基于深度卷积神经网络（CNN）模型的腰果苹果果实成熟度分级

《International Journal of Fruit Science》：Maturity Grading of Cashew Apple Fruit Using Deep CNN Models

　　

腰果苹果（Cashew apple）果实对印度果阿（Goa）等沿海地区的经济具有重要作用，被广泛用于鲜食与果汁生产，其市场价值与品质密切相关，而品质受成熟度阶段影响。研究人员提出一种基于深度卷积神经网络（Convolutional Neural Network, CNN）的自动化腰果苹果成熟度分级系统。研究采用多种预训练模型——AlexNet、ResNet-50、MobileNetV2、VGG19及自定义设计的CNN——将腰果苹果划分为过熟（overripe）、成熟（ripe）与未熟（unripe）三类。数据集来自印度果阿两座农场，经预处理与数据增强后用于训练与验证。自定义CNN取得最高分类准确率78%，在过熟与未熟等级上F1-score达0.83；该模型含17.2×106参数，模型大小68.8 MB，实时推理速度191 FPS（5.24 ms）。MobileNetV2在成熟等级上F1-score达0.71，且为最轻量架构。结果经5折交叉验证与积分梯度（Integrated Gradients, IG）验证，特征归因可靠。本研究为自动化腰果苹果分级及未来无人机部署提供了基础。

研究背景方面，水果品质评估对消费者满意度和市场价值最大化至关重要，但传统人工分级方法主观且低效，导致浪费与采后损失。腰果苹果在印度沿海地区尤其果阿具有特殊经济与营养价值，但其成熟度（受颜色、形状、纹理影响）人工判别困难。已有深度学习（Deep Learning, DL）在水果质量与成熟度分类研究多聚焦苹果、番茄等常见水果或通用缺陷检测，针对腰果苹果这一特定区域水果的成熟度精细分级研究稀缺，且现有模型常依赖小规模同质数据、缺乏面向农户的可部署决策工具。因此，研究人员开展本研究，旨在构建田间高精度图像数据集，系统评估预训练与自定义CNN架构对腰果苹果三阶段成熟度分级的性能，并引入可解释性分析，为无人机辅助采收等实际应用奠基。该论文发表于《International Journal of Fruit Science》。

关键技术方法上，研究人员于果阿两座农场使用三星Galaxy A34 5G智能手机在自然光照下采集腰果苹果RGB图像共900张（每成熟度等级300张），由ICAR-DCR农业科学家按外观形态标注为未熟、成熟、过熟。图像统一缩放至224×224像素并归一化至0–1，按70:20:10划分训练、测试、验证集，训练集施以旋转、翻转、裁剪、高斯噪声等10种增强至每类2310张。采用迁移学习微调AlexNet、ResNet-50、MobileNetV2、VGG19的ImageNet预训练骨干，自定义CNN从零训练，含4个卷积块（滤波器32–256，3×3，ReLU，批归一化，最大池化2×2）与全连接块（256、128神经元，Dropout 0.4/0.3，L2正则λ=0.01），Adam优化器，分类交叉熵损失，早停patience=10，约117轮收敛。评估指标含准确率、精确率、召回率、F1-score、推理速度（FPS），并以5折交叉验证与积分梯度（Integrated Gradients, IG）做可解释性验证。

研究结果部分，在预训练模型结果中，ResNet-50整体测试准确率59%，成熟类F1-score仅0.32，过熟0.72、未熟0.65，表明冻结特征提取器致泛化不足；AlexNet准确率76%，未熟F1-score 0.82、过熟0.79、成熟0.66；MobileNetV2准确率77%，成熟类F1-score 0.71（精确率0.67、召回率0.77）为全体最优，过熟0.80、未熟0.79，且参数量2.3×10⁶、模型9.2 MB最轻量；VGG19准确率65%，成熟类F1-score 0.51，过熟0.73、未熟0.70。在自定义CNN模型结果中，自定义CNN整体准确率78%最高，过熟F1-score 0.83（精确率0.79、召回率0.87）、未熟0.83（精确率0.87、召回率0.80）、成熟0.69（精确率0.68、召回率0.69），参数量17.2×10⁶、大小68.8 MB、推理191 FPS（5.24 ms）。在CNN模型比较中，自定义CNN于过熟/未熟占优、MobileNetV2于成熟占优；混淆矩阵显示误分多发生于成熟与过熟边界，源于生物学渐变；IG归因图证实自定义CNN聚焦果体颜色过渡、绿区、皱缩变色区等成熟度相关区域且比MobileNetV2更一致集中；5折交叉验证进一步确认自定义CNN泛化优于预训练架构。

讨论部分指出，相较既往常见水果受控环境研究，本研究用田间图像处理区域特异性腰果苹果具竞争力；局限含数据来自单一地理区域、仅RGB、规模中等致成熟类易误分。未来应扩样本、跨季节地域、引入多光谱与CLAHE等预处理、结合理化参数、部署至移动端或无人机。

结论部分翻译：本研究旨在通过AlexNet、ResNet-50、MobileNetV2、VGG19及自定义CNN对腰果苹果图像进行未熟、成熟、过熟三级分级以革新腰果产业。自定义CNN以78%总体准确率领先，过熟与未熟F1-score 0.83，MobileNetV2成熟类F1-score 0.71最优；自定义CNN含17.2×10⁶参数、68.8 MB、191 FPS（5.24 ms），AlexNet推理最快235 FPS，MobileNetV2最轻（2.3×10⁶参数、9.2 MB），自定义CNN在准确率与部署效率间最佳平衡。IG分析证自定义CNN比MobileNetV2更聚焦判别区。成熟类跨模型易混淆源于与过熟颜色差异微小及阴影视图干扰。扩充悬挂过熟与未熟样本可缓解。该技术可拓展至其他农产品，降低人工成本、提升农户收益与品质定价。