基于机器视觉的芒果实时自动分级系统开发与性能评估

本研究针对孟加拉国芒果产业中传统人工分级效率低、标准不一的问题，开发了一套集成机器视觉技术的自动化芒果实时分级系统。研究人员通过MATLAB-GUI构建图像处理算法，结合传送带与弹射装置，实现了基于面积特征的芒果分级（大/中/小三档），分类准确率达79.7%-85.5%，混合样本弹射准确率达89.1%。该系统为热带水果采后处理提供了可推广的自动化解决方案。

　　

芒果作为孟加拉国重要的经济作物，年产量达194万吨，但其采后分级仍依赖人工目测，存在效率低下（每小时仅处理约300个）、标准主观等问题。传统方法难以满足国际市场对果实几何形状（Geometry）和表面缺陷（Surface defects）的严格标准，导致出口竞争力不足。针对这一产业痛点，孟加拉国农业大学（Bangladesh Agricultural University）农业机械化系的Abdullah Al Masum团队在《Discover Agriculture》发表研究，开发了一套基于机器视觉（Machine vision）的自动化实时芒果分级系统。

研究团队采用模块化设计思路，整合传送带（22 cm/s最优速度）、LED照明系统（4×6W）、USB摄像头和Arduino Mega 2560控制器，构建物理分级平台。关键技术包括：1）通过MATLAB-GUI开发图像处理算法，采用R通道阈值分割（R>205）结合形态学处理（imfill、bwareaopen）提取芒果投影面积（Area feature）；2）建立像素面积（1 mm²=2.507像素）与椭圆面积公式（π×a×b）的换算模型（R²=0.9039）；3）设计三档弹射机制（MG995伺服电机），按像素面积阈值（≤15,000/15,000-18,000/≥18,000）分级。

【传送带速度优化】
通过转速测试（19.5-24.7 cm/s）确定22 cm/s（36 rpm）为最佳工作速度，此时图像采集成功率最高（63个/分钟），运动模糊最小。

【面积测量验证】
对比98个Ashvina芒果样本（小/中/大分别36/34/28个）的椭圆公式计算值与图像处理值，显示强相关性（R²=0.9039），证实机器视觉测量的可靠性。

【分级性能评估】
单类别分级准确率：小果79.7±4.6%、中果85.5±2.9%、大果83.7±4.9%；混合样本弹射准确率：小-中组合83.9%、小-大组合82.8%、大-中组合90.1%，全混合样本达89.1±2.3%。系统处理能力约600个/小时，显著高于人工效率。

该研究首次在孟加拉国本土芒果品种上实现实时自动化分级，其创新性体现在：1）开发低成本解决方案（采用通用硬件如Arduino）；2）建立适用于移动目标的图像处理流程；3）验证热带水果分级设备的可行性。尽管小果分级精度仍有提升空间（主要因信号传输延迟），但该系统为资源受限地区提供了可扩展的技术模板，未来可通过卷积神经网络（CNN）进一步优化分类算法。研究成果对实现联合国可持续发展目标（SDG）中的"零饥饿"和"产业创新"具有实践意义，为南亚水果产业链升级奠定技术基础。