《AgriEngineering》：Development of a Compact Automatic Sorting Machine for Kazakhstani Apple Varieties Based on Computer Vision
编辑推荐：
按产品类别分选苹果是收获准备的关键阶段，特别是对于中小型农场，传统的人工分选导致高劳动强度。研究人员介绍了一种基于计算机视觉（Computer Vision, CV）、颜色评估（color assessment）和间接水果重量估计（indirect fruit
按产品类别分选苹果是收获准备的关键阶段，特别是对于中小型农场，传统的人工分选导致高劳动强度。研究人员介绍了一种基于计算机视觉（Computer Vision, CV）、颜色评估（color assessment）和间接水果重量估计（indirect fruit-weight estimation）的紧凑型苹果分选机的开发和实验研究。所设计的机器针对哈萨克斯坦苹果品种进行了适应性调整，并集成了低成本部件：水果进料和定位模块、带有图像处理单元的计算机视觉系统、基于PLC（可编程逻辑控制器，Programmable Logic Controller）的控制以及分选执行器。决策规则程序使用图像的颜色和视觉几何参数，并通过回归分析（regression analysis）进行分类。统计分析确定了投影水果面积作为使用所提出的回归模型进行间接重量估计的主要预测因子。模型稳健性和分类准确性通过混淆矩阵（confusion matrix）和主要验证指标进行评估。观察到传送带速度对分选稳定性的影响。实验结果表明，该机器的最佳运行模式是苹果传输速度为0.16 m/s，此时分选吞吐量约为400公斤/小时，平均准确率为92%。所提出的机器以简单、成本效益高的机器设计提供了足够的实时分选准确性，可作为中小型农场的有用分选解决方案。
### 研究背景与目的
苹果按产品类别分选是采后准备的关键环节，直接影响售价、储存损失和物流效率。对于中小型农场，传统人工分选存在劳动强度高、生产率有限和主观性强等问题。尽管工业分选线吞吐量高，但其成本、复杂维护和基础设施要求限制了其在农场和学术环境中的采用。因此，过去五年间，针对紧凑型自动化分选系统的研究稳步增长，这些系统基于计算机视觉（CV）进行参数测量和决策，并通过数字方法简化或部分替代机械组件（如称重、校准、检测）。当前挑战包括：难以捕获完整表面信息、球形水果表面光照不均、光谱传感技术成本高，以及系统尺寸、吞吐量和整体成本的限制。本研究旨在填补实验室CV算法与实用紧凑型分选设备之间的空白，开发一种集成低成本CV模块、间接重量估计、PLC控制及机电分离的完整紧凑型分选机，适用于哈萨克斯坦苹果品种，避免机械称重，并降低成本和复杂性。该研究发表在《AgriEngineering》。
### 主要技术方法
研究人员设计并组装了一台紧凑型自动苹果分选机，包含：水果进料与定位模块、链式传送带（速度0.12–0.20 m/s可调）、视觉检测区（配备LED环形光源和固定焦距的Logitech C270摄像头，分辨率1280×720像素）、基于Raspberry Pi 4的图像处理单元（运行Python 3.11和OpenCV 4.10）、PLC OWEN PLC200控制器及电磁执行器分选模块。样本来自哈萨克斯坦五种苹果品种（Aport Alexander、Sinap Almaty、Kazakhski Yubileinyi、Ainur、Nursat），每种250个，共1250个水果。图像处理采用经典方法：灰度转换、Otsu阈值分割、形态学滤波、轮廓提取，计算直径（D）、高度（h）、投影面积（S）和表面颜色比例（Δcolor）。通过线性回归模型基于投影面积间接估计水果重量，模型系数由最小二乘法确定，并进行五折交叉验证。采用混淆矩阵和验证指标（精度、召回率、F1分数）评估分类性能。
### 研究结果
**3.1 分类性能分析**：对五种苹果品种（各250个样本）进行实验。统计指标显示，Aport Alexander、Ainur、Nursat为较大果型，Sinap Almaty最小。投影面积S与重量的Pearson相关系数最高（r=0.88），回归模型R2范围为0.82–0.87，MAPE低于7%。五折交叉验证显示预测稳定性良好（折间差异<5%）。在传送带速度0.12 m/s时，平均分类准确率达96.9%；0.16 m/s时准确率为92.1%，吞吐量约400 kg/h；0.20 m/s时准确率降至81.2%。混淆矩阵显示大多数错误出现在相邻类别边界，整体准确率91.2%，F1-score平均91.4%。
**3.2 计算性能分析**：在Raspberry Pi 4上，每个水果的平均处理时间约66 ms，理论处理速率超过15个/秒，处理器负载适中，无需GPU加速。
**3.3 经济可行性分析**：机器总制造成本约2650美元，远低于商用光学分选系统（2万–10万美元）。正常运行时耗电量不超过0.45 kW。
**3.4 实际应用潜力**：机器面向中小型农场、研究实验室和教育机构，模块化设计便于维护和升级，未来可集成多光谱成像或深度学习模块。
### 讨论与结论
讨论部分指出，经典CV方法在农业应用中仍具可行性，尤其是当低成本、透明性和易实现性优先于最大精度时。结果与已有研究一致，但本系统在计算更轻量的情况下达到可比或更高的分类准确率（95.8%–97.9%）。传送带速度影响显著：0.12 m/s速度下准确率最高但吞吐量低；0.20 m/s时动态误差增大导致准确率下降；0.16 m/s被确定为最佳折中模式。误差来源包括：类别边界附近的投影面积测量偏差、水果密度生物变异、以及RGB成像无法检测内部缺陷。水果方位对预测误差贡献较小。总体不确定性估计在可接受范围内。
研究结论翻译：开发了一种紧凑型自动苹果分选机原型，适用于非破坏性流动分类和按产品类别分选苹果。实验机器在0.12–0.20 m/s传送带速度下稳定运输水果。测试中采集了1250个水果样本，涵盖五种品种，实现了代表性评估。开发并标定了计算机视觉系统，提供多帧成像，稳定检测苹果轮廓，获取几何参数。实现了数字图像处理算法，自动提取直径（D）、高度（h）、投影面积（S）和表面颜色比例（Δcolor）。相关性分析确认投影面积与重量相关性最高，用于间接重量估计。建立了品种特异性回归模型，实现无称重传感器自动分类（非常小70–90 g、小90–135 g、中等135–200 g、大200–300 g）。实验表明，最佳运行模式为0.16 m/s，此时吞吐量约400 kg/h，分类准确率约92%。该系统的工程意义在于集成紧凑传送带、低成本CV模块、间接重量估计算法和PLC控制分选执行器，无需机械称重，降低了复杂性和成本。实际应用面向中小型农场、教育实验室和区域水果加工设施。当前局限性包括：回归模型仅针对五种哈萨克斯坦品种在受控光照下标定，RGB实现主要关注外部品质，无法检测内部缺陷。未来研究将聚焦于泛化模型、自动品种识别、深度学习缺陷检测及多光谱质量评估。总体而言，该紧凑型分选机证明了经济可行的CV技术可为中小型农业企业提供有效的商业分级，同时保持满意的分类准确性和实时操作能力。
