基于稀疏筛选显著性驱动深度特征嵌入的单幅2D图像多形状水果质量统一估算流程

《Measurement: Food》:A unified mass estimation pipeline from a single 2D image for fruits with diverse shapes using sparsely selected saliency-driven deep feature embeddings

【字体: 大 中 小 】 时间:2026年07月02日 来源:Measurement: Food 6.3

编辑推荐:

  精确且无损的质量估算是现代农业自动化中的关键环节,但现有方法在为几何形状多样的水果提供一致且轻量化的解决方案方面仍存在挑战。传统的几何近似与手工设计的视觉特征在处理真实生产环境中复杂的形态变异时表现受限。本研究提出一种基于标定的显著性深度特征框架,用于从单幅俯

  
精确且无损的质量估算是现代农业自动化中的关键环节,但现有方法在为几何形状多样的水果提供一致且轻量化的解决方案方面仍存在挑战。传统的几何近似与手工设计的视觉特征在处理真实生产环境中复杂的形态变异时表现受限。本研究提出一种基于标定的显著性深度特征框架,用于从单幅俯视2D RGB图像估算水果质量。该方法利用多尺度分层显著性图(Multi-scale Hierarchical Saliency Maps)生成与规则及不规则水果形状相关的形态学嵌入,将融合显著性表示编码为1024维深度特征向量,通过稀疏LASSO(Least Absolute Shrinkage and Selection Operator)筛选信息维度,最终使用优化后的岭回归(Ridge Regression)获得质量预测值。研究人员在鳄梨(Avocado)、柿子(Persimmon)和杨桃(Starfruit)数据集上采用水果专属5折交叉验证(Fruit-specific 5-fold Cross-Validation)进行评估,最高测定
论文解读:《A unified mass estimation pipeline from a single 2D image for fruits with diverse shapes using sparsely selected saliency-driven deep feature embeddings》发表于《Measurement: Food》
一、研究背景与意义
在现代精准农业中,水果无损质量(Mass,俗称重量)估算对于品质分级、产量预测及采后处理至关重要。传统方法依赖人工称重或基于简单几何体(球体、椭球体)的几何建模,对近球形水果有一定效果,但对杨桃(Starfruit)、鳄梨(Avocado)等不规则形状水果误差较大;传统机器视觉依赖手工特征(投影面积、轮廓描述符),对形态变异敏感且在遮挡或复杂纹理下泛化性差;端-to-end深度学习需大量标注数据且计算开销大。此外,多视角或3D重建方案需特殊硬件,难以在智能手机或轻型农业机器人上部署。因此,研究人员开展本研究,旨在建立一种仅依赖单幅标定俯视2D图像、无需端-to-end微调深度网络、能适应多种几何形态水果的轻量化质量估算统一流程。
二、主要关键技术方法
研究人员采集鳄梨(101个样本,117–488 g)、柿子(251个样本,137–350 g)、杨桃(115个样本,25–105 g)三种水果的单幅俯视RGB图像,置于带A4标定板的
— 硬件与预处理:固定相机距底面400 mm,漫射均匀照明,去除背景后基于最小二乘椭圆拟合确定水果主轴方向并将最长轴旋转至垂直,提取最长长度Lmax。
— 显著性特征提取:使用预训练冻结的U2-Net显著目标检测网络生成6幅侧输出显著性图(Side-output Saliency Maps S(1)–S(6)),上采样融合成融合显著性图(Fused Saliency Map),缩放至32×32像素并展平为1024维深度特征向量(Deep Feature Vector)。U2-Net不做微调,仅作形态学编码器。
— 稀疏特征选择:以水果实测质量为因变量,用LASSO(L1惩罚)筛选非零系数维度,去除冗余。
— 质量回归:对筛选后特征用岭回归(Ridge Regression, L2惩罚)建模,正则化参数α通过交叉验证优选。
— 评估与验证:水果专属5折交叉验证,指标为决定系数R2、均方根百分比误差RMSPE、平均绝对百分比误差MAPE;配对样本t检验验证无系统偏差;对比DenseNet121、GoogLeNet、MobileNetV2、EfficientNet-B0、ResNet50全空间CNN特征及PCA降维效果。
三、研究结果
4.1 Overall quantitative performance(整体定量性能)
LASSO筛选后特征数降至鳄梨72维、柿子103维、杨桃80维,R2分别提升至98.50%、98.11%、97.01%,MAPE降至2.64%、1.79%、3.01%,较原始1024维全特征精度更高且折叠标准差更小,说明原始嵌入含冗余噪声,稀疏化提高稳定性。CPU推理约260
4.2 Correlation analysis using 5-fold aggregated estimations(5折聚合相关分析)
通过出袋(Out-of-Fold, OOF)预测散点图可见,LASSO后各水果预测值 tighter沿y=x分布,尤其杨桃不规则形态下离散度明显降低
4.3 Statistical significance analysis(统计学显著性分析)
配对t检验p值均>0.05(鳄梨0.711/0.946、柿子0.925/0.576、杨桃0.929/0.956),均值偏差接近零,证实模型无系统高估或低估,预测与真值统计上无显著差异。
4.4 Comparative analysis of alternative deep backbones and feature sparsification(替代深度骨干与特征稀疏化对比分析)
— 4.4.1 Backbone comparison using full spatial CNN features:五类CNN骨干RAW特征(数万维)最佳为DenseNet121(R2鳄梨89.91%、柿子92.61%、杨桃84.46%),均低于所提显著性方法;表明高维与空间保留本身不足,对象聚焦的形态显著性嵌入更适配单视质量回归。
— 4.4.2 Effect of feature selection on full spatial CNN representations:LASSO可改善部分CNN RA
— 4.4.3 Spatial interpretation of LASSO-selected saliency features:将保留维度映射回32×32显著性网格显示,被选位置主要分布于水果前景及边界过渡区,说明LASSO筛选出与形态相关的活性显著性区域。
4.5 Comparison with previous publication(与前期研究对比)
同数据集鳄梨对比前期手工几何特征+岭回归(R2=97.78%, MAPE=3.43%),所提方法R2=98.47%、MAPE=2.43%,证明显著性驱动+LASSO稀疏筛选优于纯手工特征方案。
4.6 Discussion(讨论)
通用
五、结论(Conclusion)总结翻译
本研究提出一种显著性驱动回归框架用于单幅2D图像无损水果质量估算,集成多尺度分层显著性提取(U2-Net)、LASSO稀疏特征选择与岭回归并采用5折交叉验证。该方法在鳄梨(R2=98.50%, MAPE=2.64%)、柿子(R2=98.11%, MAPE=1.79%)、杨桃(R2=97.01%, MAPE=3.01%)上实现高精度估算,特征维度由1024维分别降至72、103、80维且预测稳定性提升。相比DenseNet121等CNN骨干的全空间特征,所提显著性形态嵌入结合LASSO–Ridge流程精度更高且更紧凑。需注意本框架基于单俯视2D图像,未显式建模垂直厚度与内部密度变异
相关新闻
生物通微信公众号
微信
新浪微博

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