基于多尺度特征融合的深度神经网络FruitsMultiNet：移动端水果智能识别新方法

为解决水果自动分类难题，研究人员开发了基于MobileNet和VGG16融合的FruitsMultiNet框架，通过多尺度特征融合和迁移学习(TL)技术，在包含8种孟加拉本土水果的3240张图像数据集上实现99.84%的分类准确率，其移动端集成方案为农业供应链智能化提供了新范式。

　　

在智能供应链快速发展的背景下，水果生产加工环节的自动化需求日益增长。然而，传统人工分类方法存在效率低、误差率高的问题，尤其对于形态多样的热带水果，如孟加拉地区特有的木苹果、罗望子等，其生命周期中颜色、纹理的显著变化更增加了分类难度。现有AI模型多基于西方常见水果数据集开发，对本土品种的识别性能有限。针对这一技术空白，来自孟加拉商业与技术大学、东南大学等机构的研究团队在《Journal of Agriculture and Food Research》发表研究，提出创新性的FruitsMultiNet框架。

研究团队采用迁移学习(TL)策略，融合轻量级MobileNet和高精度VGG16的优势，构建多尺度特征提取体系。关键技术包括：使用Kaggle公开的"Eight Types of Fruits"数据集（含3240张8类孟加拉水果图像）；应用旋转、剪切等数据增强技术将训练集扩增至7840张；通过全局平均池化(GAP)和特征拼接整合双网络输出；采用互信息(MI)理论进行超参数优化；最终开发基于Flutter的移动应用实现实时分类。

研究结果显示：在模型性能方面，单独测试的MobileNet和VGG16分别达到99.53%和99.06%准确率，而融合后的FruitsMultiNet将性能提升至99.84%，显著优于对比的NasNetMobile（97.34%）、InceptionV3（97.65%）等模型。混淆矩阵分析表明，仅1例木苹果被误判为罗望子，归因于二者相似的纹理特征。训练过程显示，模型在第14个epoch即达到98%验证准确率，通过双重Dropout层有效抑制过拟合。移动端集成测试中，量化后的TensorFlow Lite模型在低配设备上实现300ms内完成推理，且支持离线运行。

与现有技术对比，该研究具有三大突破：首次针对孟加拉本土水果建立专用分类体系；创新性地结合MobileNet的移动计算优势与VGG16的深层特征提取能力；开发出首个支持8种热带水果识别的离线移动应用。相较于Shankar等采用DenseNet169的99.67%准确率，本方案在更复杂的数据分布下仍保持领先。局限性在于模型解释性不足，未来计划引入Grad-CAM可视化技术。

这项研究为农业智能化提供了重要技术支撑，其移动端解决方案特别适合资源受限地区。通过准确识别水果品种并附带营养信息，既优化了供应链效率，又促进了公众健康意识。研究团队指出，扩展病害检测功能和引入注意力机制(AM)将是下一步重点，这将进一步推动精准农业的发展。