基于深度学习和计算机视觉的细粒度着色分析的苹果成熟度量化

《Journal of Food Measurement and Characterization》：Apple maturity quantification based on fine-grained coloration analysis using deep learning and computer vision

水果成熟度评估方法研究提出基于FreqViT的细粒度分析技术，结合HSV色空间Hue通道和图像补全算法量化成熟度，在复杂果园环境中Top-1 mIoU达94.5%，且精度指标优于分类方法。

　　

摘要

成熟度评估在精准农业中起着重要作用。本研究提出了一种针对果实着色信息的细粒度分析方法，并构建了一个成熟度指数（MI），用于量化果实的生长-成熟过程。在数据集预处理阶段，提出了FreqViT作为果实分割模型，该模型专门优化了捕捉小尺度图像输入中的边缘信息和层次结构的能力。引入了一种基于自适应权重选择的训练-验证策略，以充分发挥FreqViT在细节处理方面的优势。此外，采用HSV颜色空间中的色调（Hue）通道来表示和分析果实着色信息。还提出了一种构建有效掩膜（Valid Mask）的方法，并应用了大范围掩膜修复（LaMa）算法来修复过曝区域。最终，通过计算像素色调值与标准成熟度之间的差异来量化果实的成熟度。通过针对性分析和批量检测验证了该模型的效率、准确性和通用性。在复杂的果园环境中，FreqViT-S / L / X模型的Top-1 mIoU分别达到了93.4%、94.3%和94.5%。所采用的训练策略、颜色空间和图像修复算法在对比评估中展现了最佳的处理性能。这种成熟度量化方法不仅提供了数字表示，而且在精确度（Precision）、召回率（Recall）和F1分数（F1-score）方面也优于传统的分类方法。这项工作有助于实现智能化和精细化的果园生产，为更科学的果园管理和采收决策提供支持。

成熟度评估在精准农业中扮演着关键角色。本研究提出了一种针对果实着色信息的精细分析方法，并构建了一个成熟度指数（MI），用于量化果实的生长-成熟过程。在数据集预处理阶段，提出了FreqViT作为果实分割模型，该模型专门优化了捕捉小尺度图像输入中的边缘信息和层次结构的能力。引入了一种基于自适应权重选择的训练-验证策略，以充分发挥FreqViT在细节处理方面的优势。此外，采用HSV颜色空间中的色调（Hue）通道来表示和分析果实着色信息。还提出了一种构建有效掩膜（Valid Mask）的方法，并应用了大范围掩膜修复（LaMa）算法来修复过曝区域。最终，通过计算像素色调值与标准成熟度之间的差异来量化果实的成熟度。通过针对性分析和批量检测验证了该模型的效率、准确性和通用性。在复杂的果园环境中，FreqViT-S / L / X模型的Top-1 mIoU分别达到了93.4%、94.3%和94.5%。所采用的训练策略、颜色空间和图像修复算法在对比评估中展现了最佳的处理性能。这种成熟度量化方法不仅提供了数字表示，而且在精确度（Precision）、召回率（Recall）和F1分数（F1-score）方面也优于传统的分类方法。这项工作有助于实现智能化和精细化的果园生产，为更科学的果园管理和采收决策提供支持。