《Computers》：Bridging Two Worlds: Sensor Technologies and AI for Fruit Detection in Latin America and Beyond—A Scoping Review
编辑推荐：
本项范围综述综合了35项关于传感器技术与人工智能在水果检测、分类及质量评估中的研究，对比了拉丁美洲与国际研究传统。分析表明，所纳入的拉丁美洲与国际研究在技术方法上存在显著差异：拉丁美洲研究倾向于强调通过经典计算机视觉与低成本硬件开发可获取、实用的解决方案，而国
本项范围综述综合了35项关于传感器技术与人工智能在水果检测、分类及质量评估中的研究，对比了拉丁美洲与国际研究传统。分析表明，所纳入的拉丁美洲与国际研究在技术方法上存在显著差异：拉丁美洲研究倾向于强调通过经典计算机视觉与低成本硬件开发可获取、实用的解决方案，而国际研究更常采用深度学习架构、多模态传感及完整的机器人自动化系统。在所纳入的研究中，对人工智能辅助农业从业者决策支持、包容性考虑不足以及环境可持续性在智能传感系统设计中的整合稀缺等问题关注相对有限。本综述发现，35项研究中仅有8项源自拉丁美洲，表明现有证据的地理分布不均。所纳入的研究普遍报告了高准确率，但这些发现必须谨慎解读，因为其依赖于可能无法代表真实世界变异性的精修数据集。所审查的证据表明，未来研究可能受益于互补策略的深思熟虑整合，而非单一主导方法，包括知识迁移、边缘计算民主化及以人为本的设计。总体而言，本综述指出，最终目标超越了准确率指标，转向提升全球农业景观中粮食安全、经济发展与环境可持续性的农业实践转型。需注意，本研究并未提出或验证新的水果检测算法，而是综合并批判性评估了现有关于传感器技术与人工智能应用于水果检测与质量评估的科学证据。
本综述基于PRISMA-ScR（Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews）指南，从Scopus、IEEE Xplore及Google Scholar数据库中检索，最终纳入35项研究。以下对论文主体部分按小标题进行总结。
**1. 引言**
引言指出全球农业处于技术十字路口，人工智能（AI）、传感器技术与计算机视觉的融合有望变革传统实践。水果的自动检测、分类与质量评估对发达及发展中国家具有重大经济意义。非破坏性质量评估系统能从主观、劳动密集型的人工检查转向客观、快速、可扩展的自动化解决方案。计算机视觉作为AI子领域，结合卷积神经网络（CNN）、YOLO（You Only Look Once）及视觉变换器（ViT）等深度学习架构，在许多应用中达到接近或超过99%的准确率。多模态传感（如近红外光谱、高光谱成像、3D扫描）进一步扩展了系统能力，可评估内部品质属性。拉丁美洲作为主要水果出口地区，技术采用不均，受限于设备、计算资源与专业知识。本范围综述旨在综合现有证据，对比拉丁美洲与国际研究，探讨技术景观、优势与局限，并识别整合方向。研究问题包括：技术方法、区域对比、农业应用及关键盲区。
**2. 相关工作**
综述了现有文献，指出先前综述（如Ukwuoma等[18]、Sawant等[20]）聚焦于深度学习性能，但缺乏对区域差异、人本AI、包容性、部署就绪、可解释决策支持及可持续性的系统分析。本综述通过明确对比拉丁美洲与国际研究传统，填补了这一空白。此外，新兴的基于物理的传感技术（如光学光谱、荧光成像、表面等离子体共振（SPR）、电化学生物传感器）与AI结合，正成为非破坏性品质检测的新方向。
**3. 方法论**
采用范围综述方法，遵循PRISMA-ScR指南，协议预注册于开放科学框架（OSF）。检索数据库包括Scopus、IEEE Xplore及Google Scholar，时间跨度为2012年1月至2026年5月。由于检索结果庞大（242,310条），采用实用策略：对每个数据库按相关性排序，筛选前300条记录。纳入标准包括：聚焦水果检测/分类/质量评估，使用传感器或AI，有实证评估，涉及农业重要性水果，同行评议期刊或会议论文，语言为英语或西班牙语。排除概念性、无实证、非农业应用等研究。最终纳入35项研究，其中8项来自拉丁美洲，27项来自国际。质量评估采用混合方法评估工具（MMAT）改编版，结果显示77.1%为高质量，17.1%为中等，5.7%为低质量。数据提取结构化框架，由两名独立评审员进行，并评估了评分者间信度。
**4. 结果**
**4.1 传感器技术**：RGB成像占主导（97%），但国际研究更多采用高光谱成像、近红外光谱、多光谱、3D扫描、X射线等多模态传感。拉丁美洲研究几乎完全依赖RGB成像，仅个别使用超声波/声学传感器。这种差异反映了资源约束与对可获取解决方案的侧重。
**4.2 计算方法**：拉丁美洲研究更依赖经典机器学习/计算机视觉（如Otsu阈值、边缘检测、支持向量机（SVM）、人工神经网络（ANN）），而国际研究广泛采用深度学习（CNN、YOLO变体、视觉变换器（ViT）、DETR系列）。知识蒸馏、多任务学习、实例分割及迁移学习仅出现在国际研究中。
**4.3 目标作物与地理研究重点**：拉丁美洲研究聚焦于出口导向型作物（香蕉、菠萝、百香果、辣椒等），紧密关联区域经济。国际研究涵盖更广的作物多样性（苹果、番茄、芒果、蓝莓等），并利用大规模公共数据集（如FruitNet、Freshness44）。
**4.4 性能结果与泛化挑战**：大多数系统报告准确率超过90%，部分接近100%。但拉丁美洲研究准确率范围更窄（80%-96%），国际研究波动更大（82%-100%）。高准确率需谨慎解读，因为许多研究基于精修数据集；泛化测试显示性能在跨环境时可能下降。国际研究开始采用多条件测试，而拉丁美洲研究多为单条件验证。
**4.5 农业生产阶段**：多数研究聚焦于采后应用（质量分级、缺陷检测、成熟度评估、货架期预测）。拉丁美洲全部8项研究均为采后。国际研究也有采前应用（如田间检测）及机器人采收系统综合。
**4.6 研究-实践差距与部署挑战**：拉丁美洲研究停留在实验室原型或算法开发阶段，无现场或边缘部署。国际研究展现出更多样化的部署场景，包括商业分选机（如Fan等[61]）、田间分级系统（Zhang等[55]）及机器人采收系统（Wang等[50]、Yu等[53]）。边缘计算（如TinyML、NVIDIA Jetson）成为缩小差距的可行方向。
**5. 讨论**
**5.1 范围综述的附加价值**：本综述整合了异质性证据，揭示了区域技术差异、传感策略、部署就绪度、AI可获取性及未充分探索的维度（可持续性、包容性、人本农业创新）。
**5.2 拉丁美洲方法：约束下的实用创新**：强调实用、可获取、低成本解决方案，如使用树莓派、Arduino及经典计算机视觉。研究体现对区域经济重要作物的深度关注，但受限于资源与数据集规模。
**5.3 国际方法：推动技术边界**：采用最先进深度学习、多模态传感融合及机器人集成。研究追求峰值性能，如视觉变换器、多任务学习及传感器融合（如Zhao等[56]的SSD+Vis/NIR）。边缘计算与模型压缩（如Shi等[45]的BR-DETR-Prune）成为部署关键。
**5.4 批判性分析：优势、劣势与盲点**：拉丁美洲模型优势在于可获取性、上下文相关性及经典技术深度，但面临先进传感设备匮乏与泛化能力有限。国际模型成就卓越，但可能脱离中小生产者需求，且增量性能提升的实践价值存疑。共同盲点包括：AI辅助决策支持被忽视、包容性不足、环境可持续性缺失。研究资助作为技术发展驱动因素被提及。
**5.5 高实验室准确率为何不总能转化为现场性能**：实验室数据集（均匀光照、标准定位、低复杂度背景）导致模型过拟合。现场部署面临光照变化、遮挡、运动、成熟度差异等分布偏移。需更代表真实场景的数据集、数据增强、域适应及多模态融合。
**5.6 前进之路：整合、民主化与人本设计**：未来方向在于知识转移与边缘计算民主化、持续培育本地化解决方案，以及转向人本设计（可解释性、包容性、环境可持续性）。混合云-边缘架构被预期。
**6. 本范围综述的局限性**
包括方法学异质性、实验室数据集与现场差异、地理分布不均（仅8项拉丁美洲研究）、相关性筛选策略可能遗漏文献、以及AI辅助决策等主题只在少数研究中明确涉及。
**7. 结论与未来工作**
**7.1 结论**：拉丁美洲与国际研究并非优劣之分，而是不同背景与约束的反映。整合双方优势——国际技术先进性结合拉丁美洲实用问题解决——可创造强大且可获取的AI系统。最终目标是提升粮食安全、经济发展与环境可持续性。未来AI平台将采用混合边缘-云架构。
**7.2 未来工作**：承认局限性，包括筛选策略可能遗漏、未进行元分析、未系统提取资助信息。未来综述可采用更全面的筛选策略并纳入资助分析。
