编辑推荐：
水果质量评估是食品安全、采后减损和消费者满意度的重要组成部分。在现代农业生产系统中，质量控制对确保国内和出口市场至关重要，因此水果质量评估持续发挥着重要作用。人工分级虽被广泛采用，但耗时低效、不精确且易受人为误差影响，依赖人眼和人工技能。这种局限性可能导致结果
水果质量评估是食品安全、采后减损和消费者满意度的重要组成部分。在现代农业生产系统中，质量控制对确保国内和出口市场至关重要，因此水果质量评估持续发挥着重要作用。人工分级虽被广泛采用，但耗时低效、不精确且易受人为误差影响，依赖人眼和人工技能。这种局限性可能导致结果变异，并在大规模生产中产生高运营成本。本文提出一种混合分类模型，利用从ResNet50V2提取的深度学习特征，结合传统手工特征如方向梯度直方图（HOG）、局部二值模式（LBP）以及颜色、纹理和形状描述符。本研究旨在开发一个能够融合高层级和低层级特征表示的模型，以全面理解水果质量特性。所提出的预处理技术之后将进行数据增强、基于方差分析（ANOVA）的特征选择，并使用K近邻（KNN）、随机森林（RF）和极限梯度提升（XGBoost）进行分类。这一多阶段流程专门设计用于确保提取的特征适当、相关且具有判别性，从而实现正确分类。实验选用标准数据集FruitNet和番茄数据集。FruitNet数据集包含六种水果类型，分为三个质量等级；另一个番茄数据集包含三个基于成熟度的类别。XGBoost在FruitNet数据集上始终优于其他分类器，准确率达97.3%；在番茄数据集上准确率达92%。研究结果验证了所提模型的有效性及其在所有作物和所有分级系统中的适用性。
一、研究背景与问题
在全球食品供应链中，满足日益增长的消费者期望要求提供安全且高质量的水果。然而，传统的人工目视检查分级方式存在主观性强、易疲劳和不一致等问题。据统计，全球约45%的水果和蔬菜因这些效率低下问题而被浪费，造成了巨大的经济和资源负担。计算机视觉与人工智能的发展为自动化分级系统的进步铺平了道路，卷积神经网络（CNN）已被用于提取图像分类特征，而手工特征则能捕捉细粒度的视觉模式。尽管如此，数据集不平衡、视觉变异性以及类间相似性等问题仍然是广泛部署面临的挑战。此外，出口级水果生产需求的增加、食品安全法规的遵守以及消费者对视觉吸引力水果的偏好，进一步凸显了对鲁棒自动化系统的需求。现有研究多局限于特定水果或受控环境，缺乏能够处理多样化数据集和变异性的通用框架，这正是本研究试图填补的空白。
二、研究内容与结论
研究人员针对上述挑战，提出了一种混合框架，融合深度学习与手工特征，并整合了稳健的预处理、数据增强、特征融合以及基于机器学习的分类。研究人员在两个具有不同类别结构和复杂程度的水果质量数据集上评估了所提流水线，检验其在不同数据特征下的分类性能，并分析了数据集规模、类别不平衡和特征融合对分类准确率的影响。研究得出的主要结论包括：XGBoost在FruitNet数据集上取得了97.3%的最高准确率，在番茄数据集上取得了92%的最高准确率，验证了混合特征融合策略的有效性；混合特征表示比单一特征提取方法更全面地代表了水果质量，从而实现了更精确可靠的分类结果；该框架在不同水果类别和数据集之间具有良好的泛化能力和适应性。
三、关键技术方法
研究人员采用的主要关键技术方法包括：
- 1.
图像预处理：将水果图像统一调整为128×128像素，进行RGB到HSV和LAB色彩空间的转换，并将像素强度归一化至[0, 1]范围。
- 2.
数据增强：使用Keras的ImageDataGenerator对训练子集进行在线增强，包括旋转、翻转、缩放和亮度调整等随机变换，验证集和测试集保持原始状态以避免信息泄露。
- 3.
特征提取与融合：
- •
深度特征：使用预训练于ImageNet的ResNet50V2去除顶层后，从全局平均池化层提取2048维特征向量。
- •
手工特征：提取方向梯度直方图（HOG）特征以捕捉边缘轮廓和表面缺陷；提取局部二值模式（LBP）特征编码像素强度关系以表征细粒度纹理；从RGB、HSV和LAB空间提取颜色直方图以获取成熟度和变色信息；从轮廓中提取面积、周长、长宽比和实心度等形状描述符以区分健康与受损果实。
- •
将所有特征拼接成混合特征向量。
- 4.
特征缩放与选择：使用StandardScaler对特征进行标准化，然后采用基于ANOVA F检验的SelectKBest方法保留前100个最具判别力的特征。
- 5.
分类：分别使用K近邻（KNN，K=5）、随机森林（RF，100棵决策树）和极限梯度提升（XGBoost，n_estimators=200，学习率=0.1，含早停机制）三种分类器进行预测。数据集来源为公开的FruitNet数据集（包含苹果、香蕉、番石榴、青柠、橙子和石榴六种水果，共19500余张图像，分为好、坏、混合三类）和番茄数据集（包含2400张图像，分为成熟、未成熟和废弃三类）。
四、研究结果
FruitNet数据集结果：在FruitNet数据集上，XGBoost在各项评估指标上均优于随机森林（RF）和K近邻（KNN），取得了最高的准确率和F1分数。混淆矩阵分析显示，“混合质量”类别是最具挑战性的类别，大多数误分类发生在“好”和“混合”类别之间，表明这些相邻质量类别共享相似的视觉特征，导致决策边界模糊。
番茄数据集结果：在番茄数据集上，各模型整体准确率高于FruitNet数据集，原因是各类别之间的视觉差异更为清晰。混淆矩阵显示，误分类主要发生在“成熟”和“未成熟”之间，而“废弃”类别的识别精度很高。XGBoost表现最佳，RF紧随其后，KNN在处理类别重叠时表现较弱。两个数据集上的结果共同表明，所选特征在不同水果类型、外观和质量指标下保持了鲁棒性。
五、讨论与结论总结
讨论部分指出，将ResNet50V2提取的深度特征与精心设计的描述符相结合，显著增强了特征空间的判别能力。深度特征捕捉与水果外观相关的复杂层次模式，HOG和LBP描述符提供纹理变化和表面不规则性的详细信息，颜色直方图识别成熟度和变色模式，形状描述符区分受物理损伤或变形影响的果实。两种特征集相互补充，使模型能够比单一特征提取方法更全面地表示水果质量。XGBoost的优异性能归功于其提升机制，能够顺序学习先前错误并聚焦困难样本，同时内置正则化和高效处理高维数据的能力使其能更有效地利用融合特征表示。与现有研究的比较进一步验证了所提方法的有效性，表明结合互补特征表示比依赖单一信息来源能提供对水果质量特性的更丰富理解。
研究结论：本文提出了一种混合方法，通过融合ResNet50V2的深度学习特征与颜色直方图、形状特征、HOG和LBP等手工描述符进行水果质量分类。通过特征缩放、基于ANOVA F分数的选择和KNN、随机森林、XGBoost的分类，该方法在FruitNet和番茄数据集上均表现出强劲性能。XGBoost获得了最高的准确率和F1分数，尤其在分类“混合质量”和“废弃”等视觉不确定类别时表现突出。这些结果强调了融合多尺度特征与鲁棒集成方法在实际水果分级任务中的有效性。未来工作可侧重于在独立外部数据集上评估该方法，以及在边缘设备上进行实时应用部署，并将其整合到农业监控框架中以支持收获和包装过程中的自动质量检查。
