利用深度学习对中国莲藕进行自动化质量分级,以提升采后品质评估的准确性

《Food Control》:Automated quality grading of Chinese water chestnut using deep learning for improved postharvest quality assessment

【字体: 大 中 小 】 时间:2026年06月04日 来源:Food Control 6.3

编辑推荐:

  张银平|阿尼斯·萨尔瓦·莫赫德·海鲁丁|赵焕宇|黄俊超淮安大学自动化学院,中国淮安223003摘要确保农产品采后外观质量的一致性对于商业分级和工业加工非常重要。本研究开发了一种智能分级系统,用于中国菱角,以提高采后外观分级的效率、客观性和标准化程度。该系统基于关键的外部属性(包括

  
张银平|阿尼斯·萨尔瓦·莫赫德·海鲁丁|赵焕宇|黄俊超
淮安大学自动化学院,中国淮安223003

摘要

确保农产品采后外观质量的一致性对于商业分级和工业加工非常重要。本研究开发了一种智能分级系统,用于中国菱角,以提高采后外观分级的效率、客观性和标准化程度。该系统基于关键的外部属性(包括颜色、形状、大小和完整性)建立了一个统一的分级框架,这些属性与产品质量和市场接受度密切相关。设计了一个集成机器视觉系统用于图像采集和预处理。使用RGB模型提取颜色特征,而几何特征则通过基于边缘的分析进行量化。评估了多种深度学习模型,其中ResNet50表现出优越的分类性能。进一步应用了知识蒸馏策略来提高模型区分视觉上相似类别的能力。优化后的模型被应用于自动化分级系统中,并通过实验验证,准确率达到97.85%,运行速度大约是人工分级的六倍。所提出的系统能够实现快速、可靠和标准化的外观质量评估,减少了人为错误,并提高了采后处理过程中的分级一致性。这些发现展示了该系统在智能外观分级和实际工业应用中的潜力。

引言

中国菱角(Eleocharis tuberosa,CWC)是一种广泛消费的水生作物,既可作为蔬菜也可作为水果,主要在中国长江以南地区种植。由于其独特的紫红色外皮、脆爽的质地和多汁的果肉,CWC被广泛用于鲜食以及粉丝、饮料和糖果等加工产品。除了其独特的感官特性外,它还具有显著的健康益处,包括缓解呼吸不适和消化系统问题,这促进了其在国内外市场的需求增长(Wu等人,2023;Nie等人,2021)。随着市场需求的增加,确保质量的一致性和标准化分级已成为提高商业价值和市场竞争力的关键要求(Zhu等人,2023;Guo等人,2023)。目前,CWC的分级主要依赖于人工检查,这种方法劳动强度大、耗时且具有主观性。不同工人之间的视觉判断差异往往导致分级标准不一致,从而降低了劳动力和材料的使用效率并增加了生产成本。这些限制已成为CWC大规模商业化和智能加工的主要瓶颈,凸显了自动化和客观分级解决方案的迫切需求。
随着计算机视觉和深度学习的快速发展,卷积神经网络(CNN)因其强大的特征提取和分类能力而被广泛应用于农产品的质量评估和分级(Chuquimarca等人,2024;Azadpour等人,2025)。现有研究表明,基于CNN的方法可以有效识别果实成熟度、检测缺陷并对各种农产品进行自动分级。例如,CNN模型已被用于番茄成熟度检测和缺陷识别,采用了VGG16、InceptionV3和ResNet50等架构(Ko等人,2021;Luna等人,2019)。深度学习框架也被应用于香蕉、埃及宽豆种子、红枣、蘑菇、橄榄和樱桃等作物的分类和评估,取得了有希望的结果(Aboukarima等人,2020;Sun等人,2019;Mukherjee等人,2022;Ponce等人,2019;Momeny等人,2020)。此外,一些研究探索了多模态数据和轻量计算平台的集成,以提高分级性能并便于实际应用。例如,提出了结合RGB和高光谱图像的多输入深度学习模型用于香蕉分类(Mesa和Chiang,2021),而基于EfficientNet等预训练网络的嵌入式系统已在Raspberry Pi等低成本硬件平台上实现(Ismail和Malik,2022)。
最近的研究通过先进的深度学习架构和混合学习策略进一步提高了自动化水果分级的准确性和多功能性。Gururaj等人(2023)将基于CNN的特征提取与随机森林分类器结合,用于评估芒果的成熟度和质量属性,在品种识别和分级任务中实现了高准确率。Albaaji等人(2025)开发了一个基于YOLOv8的多模态回归框架,用于同时进行果实检测、物种识别和多种水果类型的质量估计。类似地,集成来自多个预训练CNN的深度特征的混合特征融合模型在龙果分级和成熟度检测中表现出色(Nikam等人,2025)。其他研究还探索了便携式和基于移动设备的分级系统,例如使用ResNet50辅助智能手机对汉源花椒进行分类(Bai等人,2025),以及基于CNN的香蕉成熟度分类框架,其性能优于传统机器学习方法(Martínez-Mora等人,2025)。这些研究共同强调了基于CNN的方法在农业生产系统中的智能分级和质量评估方面的强大潜力。
尽管在农产品分级方面取得了显著进展,但针对CWC的智能分级的研究仍然非常有限。此外,大多数现有研究侧重于实验室或受控成像条件下的算法准确性,而较少关注系统级集成、实际环境中的鲁棒性、硬件适应性和整体成本效益等实际问题。特别是,同时解决定制硬件设计、稳定图像采集、深度学习模型优化、软件实现和用户友好的人机交互的全面分级解决方案很少报道。这些差距严重限制了CWC智能分级系统的实际应用,尤其是对于小型和中型农业企业及个体农民来说,他们需要既准确又经济实惠、可靠且易于操作的分级解决方案。
为了解决这些挑战,本研究开发了一种基于CNN的CWC智能分级系统。该系统将图像采集、预处理、特征提取、基于深度学习的分类和软件可视化集成到一个统一框架中。系统地考虑了包括颜色、形状、大小和完整性在内的外观属性,并比较评估了多种代表性的CNN架构,以确定在复杂外观变化下最适合高精度分级的模型。为了进一步提高模型性能,应用了知识蒸馏策略,将判别知识从教师网络转移到选定的CNN中,提高了其区分视觉上相似分级类别的能力。此外,还设计了一个简单直观的人机界面,以便于实际应用。实验结果表明,所提出的系统在准确性、速度、稳定性和鲁棒性方面显著优于人工分级,表明其在智能农业加工中的实际应用潜力巨大。
本研究的主要贡献总结如下:
  • 1.
    开发了一种集成的CWC智能分级系统,结合了定制硬件、稳定的图像采集和基于深度学习的分类,便于实际应用。
  • 2.
    提出了一种基于外观的全面评估框架,整合了颜色、形状、大小和完整性特征,以提高在复杂外观变化下的分级鲁棒性。
  • 3.
    对代表性的CNN架构进行了系统性的基准测试,以确定高精度CWC分级的最佳模型。

章节摘录

系统研究方案

CWC分级系统整合了四个关键组件(图1):传输、图像采集、图像处理和分级模块。在操作过程中,CWC首先通过传输模块输送到图像采集单元进行成像。然后,包含CWC直径、完整性和颜色特征的结果数据被发送到图像处理模块,在那里识别结果与预定义的标准进行匹配以确定CWC等级。随后,分级模块

知识蒸馏的实验评估

为了评估知识蒸馏策略的有效性,在原始ResNet50模型和蒸馏后的ResNet50模型之间进行了比较实验。结果总结在表3中。
实验结果表明,蒸馏后的ResNet50模型在所有评估指标上均表现出改进的性能。整体分级准确率从97.90%提高到98.45%。特别是在相邻分级类别的分类中,

结论

本研究开发了一种CWC智能外观分级系统,旨在提高采后质量评估的效率、客观性和一致性。结合机器视觉和深度学习技术,该系统对核心外部质量属性(包括颜色、形状、大小和完整性)进行了定量评估,从而实现了准确和标准化的分级。对主流CNN架构的比较评估表明,ResNet50取得了最佳

CRediT作者贡献声明

黄俊超:撰写——审稿与编辑、监督、方法论、正式分析。赵焕宇:撰写——审稿与编辑、监督、方法论、资金获取、正式分析。阿尼斯·萨尔瓦·莫赫德·海鲁丁:验证、监督、方法论、资金获取。张银平:撰写——审稿与编辑、初稿撰写、可视化、验证、软件、方法论、调查、正式分析、数据管理、概念化

未引用参考文献

Cong和Zhou,2023;Ilesanmi和Ilesanmi,2021;Luna等人,2021;Sinha和El-Sharkawy,2019;Vieira和Farias,2020。

利益冲突声明

作者声明没有已知的财务或个人利益冲突可能影响本文的研究工作。

数据可用性

数据可根据请求提供。

利益冲突声明

? 作者声明他们没有已知的财务利益或个人关系可能影响本文的研究工作。

致谢

作者衷心感谢淮安(HAN202501)和马来亚大学(项目编号:UMREG025-2025)的财政支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号