基于深度学习的多阶段桃子成熟度检测方法：数据泄露缓解与实际应用验证 萨尔瓦多·卡斯特罗-塔皮亚（Salvador Castro-Tapia）、 赫尔曼·迪亚兹-弗洛雷斯（Germán Díaz-Florez）、 拉斐尔·雷维莱斯-马丁内斯（Rafael Reveles-Martínez）、 埃克托尔·A·格雷罗-奥苏纳（Héctor A. Guerrero-Osuna）、 路易斯·F·卢克-维加（Luis F. Luque-Vega）、 温贝托·莫拉莱斯-马加利亚内斯（Humberto Morales-Magallanes）、 豪尔赫·帕布罗·维加-博雷戈（Jorge Pablo Vega-Borrego）、 吉尔伯托·巴斯克斯-加西亚（Gilberto Vázquez-García） 以及 卡洛斯·A·奥尔韦拉-奥尔韦拉（Carlos A. Olvera-Olvera）

《Applied Sciences》：Deep Learning-Based Multistage Peach Ripeness Detection with Data Leakage Mitigation and Real-World Validation Salvador Castro-Tapia, Germán Díaz-Florez, Rafael Reveles-Martínez, Héctor A. Guerrero-Osuna, Luis F. Luque-Vega, Humberto Morales-Magallanes, Jorge Pablo Vega-Borrego, Gilberto Vázquez-García and Carlos A. Olvera-Olvera

　　

摘要

准确判断水果的成熟度对于优化采摘时间以及确保采后质量至关重要，尤其是对于像桃子这样的跃变期水果，因为它们的成熟过程迅速且不均匀。本研究提出了一种基于深度学习的方法，用于对桃子进行多阶段成熟度分类，共分为五个等级（绿色、绿带粉红、粉红、黄带粉红和完全黄色）。通过控制图像采集、分割、数据增强和感知哈希技术构建了四个数据集，以减少数据泄露问题。使用包括准确率、精确度、召回率、F1分数、mAP和推理速度在内的标准指标，评估了AlexNet、EfficientNet-B0以及三种YOLO（You Only Look Once）架构（YOLOv8、YOLOv11和YOLOv12）的性能。结果显示，基于YOLO的模型显著优于传统网络，准确率在95.25%到98.3%之间，mAP@0.5值超过98.25%，同时推理时间缩短至8.1–12.7毫秒，而AlexNet的推理时间为722.23毫秒，EfficientNet-B0为171.87毫秒。在一个包含214个桃子的实际分选实验中，YOLOv12的准确率达到92.06%，证明了其在实际应用中的稳健性能。错误分类主要发生在相邻成熟度等级之间。这些发现表明，基于YOLO的模型为实时水果分选提供了一种有效且可扩展的解决方案，而感知哈希技术的应用提高了数据集的可靠性和模型的泛化能力，使其适用于农业质量控制系统。