋果圖像進(jìn)行圖像預(yù)處理操作，隨機(jī)選擇100 張圖像用于粒子群優(yōu)化算法的SVM 決策樹的模型訓(xùn)練樣本集，其余圖像作為模型測試樣本集。 將樣本的果徑、果形、著色度3 個(gè)特征值輸入模型中，測試將種群數(shù)量設(shè)置為30，最大迭代次數(shù)為120，進(jìn)而計(jì)算得到相應(yīng)的懲罰參數(shù)與核參數(shù)，其訓(xùn)練適應(yīng)度曲線如圖4 所示。

圖4 適應(yīng)度變化曲線

接下來測試環(huán)境，取出各等級(jí)蘋果60 個(gè)為樣本，利用SVM 決策樹模型進(jìn)行分類處理，并與人工處理結(jié)果進(jìn)行對(duì)比得到其準(zhǔn)確率。 結(jié)果如下：一級(jí)果91.7%、二級(jí)果90%、三級(jí)果98.3%、四級(jí)果96.7%，總準(zhǔn)確率為94.2%。具體結(jié)果如表2 所示，由此可證明實(shí)驗(yàn)成功。

表2 分級(jí)檢測結(jié)果

8 結(jié)語

本研究主要設(shè)計(jì)了一種基于圖像處理的蘋果檢測識(shí)別技術(shù)，通過開源數(shù)據(jù)庫圖像與實(shí)驗(yàn)硬件采集的圖像數(shù)據(jù)，利用MATLAB 進(jìn)行檢測處理，區(qū)分優(yōu)果劣果。 本系統(tǒng)能夠?qū)崿F(xiàn)分級(jí)功能，解決了農(nóng)場蘋果分類檢測困難、人力資源浪費(fèi)嚴(yán)重的問題。 應(yīng)用前景廣闊，不僅可以用于蘋果識(shí)別，還可用于其他水果、蔬菜的識(shí)別區(qū)分，助力農(nóng)產(chǎn)品生產(chǎn)分揀，充分發(fā)揮智慧農(nóng)業(yè)技術(shù)優(yōu)勢，為鄉(xiāng)村振興保駕護(hù)航。