面向出口及高端市场的芒果品种识别与成熟度分级之人工智能驱动分类（AI-powered Classification of Mangoes for Variety Recognition and Maturity Grading in Export and Premium Markets）

《Applied Food Research》：AI-powered classification of mangoes for variety recognition and maturity grading in export and premium markets

　　

研究人员提出了一种人工智能（Artificial Intelligence, AI）驱动的两阶段框架，用于泰国三种商业芒果品种——Namdokmai Sithong（水蜜金芒）、Mahachanok（彩虹芒）及R2E2——之品种识别与成熟度（未成熟 M1、出口成熟期 M2、国内成熟期 M3）自动分级。研究所用图像数据集含1432幅芒果样本图像，经数据增强扩充至2864幅。第一阶段采用优化超参数之随机森林（Random Forest, RF）分类器结合形态学特征进行品种识别，测试集准确率达99.6%，交叉验证准确率98.7%；第二阶段针对各品种分别建立成熟度模型：Mahachanok 品种采用 InceptionV3深度学习模型（准确率80.0%），Namdokmai Sithong 品种采用梯度提升（Gradient Boosting, GB）模型（84.4%），R2E2品种采用随机森林模型（83.3%），平均交叉验证准确率介于78%—79%。所建模型已部署于基于 Web 之应用程序中，可实现对现代贸易、出口及高端市场之快速、非破坏性芒果分级。利用公开 Kaggle 数据集验证表明，该 AI 框架可提升分级一致性、降低主观性，并为采后品质管理决策提供支持。

论文解读——《Applied Food Research》发表于 Arwatchananukul S et al., AI-powered classification of mangoes for variety recognition and maturity grading in export and premium markets

一、研究背景与意义

芒果（Mangifera indica L.）是东南亚重要的经济热带水果，泰国为主要生产及出口国，其 Namdokmai Sithong（NDM）、Mahachanok（MHN）及 R₂E₂等品种在国际高端市场具较高商业价值。传统芒果成熟度判定依赖人工目测果形、肤色、开花后天数或比重法（specific gravity test），存在主观性强、一致性差、对具大果腔之 R₂E₂品种比重法失效等问题，难以满足出口严苛的品质标准。现有文献多独立研究品种或成熟度单一分类任务，缺乏将二者整合且考虑品种间成熟度视觉差异之集成方案。为此，研究人员构建了专用于三种泰国商业芒果之图像数据集，提出品种感知（cultivar-aware）的两阶段 AI 分类框架——先识别品种再依品种调用对应成熟度模型，并将模型封装为可部署之 Web 应用，以实现客观、非破坏性的自动化分级，支撑产后品质管理与出口竞争力提升。

二、主要关键技术方法

研究人员自泰国清莱 Singha Park 采集 NDM、MHN 及 R₂E₂三个品种芒果，依据泰国农业标准以比重法（NDM、MHN）或干物质含量（dry matter, DM，AOAC 934.06 法，R₂E₂）标定成熟度 M1（未熟）、M2（出口成熟）、M3（国内成熟），共获1432幅白底受控光照 RGB 图像，经去背景、缩放至500×500像素及90°旋转增强至2864幅。品种分类阶段提取 RGB/HSV/LAB 颜色特征（均值、标准差、偏度、峰度）、局部二值模式（Local Binary Pattern, LBP）与灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）之 Haralick 纹理特征，以及长宽比（aspect ratio）、紧密度（compactness）、延伸度（extent）、凸包填充度（solidity）、圆度（circularity）等形态学几何特征，输入决策树（Decision Tree, DT）、RF、GB、K近邻（K-Nearest Neighbors, KNN）、支持向量机（Support Vector Machine, SVM）比较，按6:2:2划分训练/验证/测试集并以网格搜索调参。成熟度分类对各品种独立进行，传统机器学习使用颜色（RGB/HSV/LAB）与纹理（LBP、Haralick）特征，深度学习采用迁移学习微调 VGG₁₆、Lite VGG₁₆、ResNet₅₀、InceptionV₃、EfficientNet，按8:2划分训练/测试集并做五折交叉验证（5-fold cross-validation）。最终模型经 Flask API 与 Next.js 前端集成发布为 Web 应用。

三、研究结果

4.1. Comparison of mango variety classification performance（芒果品种分类性能比较）

单特征组中形态学特征表现最优，RF 达98.1%；颜色特征（HSV）最高97.7%（DT），纹理特征中 LBP 优于 Haralick（GB 97.7%）。融合 HSV 颜色＋形态学形状＋LBP 纹理之组合特征 RF 准确率97.8%。选用形态学特征之 RF 经超参数优化（n_estimators=200, max_depth=None, max_features='sqrt'）获训练集交叉验证准确率99.3%，独立测试集准确率99.6%、交叉验证均值98.7%，混淆矩阵显示三品种几近完美区分，证明形态学手工特征配合集成学习可有效解决芒果品种辨识问题。

4.2. Comparison of mango maturity classification performance（芒果成熟度分类性能比较）

• •
  4.2.1. Maturity classification by color feature extraction（基于颜色特征的成熟度分类）：NDM 之 GB 用 RGB 特征达84.4%，R₂E₂之 RF 用 RGB 达83.3%，MHN 各类器均未超过60.0%，说明 MHN 成熟度仅靠颜色难以区分。
• •
  4.2.2. Maturity classification by textural feature extraction（基于纹理特征的成熟度分类）：NDM 之 RF 用 Haralick 特征达71.6%；R₂E₂之 RF 用 LBP 达80.9%；MHN 之 GB 用 LBP 达60.0%，再次印证 MHN 成熟度较难通过手工特征捕捉。
• •
  4.2.3. Maturity classification by deep learning models（基于深度学习模型的成熟度分类）：InceptionV₃在三个品种上均最优，MHN 测试准确率80.0%、NDM 81.9%、R₂E₂82.5%；其余架构（Lite VGG₁₆、VGG₁₆、ResNet₅₀、EfficientNet）表现次之或明显偏低。综合选定 MHN 用 InceptionV₃（80.0%），NDM 用 GB＋RGB（84.4%），R₂E₂用 RF＋RGB（83.3%），证实需依品种选用不同模型与特征策略。

4.3. Evaluation using 5-fold cross-validation（五折交叉验证评估）

品种分类 RF 五折准确率区间97.4%—99.6%，均值98.7%（MSE 0.4）。成熟度：MHN（InceptionV₃）均值78.8%、NDM（GB）78.0%、R₂E₂（RF）78.8%，折间波动较小，验证框架具良好泛化性。

4.4. Deployment of a web application for mango variety and maturity classification（Web应用部署）

所开发 Web 系统允许用户上传 JPG/PNG 芒果图像，后端先调用品种 RF 模型判品种，再路由至对应品种专属成熟度模型输出 M1/M2/M3 及描述建议，实现端到端非破坏性分级原型。

四、讨论与结论总结

研究人员指出集成学习（RF、GB）擅长处理异质手工特征且抗过拟合，对品种分类及 NDM、R₂E₂成熟度分类效果最佳；InceptionV₃之多尺度感受野可捕获 MHN 成熟度细微色泽与纹理变化，故对该品种更优。品种识别因形态差异显著属较易任务，可用轻量集成模型；成熟度分级属细粒度、品种依赖任务，部分情况需深度表征学习，支持混合任务感知（task-aware）设计而非单一通用分类器。两阶段串联将误差局部化——品种误分率极低故对后续成熟度预测影响甚微，符合出口严格分级要求。局限含样本量偏小且成熟度类别不平衡、仅用 RGB 像无法反映内部理化指标、R₂E₂之 M3 靠目视存主观偏差、受控环境拍摄限制实地泛化性。未来拟扩充平衡数据集、引多光谱/高光谱成像、结合理化测定校验标签、以田间及手机摄图做外部验证并推进边缘端部署。

结论（翻译自原文 Conclusions）： 本研究建立了基于 AI 之泰国商业芒果品种与成熟度自动分级系统。随机森林配合形态学特征几近完美识别品种；成熟度分级呈品种特异性——InceptionV₃最适合 Mahachanok，集成学习更适合 Namdokmai Sithong 与 R₂E₂。模型已集成入 Web 应用提供快速、一致、非破坏性之分级工具。研究贡献含新建图像数据集、稳健两阶段分类框架及可部署应用，可减少人工分级主观性、助泰国满足国际品质标准并提升高端市场与出口竞争力。该任务感知框架（集成学习辨品种＋深度学习做品种专属成熟度分级）可为广义果品品质评估提供参考，公开数据集与原型系统亦可供后续研究与系统开发奠基。