牛油果成熟度的动态品质管理：一种融合多传感器网络与自适应控制的网络物理系统

《Journal of Food Measurement and Characterization》：Dynamic quality governance of avocado ripeness: cyber-physical system integrating multi-sensor networks and adaptive control

基于多环境参数的果蔬成熟度智能评估系统研究通过YOLOv5图像分类和LSTM-XGBoost混合模型实现98%与93%的准确率，创新性整合外观、硬度、pH值等参数与温湿度等环境数据，建立可推广的自动化成熟调控体系。

　　

摘要

后熟果实的成熟度感知与评估较为复杂，主要依赖于外观颜色，但仅凭颜色难以进行全面准确的判断。果实内部的品质参数（如可溶性固形物含量、硬度、pH值和呼吸速率）也在发生变化，而缺乏明确的成熟阶段划分使得感知与评估变得困难。因此，本研究提出了一种基于多种环境参数的成熟度调控与感知方法，这些参数是根据果实成熟特征指数及仓库环境条件设计而来的。采用YOLOv5（You Only Look Once版本5）对果实外观的成熟度进行分类，准确率达到98%。随后通过构建LSTM（长短期记忆网络）一级模型和XGBoost（极端梯度提升）二级模型，研究了多种参数与成熟度指标之间的相关性，并实现了对果实成熟度的预测，从而实现了基于多参数的成熟度调控与感知评估。研究结果表明，基于多环境参数的成熟度感知与调控模型的分类准确率为93%，回归预测的R2值为0.94，优于传统的人工成熟度感知方法及其他模型。本研究为农业领域提供了一种基于多环境参数的果实成熟度调控与感知方法，有望应用于鳄梨等农产品的采后成熟度评估与监测，并可推广至其他水果品种。