《Engineering Applications of Artificial Intelligence》：Artificial intelligence-based machine vision system for automated postharvest grading of Chinese water chestnuts
编辑推荐：
•开发了一套基于人工智能的采后自动化分级系统。•整合了深度学习模型（MobileNetV3、InceptionV3），以实现高精度。•分级准确率达到97.75%，处理速度较传统人工方法提升6倍。•通过用户友好的数据可视化平台实现了实时监控。•提升了可持续农食品加工的可扩展性和
- •
开发了一套基于人工智能的采后自动化分级系统。
- •
整合了深度学习模型（MobileNetV3、InceptionV3），以实现高精度。
- •
分级准确率达到97.75%，处理速度较传统人工方法提升6倍。
- •
通过用户友好的数据可视化平台实现了实时监控。
- •
提升了可持续农食品加工的可扩展性和效率。
引言
荸荠（Eleocharis tuberosa，简称CWC），主要种植于中国南方，尤其是长江流域周边地区，因其营养价值、功能健康益处和经济意义而日益受到关注（Wang等，2025；Zhang等，2025）。荸荠富含蛋白质、膳食纤维、碳水化合物、胡萝卜素、维生素C以及钙、磷、钠、钾等必需矿物质，易于消化，并具有药用价值，包括缓解咳嗽、腹胀和便秘等症状。其独特风味、健康促进特性以及不断扩展的全球市场需求，推动了国际贸易并提升了其农业重要性（Yu等，2025）。随着种植面积扩大和消费量增长，荸荠产业已成为中国农村经济增长的重要驱动力（Liu等，2025）。然而，采后分级仍以人工操作为主，导致效率低下、质量不一致，且人为失误风险较高。这些挑战凸显了开发智能化、自动化分级系统的迫切需求，以提升加工效率、标准化产品质量，并推动可持续、可扩展的农食品系统发展。
机器视觉技术已越来越多地应用于农业采后处理系统，为无损质量评估与分类提供了先进能力（Zhao等，2024；Guo等，2022；Mumuni等，2024；Tzampazaki等，2024；Zhou等，2025）。机器视觉通过模拟人类视觉感知，使自动化系统能够获取、分析和解读图像数据，从而进行实时决策。在农业应用中，基于图像的分级系统通常涉及图像采集、特征提取和分类过程。传统方法往往依赖手工设计特征，而卷积神经网络（CNN）则通过卷积层自主提取空间特征，在图像识别任务中表现出色，从而显著提升处理效率和分类准确率（Yang和Isa，2025；Li等，2021；Fahad等，2025；Shunmugam等，2025；Ketkar和Moolayil，2021）。基于CNN的深度学习与机器视觉相结合，为荸荠等农产品采后分级提供了可靠且可扩展的解决方案，实现了质量控制的标准化、精度的提升和主观性的降低，从而符合现代农食品工程和加工效率的目标。
近年来，农产品分级技术的研究逐步聚焦于基于CNN的方法。这些利用图像分析和深度学习的方法在提升检测和分级准确率方面展现了显著潜力（Choudhary等，2022；Choi等，2021；Ren等，2024）。然而，其实际应用往往受到数据集限制的阻碍，难以充分捕捉现实世界的变异性。尽管如此，CNN方法已取得显著进展，为更精简、更准确的分类系统奠定了基础。结合多层CNN与决策融合方法的先进技术方案已展现出良好的应用前景（Fan等，2022；Ko等，2021；Wen等，2024）。
展望未来，克服数据集局限性并解决现实应用中的挑战，对于充分发挥智能分级方法的性能优势至关重要。代表性研究包括：EfficientNetB5在玉米笋分类中实现超过99.00%的准确率（Wonggasem等，2024）；针对草莓分类设计的鲁棒深度学习模型（Azizi等，2024）；采用CNN和MobileNetV2实现95%准确率的三类水果分拣系统，该系统在不排除塑料干扰的情况下提取特征（Rojas-Aranda等，2020）；以及用于红参自动化分级的CNN方法（Kim等，2023）。相关方法也已应用于多种农产品质量评估中（Bukumira等，2022；Chuquimarca等，2024；Maitlo等，2024；Hao等，2023；Xu等，2023）。表1总结了与各类农产品分类相关的主要研究。
尽管这些方法在各项研究中展现了令人鼓舞的结果，但往往受到重大局限性的制约。这些局限性源于对耗时特征提取技术的依赖，以及对测试和训练中特定图像格式的过度依赖，限制了模型在不同数据集和现实应用中的泛化能力。此外，许多模型还受到训练和测试阶段所用小型数据集的局限。小型数据集可能给模型结果引入偏差，因为它们可能无法充分代表更大数据集中存在的变异性。因此，模型在受控环境下可能表现良好，但在应用于更广泛、更多变的场景时却难以有效泛化。这一挑战凸显了需要建立更广泛、更多元的数据集，以及采用先进的特征提取方法，以提升模型在实际现实场景中的性能。
针对这一需求，可以明显看出，尽管机器学习和计算机视觉领域已取得诸多进展，但专门针对荸荠的有效分级系统仍然有限。这是因为荸荠独特的物理属性带来了其他更为均匀的作物通常不会遇到的挑战。这些属性使得开发能够准确评估荸荠质量的通用分级系统变得复杂。目前关于荸荠智能分级系统的研究非常有限，在提升分级效率和准确率方面存在显著空白。现有研究主要集中在特征相对均匀的作物上，忽略了荸荠中存在的变异性。开发可靠分级模型的一大障碍在于缺乏大规模、已标注的荸荠图像数据集，而这些数据集对于训练和验证CNN及其他深度学习模型至关重要。这一研究空白凸显了农业技术领域的更广泛挑战，即解决方案往往在不充分考虑不同作物特殊需求的情况下被泛化。虽然基于CNN的方法已显示出对其他农产品的潜力，但荸荠的独特需求要求采用专门定制的方法。解决这一空白需要开发新的算法和模型，同时创建能够捕捉荸荠多变特征的综合数据集。这种针对性研究对于推进智能分级技术、提升荸荠的生产效率、质量和消费者满意度至关重要。
本研究设计、开发并评估了一套基于CNN机器视觉技术的荸荠采后自动化分级系统。所提出的系统以CWC-MoInNet模型为核心，该模型构建于InceptionV3和MobileNetV3架构之上，能够客观、准确地评估关键质量属性，包括颜色、大小和表面缺陷。通过定性和定量分析评估了模型在不同运行条件下的分级性能、鲁棒性和适应性。此外，还整合了一个实时数据可视化平台，以支持持续监控和智能决策。通过应对荸荠特有的物理挑战，本研究推进了采后工程解决方案，并展示了智能无损分级技术在多样化农食品系统中更广泛应用的潜力，有助于提升效率、实现产品标准化和推动可持续食品加工实践。
各节摘要
机械框架
荸荠分级实验装置集成了精确定位机构，可将荸荠准确放置于传送带上。利用间隔原理，传送带有效分离荸荠，确保其以有序方式通过视觉检测区域，该区域由一台工业摄像头持续监控。当荸荠通过检测工位时，进入与传送带对齐的结构化四层分级区。旋转传送带促进……
基线模型的训练性能
本研究对多种CNN模型进行了对比分析，评估了InceptionV3和MobileNetV3的训练与验证结果。为提升模型收敛性，采用了迁移学习并设置了特定参数：批量大小为64，初始学习率为0.01，每5个epoch精度下降0.001。优化过程采用随机梯度下降（SGD），共训练50个epoch。学习率从0.01开始，每5个epoch下降0.001。
结论
本研究开发了一套荸荠智能采后分级系统，该系统将定制设计的机器视觉平台与基于InceptionV3和MobileNetV3架构构建的新型CNN模型CWC-MoInNet相结合。该模型分级准确率达97.75%，在501.62秒内处理了2000个样本，平均处理速度为3.99个/秒。系统有效评估了关键质量属性，包括颜色、大小和表面缺陷，同时实时数据……
CRediT作者贡献声明
张银平：写作——审阅与编辑，写作——初稿，可视化，验证，软件，方法论，调查，数据整理，概念化。赵焕然：写作——审阅与编辑，监督，方法论，资金获取，形式化分析。周俊宏：写作——审阅与编辑，监督，方法论。阿尼斯·萨尔瓦·穆罕默德·海鲁丁：验证，监督，方法论，资金获取，形式化分析。
利益冲突声明
作者声明，不存在任何已知的竞争性经济利益或个人关系，这些关系可能影响本文所报告的工作。
致谢
作者衷心感谢淮安市科技计划（HAN202501）和马来亚大学（项目编号：UMREG025-2025）提供的资金支持。
张银平|赵焕然|周俊宏|阿尼斯·萨尔瓦·穆罕默德·海鲁丁
