基于深度學(xué)習(xí)的水果品質(zhì)分級(jí)方法綜述

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2025）16-0039-05

Abstract：Fruit quality grading isa key link inagricultural productionand food processing，which directly affects productvalueandmarketcompetitivenes.Inrecent years，with thedeclinecomputer hardwarecostandthe improvement performance，DeepLearning technologyhasdevelopedrapidly，providinganewsolution for fruitqualitygrading.Firstly， this paper introduces the core principle Deep Learing，and compares the characteristics typical algorithms such as Convolutional Neural NetworkandRecurent Neural Network.Secondly，theresearch status fruit quality gradingmethods basedonDeepLeaming athomeandabroad iscomprehensivelyreviewed.Finally，inview the problems existing inthe current fruitquality grading methods，the futureresearch directionand developmentsuggestionsareputforward.Thisstudycan notnlyprovidethoreticalreferencefortheinnovationfruitqualitygradingtechnology，utalsoprovideimportanttechical reference for the development agricultural intelligence.

Keywords： fruit quality grading; Deep Learning; feature extraction; image processing

0 引言

我國(guó)地處寒、溫、熱三帶，適宜不同品種水果的種植。得益于地形、氣候類(lèi)型的多樣性，我國(guó)生產(chǎn)的水果品種豐富。近年來(lái)，我國(guó)水果種植面積持續(xù)擴(kuò)大，產(chǎn)量持續(xù)上升。據(jù)國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)，2018一2023年，我國(guó)水果產(chǎn)量增長(zhǎng)了約0.7億噸，增幅約為 27.2% 年均復(fù)合增長(zhǎng)率約為 4.93% 。

作為關(guān)系到生產(chǎn)和民生的重要經(jīng)濟(jì)作物，水果的商品化率高于谷物類(lèi)等糧食，在農(nóng)民生產(chǎn)生活中發(fā)揮著重要作用。數(shù)據(jù)顯示，2023年我國(guó)水果零售市場(chǎng)規(guī)模為1.22萬(wàn)億元，預(yù)計(jì)到2026年有望增長(zhǎng)至1.8萬(wàn)億元。水果在采摘、運(yùn)輸和儲(chǔ)存過(guò)程中會(huì)出現(xiàn)水分蒸發(fā)、果皮損傷等現(xiàn)象，導(dǎo)致重量、外觀、氣味、口感等發(fā)生變化，品質(zhì)逐漸下降，這不僅影響消費(fèi)體驗(yàn)，還可能引發(fā)食品安全問(wèn)題。近年來(lái)，人們?cè)絹?lái)越追求品質(zhì)。因此，高端優(yōu)質(zhì)水果的市場(chǎng)份額不斷增加，通過(guò)對(duì)水果進(jìn)行品質(zhì)分級(jí)，可篩選出高品質(zhì)水果，不僅能滿足消費(fèi)者的需求，還能實(shí)現(xiàn)優(yōu)果優(yōu)價(jià)、以質(zhì)論價(jià)。

美國(guó)、日本等國(guó)家在20世紀(jì)80年代開(kāi)始了水果品質(zhì)分級(jí)技術(shù)的研究。我國(guó)水果品質(zhì)分級(jí)技術(shù)起步較晚，目前主要采用人工和機(jī)械方式進(jìn)行分級(jí)，存在效率較低、易損傷水果等缺點(diǎn)[。基于深度學(xué)習(xí)的水果品質(zhì)分級(jí)方法通過(guò)深度學(xué)習(xí)等技術(shù)提取圖像特征，實(shí)現(xiàn)水果品質(zhì)分級(jí)，具有分級(jí)指標(biāo)多、效率高、不損傷水果等優(yōu)點(diǎn)，近年來(lái)得到了廣泛應(yīng)用。

1 深度學(xué)習(xí)

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)重要分支，近年來(lái)在圖像識(shí)別、自然語(yǔ)言處理、語(yǔ)音識(shí)別等諸多領(lǐng)域取得了突破性進(jìn)展，推動(dòng)了人工智能技術(shù)的快速發(fā)展。其核心在于模擬人腦神經(jīng)網(wǎng)絡(luò)的層次化結(jié)構(gòu)，通過(guò)多層的非線性變換從數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征表示，實(shí)現(xiàn)對(duì)復(fù)雜函數(shù)關(guān)系的逼近。神經(jīng)網(wǎng)絡(luò)通過(guò)堆疊多個(gè)隱藏層，輔以非線性激活函數(shù)和正則化方法獲得非線性建模能力，能夠自動(dòng)從海量數(shù)據(jù)中學(xué)習(xí)到對(duì)目標(biāo)任務(wù)有用的特征，并獲得良好的性能表現(xiàn)。在計(jì)算機(jī)視覺(jué)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)在淺層網(wǎng)絡(luò)學(xué)習(xí)到的特征為顏色、紋理、邊緣、棱角等細(xì)節(jié)特征；隨著網(wǎng)絡(luò)層數(shù)的加深，深層網(wǎng)絡(luò)學(xué)習(xí)到的特征逐漸疊加為更加抽象的語(yǔ)義特征，通過(guò)在最后連接全連接層或分類(lèi)器，網(wǎng)絡(luò)能夠根據(jù)學(xué)習(xí)到的特征自動(dòng)得到目標(biāo)任務(wù)所需的輸出。圖1為深度學(xué)習(xí)模型的基本流程，在訓(xùn)練過(guò)程中，網(wǎng)絡(luò)從輸入端輸入訓(xùn)練樣本，通過(guò)前向傳播得到網(wǎng)絡(luò)當(dāng)前狀態(tài)下的預(yù)測(cè)值，通過(guò)損失函數(shù)比較網(wǎng)絡(luò)預(yù)測(cè)值與真實(shí)值之間的差異，運(yùn)用反向傳播算法計(jì)算神經(jīng)網(wǎng)絡(luò)每一層的梯度變化，更新網(wǎng)絡(luò)參數(shù)。如此往復(fù)，網(wǎng)絡(luò)在一輪輪更新中逐漸獲得解決目標(biāo)任務(wù)的能力，實(shí)現(xiàn)了端到端的學(xué)習(xí)，中間過(guò)程無(wú)須人工介入。

圖1深度學(xué)習(xí)模型基本流程

隨著研究者的不斷探索，深度學(xué)習(xí)領(lǐng)域涌現(xiàn)了多種經(jīng)典的網(wǎng)絡(luò)架構(gòu)，它們?cè)谔幚聿煌?lèi)型的數(shù)據(jù)和任務(wù)時(shí)展現(xiàn)了卓越的性能。目前典型的深度學(xué)習(xí)算法主要有卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、自編碼器、生成對(duì)抗網(wǎng)絡(luò)（GAN）等。各種算法的組成結(jié)構(gòu)與特點(diǎn)如表1所示，這些典型算法經(jīng)過(guò)不斷的優(yōu)化與發(fā)展，衍生出了更多算法。

表1深度學(xué)習(xí)的主流算法

2 水果品質(zhì)分級(jí)現(xiàn)狀

水果品質(zhì)的評(píng)價(jià)是多方面的，既包括大小、形狀、色澤、表面缺陷等外部品質(zhì)，又包括成熟度、堅(jiān)實(shí)度、可溶性固形物等內(nèi)部品質(zhì)[]。目前，水果品質(zhì)分級(jí)方法主要分為四類(lèi)，分別是：基于人眼檢測(cè)的傳統(tǒng)方法、基于簡(jiǎn)單機(jī)械的分級(jí)方法、基于光譜技術(shù)的分級(jí)方法和基于深度學(xué)習(xí)的方法。

1）傳統(tǒng)的水果品質(zhì)分級(jí)是通過(guò)人眼判斷來(lái)實(shí)現(xiàn)的。對(duì)大批量的水果進(jìn)行品質(zhì)分級(jí)需要大量的人力和時(shí)間。此外，這種方法往往容易受到分揀人員主觀因素的影響。對(duì)于同一個(gè)分揀目標(biāo)，不同的分揀員可能得出不同的分揀結(jié)果，這會(huì)導(dǎo)致較低的分揀效率和質(zhì)量。

2）基于簡(jiǎn)單機(jī)械的分級(jí)方法不易受到操作人員主觀偏差的影響，且相較于人工分揀，具有較高的分揀效率。為了滿足較高的水果分級(jí)效率需求，滾杠式分級(jí)機(jī)、輥式分級(jí)機(jī)、滾筒式分級(jí)機(jī)、帶式分級(jí)機(jī)、擋板式分級(jí)機(jī)和膜片式分級(jí)機(jī)[12]不斷出現(xiàn)在大眾視野中。但這些機(jī)械分級(jí)機(jī)一般只能進(jìn)行簡(jiǎn)單的機(jī)械分揀，即對(duì)水果的大小、形狀進(jìn)行初步分級(jí)，無(wú)法對(duì)成熟度、表面缺陷等進(jìn)行檢測(cè)。一些質(zhì)地較軟的水果，比如草莓、藍(lán)莓，在機(jī)械分級(jí)過(guò)程中容易造成表皮損傷，進(jìn)而影響水果品質(zhì)。

3）基于光譜技術(shù)的分級(jí)方法是一種利用光譜技術(shù)（如可見(jiàn)光、近紅外光譜、高光譜成像等）對(duì)水果的內(nèi)部和外部品質(zhì)進(jìn)行無(wú)損檢測(cè)和分級(jí)的技術(shù)。這種方法通過(guò)分析水果的光譜特征，可快速、準(zhǔn)確地評(píng)估水果的成熟度、糖度、酸度、硬度、內(nèi)部缺陷等品質(zhì)指標(biāo)。對(duì)于光信號(hào)而言，頻率越高，在傳輸過(guò)程中穿透能力越強(qiáng)，衰減越小。國(guó)內(nèi)外學(xué)者利用可見(jiàn)光、近紅外光和高光譜獲取水果內(nèi)部的化學(xué)成分含量[13-14]。目前，國(guó)外已開(kāi)發(fā)出多種商用的光譜檢測(cè)設(shè)備，但光譜儀和高光譜成像系統(tǒng)的成本依舊較高。此外，光到達(dá)水果表面反射或透射的信號(hào)較弱，抗干擾能力差，大大限制了光譜技術(shù)在水果品質(zhì)分級(jí)方面的廣泛應(yīng)用。

4）隨著人工智能技術(shù)的快速發(fā)展，尤其是深度學(xué)習(xí)在圖像處理領(lǐng)域的廣泛應(yīng)用，為水果品質(zhì)的非破壞性檢測(cè)提供了新的解決方案。相較于人工方法，基于深度學(xué)習(xí)的分級(jí)方法具有較高的效率；與機(jī)械分級(jí)相比，機(jī)器視覺(jué)技術(shù)能提供無(wú)損傷方案；與基于光譜技術(shù)的分級(jí)方法相比，基于深度學(xué)習(xí)的分級(jí)方法具有較低的成本。全文將重點(diǎn)介紹基于深度學(xué)習(xí)的水果品質(zhì)分級(jí)方法。

2.1 國(guó)內(nèi)研究現(xiàn)狀

吳婧千等[15]提出了一種基于殘差網(wǎng)絡(luò)和圖像處理技術(shù)的水果識(shí)別與分級(jí)方法。通過(guò)分通道聚類(lèi)分離水果與背景，利用輪廓檢測(cè)提取圖像主體，并采用18層殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行水果分類(lèi)。同時(shí)，結(jié)合數(shù)字圖像處理技術(shù)提取特征，實(shí)現(xiàn)水果分級(jí)。趙天義[]設(shè)計(jì)了一種改進(jìn)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)算法，用于水果品質(zhì)分級(jí)。該算法在保留AlexNet卷積層數(shù)的基礎(chǔ)上，優(yōu)化了卷積核感受野大小，增加了池化層，并改進(jìn)了網(wǎng)絡(luò)優(yōu)化器。這些改進(jìn)在減少網(wǎng)絡(luò)參數(shù)的同時(shí)，顯著提升了水果品質(zhì)分級(jí)的識(shí)別準(zhǔn)確率。王立揚(yáng)等[7]提出基于改進(jìn)型LeNet-5的蘋(píng)果自動(dòng)分級(jí)法，通過(guò)加深網(wǎng)絡(luò)深度，采用LeakyReLU激勵(lì)函數(shù)和增加Dropout層來(lái)提高蘋(píng)果分級(jí)效率。蔡媛[18]提出了一種自動(dòng)分級(jí)的CNN-SVM模型，該模型采用CNN-SVM，根據(jù)提取到的蘋(píng)果的顏色、形狀、紋理等特征進(jìn)行分級(jí)。王迎超等[9]提出了一種基于K-means聚類(lèi)和改進(jìn)多層感知機(jī)（MLP）的蘋(píng)果分級(jí)方法。該方法采用K-means聚類(lèi)分割果體與背景，然后提取蘋(píng)果的五種特征并送入MLP神經(jīng)網(wǎng)絡(luò)中完成分級(jí)。李仁惠等[20]對(duì)卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行調(diào)整，在網(wǎng)絡(luò)后增加Dropout層，有效地避免模型在訓(xùn)練集上預(yù)測(cè)準(zhǔn)確率高、損失值小，而在測(cè)試集上預(yù)測(cè)準(zhǔn)確率低、損失值大的現(xiàn)象。繆鴻剛[21基于ResNet和Transformer提出了一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型ResTNet，用于獼猴桃果實(shí)品質(zhì)分級(jí)。首先利用圖像在S和Y顏色通道進(jìn)行分割的方式對(duì)果實(shí)及缺陷進(jìn)行分割，并提取表皮顏色、紋理、形狀大小及缺陷等外觀特征，隨后采用多特征融合方法進(jìn)行分級(jí)，有效提升了分級(jí)準(zhǔn)確率。鄢紫[22]提出了一種基于YOLOv5n的輕量化水果品種及新鮮度識(shí)別模型YOLO-FruitsandFreshnessDetection（YOLO-FFD）。通過(guò)改進(jìn)主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)，使用深度可分離卷積構(gòu)建LightweightC3模塊作為主干網(wǎng)絡(luò)基本單元，減少模型大小并提升計(jì)算效率；同時(shí)，在頸部網(wǎng)絡(luò)引入基于大尺度深度可分離卷積的EnhancedC3模塊，增強(qiáng)特征融合能力，并采用GSConv降低計(jì)算復(fù)雜度，從而優(yōu)化模型性能。

2.2 國(guó)外研究現(xiàn)狀

Asriny等[23]使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)橙子圖像進(jìn)行分類(lèi)，模型包含兩個(gè) 3×3 池化層、一個(gè) Stmax層和一個(gè)256節(jié)點(diǎn)的隱藏層。通過(guò)比較ReLU和tanh激活函數(shù)，發(fā)現(xiàn)ReLU性能更優(yōu)，尤其在處理新數(shù)據(jù)集時(shí)表現(xiàn)更好。訓(xùn)練數(shù)據(jù)分類(lèi)準(zhǔn)確率分別為ReLU的 98.6% 和tanh的 100% ，驗(yàn)證準(zhǔn)確率為ReLU的 92.8% 和tanh的 93.2% ，測(cè)試準(zhǔn)確率為ReLU的 96% 和tanh的 93.8% 。 Ni 等[24]利用GoogLeNet對(duì)香蕉新鮮度進(jìn)行預(yù)測(cè)。通過(guò)旋轉(zhuǎn)和平移對(duì)數(shù)據(jù)進(jìn)行擴(kuò)充，以提高模型的泛化能力，避免網(wǎng)絡(luò)過(guò)擬合。實(shí)驗(yàn)結(jié)果表明，該模型在香蕉新鮮度分類(lèi)中取得了良好的分類(lèi)效果，識(shí)別準(zhǔn)確率達(dá)到 98.92% 。Zhu等[25提出了一種兩階段香蕉分級(jí)系統(tǒng)。該系統(tǒng)可以采集傳送帶上的香蕉圖像。在第一階段，根據(jù)提取的由紋理和顏色特征組成的特征向量，采用SVM對(duì)香蕉進(jìn)行分類(lèi)。在第二階段，利用YOLOv3模型定位果皮的缺陷區(qū)域，并評(píng)估香蕉的成熟度。Kazi等[2實(shí)現(xiàn)并測(cè)試了經(jīng)典CNN及CNN的各種架構(gòu)（如AlexNet、ResNet50 和VGG-16），用于水果分級(jí)。Masoudi等[27]采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）和高斯過(guò)程回歸（GPR）模型對(duì)果實(shí)的質(zhì)量和體積進(jìn)行估計(jì)，并利用特定的預(yù)測(cè)模型將水果分級(jí)。Bhargava等[28]提出一種水果分級(jí)系統(tǒng)，用于區(qū)分四種水果并評(píng)估其質(zhì)量等級(jí)。該系統(tǒng)通過(guò)提取圖像的紅、綠、藍(lán)值，使用分割合并算法分離背景。接著，提取顏色、統(tǒng)計(jì)、紋理、幾何等30個(gè)特征，其中幾何特征（12個(gè)）用于區(qū)分水果類(lèi)型，其他特征用于質(zhì)量評(píng)估。最后，采用KNN、SVM、稀疏代表分類(lèi)器（SRC）和人工神經(jīng)網(wǎng)絡(luò)（ANN）四種分類(lèi)器對(duì)水果質(zhì)量進(jìn)行分類(lèi)。Kumari等[29]通過(guò)主動(dòng)輪廓模型進(jìn)行果實(shí)分割，使用基于增強(qiáng)模糊的K-means聚類(lèi)方法進(jìn)行異常分割，然后進(jìn)行特征提取，采用SA-CSO算法對(duì)特征向量進(jìn)行約簡(jiǎn)和優(yōu)化，最后根據(jù)表面缺陷對(duì)水果的質(zhì)量進(jìn)行分類(lèi)。Mukhiddino等人[30]提出了一種基于改進(jìn)的YOLOv4模型的多類(lèi)水果和蔬菜分類(lèi)深度學(xué)習(xí)系統(tǒng)，該模型首先識(shí)別圖像中的對(duì)象類(lèi)型，然后將其分為兩類(lèi)：新鮮和腐爛。利用Mish激活函數(shù)增強(qiáng)所提出模型的主干，以實(shí)現(xiàn)更精確和快速地檢測(cè)與分級(jí)。Zhang等[31利用多任務(wù)學(xué)習(xí)（MTL）構(gòu)建水果新鮮度檢測(cè)的深度卷積神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)了一個(gè)MTL模型，同時(shí)優(yōu)化新鮮度檢測(cè)和水果類(lèi)型分類(lèi)任務(wù)。該模型使用一個(gè)共享的CNN子網(wǎng)和兩個(gè)全連接任務(wù)頭。共享的CNN作為特征提取模塊，為兩個(gè)任務(wù)頭提供共同的語(yǔ)義特征。Yuan等[32]對(duì)深度特征進(jìn)行融合，通過(guò)主成分分析將融合后的深度特征降維為具有代表性的低維特征空間，最后用三種機(jī)器學(xué)習(xí)方法檢測(cè)蔬菜和水果的新鮮度。

3 水果品質(zhì)分級(jí)技術(shù)概括

目前，水果品質(zhì)分級(jí)技術(shù)主要采用的深度學(xué)習(xí)模型如表2所示。盡管不同模型的性能和適用場(chǎng)景存在差異，但基于深度學(xué)習(xí)的水果品質(zhì)分級(jí)方法的核心共性是從大量數(shù)據(jù)中提取特征，通過(guò)融合多種特征實(shí)現(xiàn)水果品質(zhì)評(píng)估。

表2基于深度學(xué)習(xí)的水果品質(zhì)分級(jí)方法對(duì)比

圖2為基于深度學(xué)習(xí)的水果品質(zhì)分級(jí)算法的基本流程，主要包括以下步驟：

1）數(shù)據(jù)采集。利用高分辨率相機(jī)、近紅外光譜儀等設(shè)備，采集水果的外觀、顏色、紋理、糖度、酸度等數(shù)據(jù)。數(shù)據(jù)集應(yīng)涵蓋不同品種、不同產(chǎn)地、不同季節(jié)、不同品質(zhì)等級(jí)的水果，以提高模型的泛化能力。目前，公開(kāi)的數(shù)據(jù)集包括Fruit-360、Fruitsfreshandrottenforclassification、DeepFruit、FruitQ。Fruit-360包含90.483張 100×100 像素的水果圖像，涵蓋131種水果，每個(gè)類(lèi)別約490張圖像。數(shù)據(jù)集已按訓(xùn)練集和測(cè)試集劃分，并提供了圖像類(lèi)別標(biāo)簽。Fruitsfreshandrottenforclassification包含5856張?zhí)O果、香蕉和橙子的圖像，分為新鮮和腐爛兩類(lèi)。數(shù)據(jù)集提供了圖像類(lèi)別標(biāo)簽和水果的RGB值。DeepFruit包含21122張水果圖像，涵蓋8種不同的水果組合。每張圖像包含四種或五種水果的不同組合。水果圖像是在不同盤(pán)子尺寸、形狀和顏色下，以不同角度、亮度水平和距離拍攝的。FruitQ包含11種常見(jiàn)水果的圖像，這些圖像被分為三種新鮮度等級(jí)，即新鮮、輕度腐爛、腐爛。

2）數(shù)據(jù)處理。將圖像縮放到統(tǒng)一尺寸，例如224×224 像素，以適應(yīng)深度學(xué)習(xí)模型的輸入要求。可以根據(jù)水果在圖像中的位置進(jìn)行裁剪，去除背景干擾。通過(guò)旋轉(zhuǎn)、翻轉(zhuǎn)、平移、縮放、添加噪聲等方式生成新的訓(xùn)練樣本，增加數(shù)據(jù)多樣性，防止模型過(guò)擬合。對(duì)采集的數(shù)據(jù)進(jìn)行去噪、增強(qiáng)、分割等處理，提高數(shù)據(jù)質(zhì)量。

3）特征提取。利用圖像處理、信號(hào)處理等技術(shù)，提取與水果品質(zhì)相關(guān)的特征，例如顏色直方圖、紋理特征、糖度等。特征提取是基于機(jī)器學(xué)習(xí)的水果品質(zhì)分級(jí)技術(shù)中的關(guān)鍵步驟，其目的是從原始數(shù)據(jù)中提取出與水果品質(zhì)高度相關(guān)、能夠有效區(qū)分不同品質(zhì)等級(jí)的特征信息。特征提取的優(yōu)劣直接影響到后續(xù)模型訓(xùn)練的效率和最終分級(jí)的準(zhǔn)確性。

4）模型訓(xùn)練。利用深度學(xué)習(xí)算法（如CNN、YOLO等）及傳統(tǒng)機(jī)器學(xué)習(xí)算法（如SVM、KNN等），訓(xùn)練分類(lèi)模型，學(xué)習(xí)特征與品質(zhì)等級(jí)之間的映射關(guān)系。

5）模型評(píng)估與優(yōu)化。在驗(yàn)證集和測(cè)試集上評(píng)估模型性能，確保模型的準(zhǔn)確性和泛化能力。通過(guò)調(diào)整超參數(shù)、數(shù)據(jù)增強(qiáng)、模型微調(diào)等方法優(yōu)化模型性能。

6）品質(zhì)分級(jí)。將待分級(jí)水果的特征輸入訓(xùn)練好的模型，即可預(yù)測(cè)其品質(zhì)等級(jí)。

圖2基于深度學(xué)習(xí)的水果品質(zhì)分級(jí)算法基本流程

4結(jié)論

目前，基于深度學(xué)習(xí)的水果品質(zhì)分級(jí)技術(shù)面臨三個(gè)主要挑戰(zhàn)。首先，現(xiàn)有方法的分級(jí)結(jié)果主要依賴于水果的外部特征，如大小、形狀、表面缺陷、顏色和紋理等。然而，水果的腐爛往往始于內(nèi)部，且在早期階段難以通過(guò)外觀察覺(jué)。因此，僅依靠外部特征難以全面評(píng)估水果的品質(zhì)。為了解決這一問(wèn)題，可整合圖像、光譜、重量、氣味等多源傳感器數(shù)據(jù)，構(gòu)建多模態(tài)深度學(xué)習(xí)模型，從而實(shí)現(xiàn)對(duì)水果內(nèi)外品質(zhì)的綜合評(píng)估。例如，高光譜成像技術(shù)能夠檢測(cè)水果內(nèi)部的糖分、水分和腐爛情況，而重量和密度數(shù)據(jù)則有助于判斷水果的成熟度和品質(zhì)一致性。通過(guò)多模態(tài)數(shù)據(jù)的深度融合，模型能夠更全面地捕捉水果的品質(zhì)特征，為分級(jí)決策提供更可靠的依據(jù)。

其次，深度學(xué)習(xí)模型的訓(xùn)練過(guò)程依賴于大量標(biāo)注數(shù)據(jù)，而數(shù)據(jù)標(biāo)注不僅成本高昂，還極為耗時(shí)。為了減少對(duì)標(biāo)注數(shù)據(jù)的依賴，可引入自監(jiān)督學(xué)習(xí)或無(wú)監(jiān)督學(xué)習(xí)技術(shù)，實(shí)現(xiàn)模型的自動(dòng)化訓(xùn)練與優(yōu)化。例如，通過(guò)對(duì)比學(xué)習(xí)、生成式預(yù)訓(xùn)練或聚類(lèi)算法，模型可以從大量未標(biāo)注數(shù)據(jù)中提取有效特征，從而減少對(duì)人工標(biāo)注的依賴。

此外，在實(shí)際應(yīng)用中，算法還需滿足實(shí)時(shí)處理的需求，這對(duì)模型的計(jì)算效率提出了更高要求。為此，可開(kāi)發(fā)適用于嵌入式設(shè)備的輕量化模型（如MobileNet、ShuffleNet等），并通過(guò)模型剪枝、量化、知識(shí)蒸餾等技術(shù)降低計(jì)算復(fù)雜度，從而在保證精度的同時(shí)滿足實(shí)時(shí)處理的需求，推動(dòng)水果分級(jí)技術(shù)在田間和生產(chǎn)線上的廣泛應(yīng)用。

未來(lái)，隨著多模態(tài)數(shù)據(jù)融合、自監(jiān)督學(xué)習(xí)、輕量化模型等技術(shù)的進(jìn)一步發(fā)展，基于深度學(xué)習(xí)的水果品質(zhì)分級(jí)方法將更加智能化、高效化，為農(nóng)業(yè)生產(chǎn)提供更精準(zhǔn)、更可靠的解決方案，助力農(nóng)業(yè)現(xiàn)代化和智能化升級(jí)。

參考文獻(xiàn)：

[1]徐賽，陸華忠，丘廣俊，等.水果品質(zhì)無(wú)損檢測(cè)研究進(jìn)展及應(yīng)用現(xiàn)狀[J].廣東農(nóng)業(yè)科學(xué)，2020，47（12）：229-236.

[2]LONGJ，SHELHAMERE，DARRELL T.FullyConvolutional Networks for Semantic Segmentation [C]//2015IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Boston：IEEE，2015：3431-3440.

[3] KRIZHEVSKY A，SUTSKEVER I，HINTON G.ImageNet Classification with Deep Convolutional Neural Networks[J].Communications ACM，2012，60（6）：84-90.

[4] HOCHREITER S，SCHMIDHUBER J. Long Short-Term Memory[J].Neural Computation，1997，9（8）：1735-1780.

[5] CHUNG JY，GULCEHRE C，CHO KH，et al.Empirical Evaluation Gated Recurrent Neural Networks onSequence Modeling [J/OL].arXiv：1412.3555 [cs.NE].[2025-01-03].https：//doi.org/10.48550/arXiv.1412.3555.

[6] GAO L，TOUR TDL，TILLMANH，et al. Scalingand Evaluating Sparse Autoencoders [J/OL].arXiv：2406.04093 [cs.LG].[2025-02-05].https：//doi.org/10.48550/arXiv.2406.04093.

[7]VINCENTP，LAROCHELLEH，BENGIOY，et al. Extracting and Composing Robust Features with DenoisingAutoencoders [C]//ICML'08： Proceedings the 25th internationalconference on Machine learning.Helsinki：ACM，2008：1096-1103.

[8] KINGMA D P，WELLING M. Auto-EncodingVariational Bayes [J/OL].arXiv：1312.6114 [stat.ML].[2025-01-15].https：//doi.org/10.48550/arXiv.1312.6114.

[9] MIRZA M，OSINDERO S. Conditional GenerativeAdversarial Nets [J/OL].arXiv：1411.1784 [cs.LG].[2025-01-09].https：//doi.org/10.48550/arXiv.1411.1784.

[10] RADFORD A，METZ L， CHINTALA S. UnsupervisedRepresentation Learning with Deep Convolutional GenerativeAdversarialNetworks [J/OL].arXiv：1511.06434 [cs.LG].[2025-01-17].https：//doi.org/10.48550/arXiv.1511.06434.

[11]王曉云，喬豪杰，劉鳳麗，等.基于機(jī)器視覺(jué)的水果品質(zhì)分級(jí)方法綜述[J].成組技術(shù)與生產(chǎn)現(xiàn)代化，2023，40（1）：6-13.

[12]楊松夏，陸華忠，呂恩利，等.球形水果機(jī)械式大小分級(jí)技術(shù)研究現(xiàn)狀[J].農(nóng)機(jī)化研究，2012，34（8）：235-239.

[13] BLASCO J，ALEIXOS N，GOMEZ J， et al. CitrusSorting by Identification the Most Common Defects UsingMultispectral Computer Vision [J].Journal Food Engineering，2007，83：384-393.

[14]張小斌，朱怡航，趙懿瀅，等.基于可見(jiàn)／近紅外光譜的水蜜桃糖度無(wú)損檢測(cè)方法優(yōu)化研究[J].浙江農(nóng)業(yè)學(xué)報(bào)，2023，35（7）：1617-1625.

[15]吳婧千，汪麟，林琦嵐，等.殘差網(wǎng)絡(luò)與圖像處理在水果品質(zhì)分級(jí)中的應(yīng)用[J].福建電腦，2022，38（10）：1-6.

[16]趙天義.基于缺陷多特征融合和卷積神經(jīng)網(wǎng)絡(luò)的水果品質(zhì)分級(jí)算法研究[D].沈陽(yáng)：東北大學(xué)，2019.

[17]王立揚(yáng)，張瑜，沈群，等.基于改進(jìn)型LeNet-5的蘋(píng)果自動(dòng)分級(jí)方法[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2020，41（7）：105-110.

[18]蔡媛.基于CNN_SVM模型機(jī)器學(xué)習(xí)算法的蘋(píng)果分級(jí)方法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2021.

[19]王迎超，張婧婧，賈東霖，等.基于K-means聚類(lèi)

和改進(jìn)MLP的蘋(píng)果分級(jí)研究[J].河南農(nóng)業(yè)科學(xué)，2023，52（1）：

161-171. [20] 李仁惠，張根茂，李丹霞，等.基于Dropout的

CNN水果品質(zhì)分級(jí)模型研究[J].南方農(nóng)機(jī)，2024，55（16）：

130-132+172. [21]繆鴻剛.基于圖像多特征融合和神經(jīng)網(wǎng)絡(luò)的獼猴桃品

質(zhì)分級(jí)研究[D].武漢：華中農(nóng)業(yè)大學(xué)，2023. [22]鄢紫.基于深度學(xué)習(xí)的水果檢測(cè)與新鮮度分級(jí)技術(shù)研

究[D].武漢：武漢輕工大學(xué)，2024. [23]ASRINYDM，RANI S，HIDAYATULLAHAF，et

al. Orange Fruit Images Classification using Convolutional Neural

Networks [J].International Conference on Information Technology

and Digital Applications 2019 （ICITDA 2019）.Yogyakarta：IOP，

2020，803：012020. [24] NI JG，GAO JY，DENG L M，et al. Monitoring

the Change Process Banana Freshness by GoogLeNet [J].IEEE

Access，2020，8：228369-228376. [25] ZHU L L， SPACHOS P. Support Vector Machine and

YOLO for a Mobile Food Grading System [J/OL].Internet

Things，2021：100359[2025-02-03].https：//doi.0rg/10.1016/

j.iot.2021.100359. [26] KAZI A，PANDA S P.Determining the Freshness

Fruits in the Food Industry by Image Classification Using Transfer

Learning [J].Multimedia Tools and Applications，2022，81：

7611-7624. [27] MASOUDI H，ROHANI A. Citrus Fruit Grading Based

on the Volume and Mass Estimation from Their Projected Areas

Using ANFISand GPRModels[J].Fruits，2021，76（4）：169-

180. [28]BHARGAVA A，BANSAL A.Automatic Detection

andGrading Multiple Fruits byMachineLearning[J].Food

Analytical Methods，2020，13：751-761. [29]KUMARI N，DWIVEDIRK，BHATTAK，et

al.Automated Fruit Grading Using Optimal Feature Selection

and Hybrid Classification by Self-Adaptive Chicken Swarm

Optimization：Grading Mango [J].Neural computing and

applications，2022，34：1285-1306. [30]MUKHIDDINOV M，MUMINOVA，CHO J.

Improved Classification Approach for Fruits and Vegetables

Freshness Based on Deep Learning [J/OL].Sensors，2022，22（21）：

8192[2025-01-26].https：//doi.org/10.3390/s22218192. [31] ZHANGY S，YANG X D，CHENG YB，et al. Fruit

Freshness Detection Based on Multi-Task Convolutional Neural

Network [J/OL].Current Research in Food Science，2024，8：

100733[2025-01-16].https：//doi.0rg/10.1016/j.crfs.2024.100733. [32] YUANY，CHEN X L. Vegetable and Fruit Freshness

Detection Based on Deep Features and Principal Component

Analysis [J/OL].Current Research in Food Science，2024，8：

100656[2025-02-11]. htps：//doi.0rg/10.1016/j.crfs.2023.100656.

作者簡(jiǎn)介：楊豫婷（1997—），女，漢族，廣東惠州人，

助理講師，碩士研究生，研究方向：深度學(xué)習(xí)、圖像處理。