引言
咖啡作为全球重要的贸易农产品之一，其感官品质和商业价值与产地特征和物理完整性密切相关（Lu, Qin, et al., 2026）。产地的生态环境（如海拔、土壤和气候）赋予咖啡豆特定的生化成分和风味前体物质（Tsegay et al., 2020）。然而，在采收、加工和储存过程中可能发生的机械损伤会直接影响豆粒结构并引发氧化劣变，从而损害最终的杯测品质（Asadullah et al., 2025）。
在现有检测方法中，光谱和成像技术已被广泛探索（Urugo et al., 2025; Yu et al., 2025）。质谱联用智能算法进行产地溯源可有效防止咖啡掺假（Yang et al., 2024）。近红外光谱（NIRS）和高光谱成像（HSI）能够以较高精度识别咖啡产区并检测部分内部缺陷（Zhao, Wang, et al., 2025; Zhao, Yu, et al., 2025）。HSI可实现烘焙过程的质量控制和批次分类（Frinhani et al., 2025; Sim et al., 2024; Su et al., 2025; Yang et al., 2024）。然而，此类方法通常依赖相对昂贵的光学设备和可控的照明条件，样品前处理复杂，难以满足生产线高速分选或现场实时检测的需求（Mayr et al., 2021）。
与光谱和化学方法相比，RGB机器视觉无法直接反映内部化学成分，不适合法律层面的产地认证。但其在高通量现场初步筛查方面具有独特优势：设备成本低、无需样品前处理、检测速度快。对于生产线分选和供应链快速验证场景，基于外观的产地初步判别可以以较低成本提供决策支持，是高精度化学检测方法的有益补充（Li et al., 2026）。
基于RGB图像的机器视觉方法以其低成本、高速和易于集成的优势，在农产品外观质量检测中逐渐普及（Kim & Kim, 2025; Yu et al., 2026）。通过采集表面颜色、纹理和形态特征，结合传统分类器或浅层神经网络，可以完成咖啡豆颜色分类和明显缺陷识别等任务（Zhang et al., 2022）。在我们此前的研究中，利用云南小粒咖啡豆的多特征识别烘焙程度，卷积神经网络（CNN）取得了最高准确率。SHapley Additive exPlanations（SHAP）分析揭示了可解释的特征贡献，外部验证显示出较高的分类准确率（Lu, Zhao, et al., 2026）。
现有研究大多聚焦于单一属性的识别，包括烘焙程度、完整豆粒、地理产地溯源等独立任务（Lu, Qin, et al., 2026）。然而，对产地与损伤状态之间的交互机制关注不足。此外，手工设计特征在复杂表型变异背景下的泛化能力有限，且仍缺乏能够同时实现多任务高精度识别的端到端深度学习框架（Lu, Zhao, et al., 2026; Nanni et al., 2017）。咖啡豆地理产地与损伤程度的快速集成同步识别对于品质分级、加工优化和供应链溯源具有重要意义。
在多任务学习架构方面，多门控混合专家、交叉缝合网络和渐进分层提取等经典结构已在通用多任务场景中得到广泛验证。然而，此类复杂的门控结构会显著增加参数量和推理延迟，不利于工业分选设备上的边缘部署。针对咖啡豆检测的具体场景，产地特征和损伤特征具有固有的表型耦合性，不同产地豆粒的力学特性不同，损伤形态也存在异质性。因此，采用简单特征融合的轻量级双分支并行结构可以在保持高推理效率的同时充分挖掘任务相关性，更适合工业实时分选场景（Li et al., 2026）。
本研究提出了一种基于机器视觉的双分支CNN（DB-CNN），通过从RGB图像中并行提取产地相关特征和损伤敏感特征，实现双任务同步检测。在优化网络架构和特征融合策略后，特征相关性分析揭示了形态、纹理和统计特征对咖啡豆损伤程度的梯度响应机制。此外，构建了模块化咖啡豆品质检测系统，集成了实时检测、批量处理和模型训练功能。该方法为咖啡行业提供了一种准确、高效且易于部署的多属性智能分类解决方案，为食品多属性视觉检测提供了一种可扩展的深度学习框架。
