基于YOLOv8的番茄智能分选系统：提升自动化分级与品质评估精度

研究人员针对传统人工分选效率低、误差率高的问题，开发了基于YOLOv8模型的番茄自动化分选系统。通过集成计算机视觉与深度学习技术，该系统实现了番茄成熟度（绿/红/损伤）分类（准确率99.6%）和尺寸测量（精度97.1%），并构建了包含2,145张图像的多样化数据集。研究为农业自动化提供了低成本、高精度的解决方案，直接支持联合国可持续发展目标（SDG 9和12）。

　　

在农业生产中，番茄作为全球重要的经济作物，其采后分选环节长期依赖人工操作，不仅效率低下，还面临分类标准不统一、劳动力成本攀升等问题。尤其对于厄瓜多尔的主栽品种肾形番茄，传统分选方式难以满足国际市场对果实成熟度和规格的精细化需求。更棘手的是，番茄表面损伤和颜色渐变特征在复杂光照条件下容易导致误判，而现有自动化系统往往缺乏兼顾成熟度与尺寸的双重评估能力。

针对这一产业痛点，Universidad Internacional Del Ecuador（UIDE）国际厄瓜多尔大学的研究团队创新性地将YOLOv8目标检测算法与计算机视觉技术结合，开发出一套集成化番茄智能分选系统。该研究通过构建包含2,145张多场景图像的专属数据集，训练出能同步识别成熟度（绿/红/损伤）和测量尺寸的深度学习模型，最终在《Smart Agricultural Technology》发表的论文中展示了99.6%的分类准确率和97.1%的尺寸测量精度，为农业自动化提供了兼具经济性和可靠性的解决方案。

研究团队采用了三大关键技术：首先利用YOLOv8 Small模型架构，通过CSPDarknet53骨干网络和C2f模块优化特征提取；其次开发了基于像素映射的尺寸算法，通过21.5 cm固定距离校准实现毫米级测量；最后搭建了包含步进电机传送带、高分辨率摄像头和伺服分拣闸门的物理系统，形成软硬件闭环。实验设计上，采用SGD优化器和16的批次大小进行100轮训练，并设置167-346 lux的标准光照范围以控制变量。

【实验结果】

1. 成熟度验证：在429张验证图像上，模型对红番茄的召回率达99.3%，损伤番茄识别精度达97.42%。测试阶段（216张图像）显示，绿番茄在阴影条件下的分类稳定性最佳（F1-score 89.47%）。

2. 尺寸检测：通过20组实测数据对比，X/Y轴平均相对误差分别为2.89%和2.83%，95%置信区间控制在±1%以内。但损伤番茄在4.43 lux照度下出现19.05 mm的最大X轴误差，揭示低光环境对不规则表面的测量挑战。

3. 系统集成：原型机以5-8秒/果的处理速度实现自动化分拣，成本控制在500美元（工业版预计3,500-10,000美元），显著低于4万美元的商业光学分选设备。

【结论与意义】

该研究首次将损伤分类纳入番茄自动化分选体系，通过YOLOv8的anchor-free检测机制和双参数（颜色+尺寸）决策逻辑，突破了传统单一维度评估的局限。特别值得注意的是，系统在中等光照（167-245 lux）下保持96.66%的稳定性能，其模块化设计可直接对接现有包装流水线。从产业角度看，这项技术不仅响应了SDG 9（产业创新）和12（负责任生产）目标，更通过降低3-5%的采后损耗（相较人工分选），为资源受限地区提供了可行的智慧农业实施方案。未来通过引入动态光照补偿和Transformer模块，有望进一步解决低光环境下损伤识别的瓶颈问题。