基于图像的深度学习检测与多性状评分框架对中国杨梅（Myrica rubra）外部品质性状的评估

《Foods》：Image-Based Assessment of External Quality Traits in Chinese Bayberry (Myrica rubra) Using a Deep Learning Detection and Multi-Trait Scoring Framework

　　

中国杨梅（Myrica rubra）是一种广泛受欢迎的水果，具有独特风味和高营养价值。精确高效的中国杨梅外部品质性状评估方法对于机器自动分选以确保质量并提高经济价值至关重要。在此，研究人员开发了一种基于深度学习检测和多性状评分框架的自动评估流程，用于中国杨梅采后品质分级。首先，应用YOLOv11框架检测中国杨梅果实，该网络由基于CSPDarknet的骨干网络（包含C3k2模块）、SPPF（空间金字塔池化快速，Spatial Pyramid Pooling Fast）模块、双向PANet（路径聚合网络，Path Aggregation Network）颈部以及三个解耦检测头组成。实验结果显示，杨梅类别的精确率为0.9991，召回率为1.0000（mAP@0.5 = 0.9950，mAP@0.5:0.95 = 0.8632）。此外，品质评分模型基于改进的AlexNet骨干网络构建，与其他七个CNN（卷积神经网络，Convolutional Neural Network）模型相比，提供了更稳定的训练和更高的准确性。R²（决定系数）、MAE（平均绝对误差，Mean Absolute Error）和RMSE（均方根误差，Root Mean Square Error）显示预测值与参考值之间高度一致，揭示了对六种水果品质性状（包括半径、颜色深度、颜色类别、颜色均匀性、表面损伤面积比和饱满度）的可靠估计。这一自主研发的流程提供了一种全面有效的评估方法，以提高水果品质和经济价值，进一步促进了自动化农业生产。

论文解读：基于深度学习检测与多性状评分框架的中国杨梅外部品质评估

**研究背景与问题**

中国杨梅（*Myrica rubra*）以其独特风味和高营养价值在消费市场中广受欢迎，鲜果年产值达63亿元。然而，杨梅果实柔软多汁，缺乏坚韧外皮，易受机械损伤和真菌侵染，导致贮藏期短、商品价值下降。此外，外部物理特征（如大小、颜色）对商品价值至关重要。目前采后品质评估依赖人工目视检查和触觉经验，存在主观性强、效率低、损失大的问题，难以满足规模化种植和高端市场需求。因此，亟需开发高效、客观的自动化品质检测方法，以减少损失并保障品质。计算机视觉与深度学习（DL）技术已在苹果、柑橘等水果的识别、分类和质量评估中广泛应用，但针对杨梅这类小果实、表面特征细微且易密集簇生的目标，尚缺乏兼具小目标特征捕捉能力和多维品质评价能力的智能检测模型。

**研究内容与结论**

为解决上述问题，研究人员开发了一套基于深度学习检测与多性状评分框架的自动评估流程，用于杨梅采后品质分级。该流程首先采用YOLOv11框架实现果实检测，随后基于改进的AlexNet骨干网络构建多任务品质评分模型，同时预测半径、颜色深度、颜色类别、颜色均匀性、表面损伤面积比和饱满度六个外部品质性状。实验结果表明，检测阶段对杨梅类的精确率达到0.9991，召回率1.0000，mAP@0.5为0.9950，mAP@0.5:0.95为0.8632；评分阶段的R²、MAE和RMSE指标显示预测值与专家标注参考值高度一致，颜色分类准确率达0.9792。通过与其他七种CNN骨干网络（SqueezeNet、MobileNetV3-Small、ShuffleNetV2、VGG11、ResNet18、ResNet34、EfficientNet-B0）的对比，AlexNet在多任务评分中表现最稳定且准确。该研究提供了一种全面有效的评估方法，可提升水果品质与经济价值，并促进自动化农业生产。论文发表于《Foods》。

**关键技术方法（<250字）**

研究数据来源于浙江省宁波市五个果园，采集不同生长阶段（40天、50天、60天、70天）的杨梅果实，共1350张图像（分辨率640×640像素）。检测阶段采用YOLOv11框架，其骨干网络基于CSPDarknet设计，集成C3k2模块、SPPF模块、双向PANet颈部及三个解耦检测头，使用AdamW优化器训练100个周期，应用Mosaic、MixUp等数据增强策略。多任务评分模型基于改进的AlexNet骨干，共享特征提取后分为六个任务特定头（五个回归头和一个分类头），采用基于同方差不确定性（homoscedastic uncertainty）的加权多任务损失函数进行端到端训练，使用AdamW优化器（学习率3×10^?4），训练100个周期，数据集按70:20:10划分为训练集、验证集和测试集，并确保同一果实的所有裁剪图像归属同一子集以防止数据泄漏。

**研究结果**

**3.1 检测性能**：YOLOv11检测模型在训练中损失函数稳定下降，未出现明显过拟合。精确率、召回率在约40个周期后达到稳定平台，召回率接近1.00，所有标注果实几乎全部被检测到。mAP@0.5为0.9950，mAP@0.5:0.95为0.8632，混淆矩阵显示杨梅类与背景类近乎完美分离。定性检测示例表明模型能准确检测不同大小和颜色阶段的果实，并忽略背景干扰。

**3.2 质量评分性能**：AlexNet多任务模型在训练中损失快速下降并收敛，验证损失与训练损失接近。回归任务中，半径、颜色深度、颜色均匀性的R²值较高，MAE和RMSE较低，预测值与参考值拟合良好；表面损伤面积比的R²相对较低，误差较大，反映出局部化、不规则损伤的预测难度；饱满度表现居中。测试集（n=48）上，半径、颜色深度、颜色均匀性、表面损伤面积比、饱满度的R²分别为0.9676、0.9750、0.9640、0.8660、0.5956，颜色分类准确率为0.9792。与基于裁剪框长宽比的朴素几何基线相比，深度学习模型对饱满度的预测（MAE=10.1393，RMSE=13.1845，R²=0.5956）显著优于基线（MAE=18.1128，R²=?0.4197）。

**3.3 不同骨干网络多任务质量评分性能比较**：在八种骨干网络（AlexNet、SqueezeNet、MobileNetV3-Small、ShuffleNetV2、VGG11、ResNet18、ResNet34、EfficientNet-B0）中，对于大小和颜色相关性状，多数模型表现良好，AlexNet在半径和颜色均匀性上表现最优或接近最优。对于表面损伤面积比和饱满度等复杂性状，AlexNet的MAE和RMSE更低，R²更高，优于更深网络（如ResNet34、EfficientNet-B0）。总体而言，AlexNet在参数数量最多（约60.2M）但计算成本（0.93 GMACs）适中的情况下，提供了最佳的综合性能，表明对小型多属性数据集，较浅的网络结构更合适。

**讨论总结**

讨论部分指出，YOLOv11检测阶段的高召回率和稳定mAP为后续评分提供了可靠基础，其性能优于或持平于苹果、柑橘等水果的检测研究，且能应对杨梅颜色深、纹理细、对比度低的挑战。评分模型选择AlexNet而非ResNet18的原因在于，AlexNet的浅层结构更匹配小数据集规模，减少了过拟合风险，且其内置的Dropout正则化有利于处理主观标签噪声。不同性状的可预测性差异源于特征本质：大小和颜色是全局视觉特征，易于提取；而表面损伤和饱满度分别受限于局部化、低对比度以及二维图像无法直接反映三维形状的固有局限。多任务损失中的不确定性加权策略自适应平衡了异质性任务。在模型部署方面，AlexNet在准确性与效率（计算成本）之间取得了良好平衡。局限性包括：数据集规模有限且采集条件固定（实验室均匀光照、单一视角），可能限制跨果园、季节或设备的泛化性；专家标注存在主观性；未进行独立的检测测试集划分。未来工作将扩展数据集，引入域自适应技术，增加多位标注专家，并探索深度或光谱等多模态数据以改善形状和内部品质预测。

**研究结论部分**（翻译自摘要最后一句）：这一自主研发的流程提供了一种全面有效的评估方法，以提高水果品质和经济价值，进一步促进了自动化农业生产。