摘要
机械损伤是导致番石榴采后品质下降的主要原因之一，由于撞击和振动引起的表皮淤伤在视觉上难以区分，因此早期鉴别这两种淤伤类型仍然具有挑战性。本研究探讨了基于深度学习的RGB成像技术对'Glom Sali'番石榴机械淤伤类型进行早期分类的可行性。实验共选取623和520个果实，分别进行模拟振动和撞击处理。在模拟处理后的第1至第4天，从四个方向采集覆盖整个果实表面的RGB图像。经过图像预处理和数据增强后，训练并评估了MobileNetV3和EfficientNetV2-B0两种卷积神经网络架构，评价指标包括准确率、精确率、召回率、F1分数、灵敏度和特异度。两种模型均成功区分了撞击和振动引起的淤伤，证实了RGB图像包含足够的判别信息用于淤伤分类。MobileNetV3在所有评估阶段的测试准确率均超过98%，持续优于EfficientNetV2-B0。模型的性能优势在第1天尤为显著——此时淤伤在视觉上尚不明显——其精确率、召回率和F1分数达到98%至100%，灵敏度和特异度均超过97%。随着淤伤症状变得更加明显，模型性能进一步提升，而数据增强则增强了分类的鲁棒性和泛化能力。这些结果表明，MobileNetV3结合RGB成像技术为番石榴机械淤伤类型的早期分类提供了一种快速、无损且计算效率高的方法，在自动化采后检测系统中具有强大的应用潜力，有助于改善果实分选、运输质量评估和采后损耗减少。
