机器视觉+深度学习，如何让水果分级又快又准？

在全球人口持续增长、粮食需求不断攀升的背景下，水果作为重要的营养来源，其品质分级与高效处理是农业产业链中的关键环节。所谓水果分级，是指通过外观缺陷、成熟度等指标对水果进行分类，这一过程直接影响着水果的市场价值与食用安全。然而长期以来，传统分级主要依赖人工肉眼判别，不仅耗时耗力、误差率高，还难以满足大规模处理需求。那么如何用更智能的技术替代人工，实现水果分级的自动化、精准化呢？

近日，来自巴基斯坦费萨拉巴德农业大学农业机械与动力系的Muhammad Waqar Akram博士等开发的“基于机器视觉的自动水果分级系统”给出了新方案。相关文章已发表于《农业科学与工程前沿》（英文）2025年第12卷第2期（DOI: 10.15302/J-FASE-2023532）。

这套系统将“机器视觉”与“深度学习”深度融合，构建了从缺陷检测到机械分拣的全流程自动化体系。简单来说，它就像给水果“拍照片”，通过分析照片中的细节来判断品质，再指挥机械臂将水果分到不同等级的箱子里。具体而言，系统包含两大关键部分：一是缺陷检测模块，二是机械分拣模块。

缺陷检测是分级的第一步。研究采用了“双轨技术路线”：一方面运用传统图像处理算法，通过图像预处理、阈值分割、形态学操作等步骤，计算水果表面的缺陷占比；另一方面引入卷积神经网络（CNN）这一擅长图像识别的深度学习技术，对芒果、番茄的图像数据进行训练。其中，用于训练CNN的数据集既包含公开的水果图像，也有实际拍摄的样本，覆盖了新鲜与腐烂的不同状态，确保模型能适应真实场景的复杂变化。实验显示，传统图像处理算法对芒果和番茄的检测准确率分别达89%和92%，而CNN模型的验证准确率更高，分别为95%和93.5%，提升了缺陷识别的可靠性。

检测结果确定后，系统会通过微控制器（Arduino Uno）向机械分拣模块发送指令。这一模块由传送带、伺服电机驱动的分拣臂等组成：水果随传送带移动时，摄像头在特定区域拍摄图像并分析，若检测到缺陷，分拣臂便会精准动作，将问题水果“请”到对应的分级箱中。整个过程环环相扣，从图像采集到分拣完成仅需几秒，且硬件成本较低，适合农场或小型加工厂。

值得关注的是，这套系统不仅解决了人工分级的效率与误差问题，更通过技术融合展现了“传统算法+深度学习”的互补优势：传统图像处理计算速度快、成本低，适合对实时性要求高的场景；深度学习则能捕捉更细微的缺陷特征，提升复杂情况下的准确率。研究发现，即使面对芒果表皮颜色差异大、番茄表面纹理复杂等挑战，系统仍能稳定工作，为不同品种水果的分级提供了通用化解决方案。

目前，该系统已在芒果和番茄的分级中表现出良好的实用性。未来，通过进一步优化硬件设计（如增加多视角摄像头），扩大适用水果种类，可探索其与更多农业场景的结合。