Deep Convolutional Learning for Automated Multi-Class Quality Grading and Defect Recognition of Fruits and Crop Leaves

方法

图像归一化增强、数据扩增、层次特征学习，交叉熵与Adam训练CNN。

发现

测试集准确率94.9%、宏F1 94.8%，比手工特征SVM高8.4个百分点，单图约21毫秒。

机会点

可探索轻量级模型在田间边缘设备实时分级的部署，并扩展到更多作物与缺陷类型。

依靠人工目视对收获后的农产品进行分级速度缓慢、高度依赖检验人员，且批次间结果不一致，这加剧了采后损失和不公平定价。本文提出一种基于卷积神经网络（convolutional neural network，CNN）的自动分级框架，该框架不止于识别图像中是何种作物，而是判断其状态。水果和叶片图像被划分为五个质量等级之一——健康、成熟、未成熟、虫害损伤和腐烂——从而在单一模型中同时识别成熟阶段和常见缺陷。该流程结合了图像归一化与增强、大规模数据扩增、层次化特征学习，以及使用交叉熵损失和Adam优化器训练的softmax分类器。在留出测试集上，模型达到94.9%的准确率和94.8%的宏平均F1分数，比基于手工特征训练的支持向量机高出8.4个百分点，而每幅图像仅需约21毫秒。这些结果表明，该方法准确且足够快速，可支持精准农业中的实时分选和供应链决策。