论文标题：Machine vision-based automatic fruit quality detection and grading

期刊：Frontiers of Agricultural Science & Engineering

作者：Amna, Muhammad Waqar AKRAM, Guiqiang LI, Muhammad Zuhaib AKRAM, Muhammad FAHEEM, Muhammad Mubashar OMAR, Muhammad Ghulman HASSAN

发表时间：15 Jun 2025

DOI：10.15302/J-FASE-2023532

微信链接：点击此处阅读微信文章

智慧农业

Smart Agriculture

专 辑 文 章 介 绍

· 第七篇 ·

▎论文ID

Machine vision-based automatic fruit quality detection and grading

基于机器视觉的水果品质自动检测与分级

文章类型：Research Article

发表年份：2025年

第一作者：Amna

通讯作者：Muhammad Waqar AKRAM

Email: waqarakram@uaf.edu.pk

作者单位：巴基斯坦费萨拉巴德农业大学农业机械与动力系。

Cite this article :

Amna, Muhammad Waqar AKRAM, Guiqiang LI, Muhammad Zuhaib AKRAM, Muhammad FAHEEM, Muhammad Mubashar OMAR, Muhammad Ghulman HASSAN. Machine vision-based automatic fruit quality detection and grading. Front. Agr. Sci. Eng., 2025, 12(2): 274–287 https://doi.org/10.15302/J-FASE-2023532

· 文 章 摘 要 ·

基于人工智能的自动化系统能够减少时间消耗、人为错误及采后处理工序，这类系统可依据食品的缺陷对其进行分类和分级。本研究开发了一套用于水果缺陷分级的机器视觉系统原型，包含缺陷水果检测和机械分拣两大功能模块。缺陷检测环节综合运用了图像处理算法与深度学习框架：通过对水果图像进行预处理、阈值分割、形态学操作和位运算，并结合卷积神经网络 (CNN) 深度学习算法进行缺陷识别。训练CNN模型的数据集融合了公开资源与自行采集的图像，其中芒果图像1799张、番茄图像1017张。检测到缺陷水果后，相关信息会实时传输至微控制器，由其驱动机械分拣系统执行相应操作。实验评估显示，采用图像处理算法方案时，芒果和番茄的缺陷检测准确率分别为89%和92%；采用CNN架构时，两种水果的验证准确率达95%和94%，同时系统计算时间也经过实测验证。

· 文 章 亮 点 ·

1. 开发了基于机器视觉的水果分拣分级原型系统。

2. 采用深度学习与图像处理算法进行缺陷水果检测。

3. 机械分拣系统由微控制器控制，其指令基于计算机视觉技术生成。

4. 芒果和番茄的最高验证准确率均达到约94%。

· Graphical abstract ·

· 研 究 内 容 ·

▎引言

全球人口正以每年约1.09%的速度呈指数级增长，导致对食物和其他基本需求的增加。人口的快速增长、资源减少、气候变化、粮食损失、供应和质量恶化极大地影响了充足和安全的食物获取。采后损失是农业领域粮食损失的主要组成部分之一。水果和蔬菜是一类对人类特别有益的食物，它们可以提供各种维生素、矿物质和抗氧化剂，对健康至关重要。但是水果和蔬菜易腐烂，因此高效和适当的处理对于避免损坏至关重要。分选和分级是采后链条中最重要、最困难和最耗时的步骤。传统的人工筛选方法极易造成对水果的损坏并且仅适用于小规模操作。

水果的表观属性是决定其品质的重要因素。颜色、大小和乙烯产生量反映了水果的成熟度。这些决定品质的属性可以通过计算机视觉算法有效识别。近年来，基于计算机/机器视觉的系统在水果品质判定和分级方面获得了显著关注。这些技术和方法高效、快速、一致、省时、可靠且经济高效，能根据市场需求处理产品。此外，它们减少了对劳动力的依赖和可用性问题，一旦开发完成，几乎不需要专业知识，并可应用于大规模生产。

▎研究方法

本研究设计了一套嵌入式自动水果分级系统，包含两大核心子系统：缺陷检测系统与机械分选系统。硬件架构上，传送与分选模块由直流电机驱动的皮带传送带运送水果，机械臂连接伺服电机，根据检测结果将水果分拣至对应料箱 (图1)。图像采集模块采用Kodak T130 USB摄像头 (200万像素分辨率)，配合LED光源消除阴影，在封闭环境中捕获水果的RGB图像 (图2)。控制核心采用Arduino Uno微控制器，协调图像处理结果与机械动作，实现闭环控制。算法框架采用双轨并行策略：图像处理方案通过预处理将RGB图像转换为灰度、HSV等色彩空间以优化光照一致性，再经阈值分割提取目标区域，结合膨胀、腐蚀等形态学操作去噪并增强轮廓，最终计算缺陷区域占比 (如缺陷占比 >5%即归类为次品)；深度学习方案则融合公开数据集与自行采集图像构建训练库 (芒果1799张、番茄1017张)，按8:2划分训练集与测试集，并通过旋转、翻转、模糊等数据增强技术提升模型泛化能力。针对芒果与番茄的特性，分别设计定制化卷积网络：芒果模型采用7层卷积结构搭配0.6 dropout，番茄模型采用5层卷积结构搭配0.5 dropout，均以Softmax分类器输出结果。

图1 所开发的自动水果分级系统。

图2 图像采集过程。

▎研究结果分析

图像处理算法方案的结果提供了用于系统测试的一些代表性示例 (图3)。在图像处理算法性能测试中，番茄图像处理平均耗时2.56秒，其中色彩空间转换耗时5.0毫秒，轮廓绘制耗时5.38毫秒；芒果因表皮颜色复杂，处理时间增至2.76秒，其中新鲜果皮轮廓绘制耗时83.4毫秒，缺陷轮廓计算耗时22.5毫秒。检测精度方面，番茄的检测准确率达92%，分选准确率89%；芒果因表皮颜色多样性和纹理复杂性，检测准确率为89%，分选准确率87%。该算法依赖RGB色彩空间，当果皮颜色与背景对比度低或光照不均时，阈值分割易失效，例如芒果表皮黄绿色渐变区域易被误判为缺陷，导致假阳性率升高。

深度学习模型表现显著优于传统方法。芒果CNN模型在100个epoch训练后，验证准确率达95%，损失值0.1541，精确率、召回率与F1分数分别为94.1%、95.2%和94.6%；番茄模型验证准确率93.5%，损失值0.2119，三项指标分别为91.7%、94.6%和93.1%。数据增强技术显著提升模型鲁棒性，芒果模型对斑点、擦伤等小面积缺陷的识别率达92.3%，番茄模型对裂缝和霉变的检出率提升至90.8%。尽管深度学习单次推理耗时约0.8秒 (GPU加速后) 高于图像处理算法 (平均2.6秒)，但其端到端特征提取避免了人工设计规则的繁琐性，长期运维成本更低。

总的来说，本文开发的系统提供了高准确率，同时计算能力要求较低且硬件成本低廉。图像处理和深度学习框架都各有优缺点，适用于实际应用场景。基于CNN的深度学习技术提高了准确率，但也增加了计算能力要求、复杂性和硬件成本。相比之下，图像处理方法通用性较差且准确性较低；但在数据可用性问题、需要以低成本获得满意结果、训练时间短和标注时间有限的情况下，它们可能是更优选择。

所开发的分级系统可用于自动化该任务领域、农场和工业环境中的操作。此外，图像处理算法方案和CNN架构可用于农业中的图像识别目的，执行不同的操作，包括对象 (水果/蔬菜) 检测、杂草检测和机器人采摘。

图3 图像处理算法方案各步骤示例，每行展示三种不同的芒果和番茄样本：(a) 原始样本；(b) 围绕新鲜部分的轮廓；(c) 围绕缺陷部分的轮廓。

· 结 论 ·

本研究表明，使用图像处理和CNN模型都是进行水果分级的有效方法。图像处理算法对芒果和番茄的检测准确率分别为89%和92%。所提出的CNN架构对芒果和番茄的相对准确率更高，分别为95%和93.5%。整个系统 (包括缺陷水果检测和水果机械分级) 成功运行。与现有系统相比，所开发的自动缺陷水果检测和分级系统相对更便宜、可靠、快速、无错误且准确。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn