基于机器视觉的百香果在线分级与无损重量测量方法

《Horticulturae》：A Machine Vision-Based Method for Online Grading and Non-Destructive Weight Measurement of Passion Fruit

　　

针对采后传送线条件下百香果分选存在的外观检测不准确、重量估计不精确以及自动化水平低等技术挑战，本研究提出了一种基于改进YOLOv11n的智能检测与分级模型YOLOv11n-ACH。通过集成混合倒置块（Hybrid Inverted Block，HIB）模块、ASF-YOLO尺度融合机制和卷积注意力融合机制（Convolutional Attention Fusion Mechanism，CAFM），该模型有效缓解了传送带表面、残留植物材料及光照变化引起的严重果实遮挡与背景干扰。由此，高精度指标mAP@50-95达到99.4%，较基线模型提升3.9个百分点。在此基础之上，研究人员将ByteTrack多目标跟踪算法与水平动态尺度标定技术相结合，构建了融入置信度优先帧选择机制的实时分级与计数系统。研究建立了基于形态特征的多元线性回归质量估计模型（R² = 0.9617）。该回归模型利用500个果实开发，并使用采自同一果园的另一个不重叠的500个果实队列对其性能进行了独立评估。利用12个水平标定点，研究人员构建了三次样条插值函数，以补偿所测试固定成像配置下像素-物理尺度随水平位置的变化。在独立质量验证队列中，该系统取得了平均绝对误差（MAE）2.54 g、均方根误差（RMSE）3.21 g以及平均绝对相对误差（MARE）5.65%的性能。第三个不重叠的1568个果实队列被用于端到端的通过级计数与操作分级评估。该轻量级解决方案为所测试的采后传送线条件下的百香果分选提供了一种工程化途径。

**基于改进YOLOv11n的百香果在线分级与无损称重系统研究解读**

**一、研究背景与存在问题**

钦蜜9号黄金百香果在采后流通过程中需对成熟度、可见缺陷、尺寸和重量进行一致性评估。当前多数产区仍依赖人工目视分选，该模式不仅劳动密集、效率低下，且易受主观因素影响，导致大小、颜色和缺陷的分级标准缺乏一致性。传统动态检重秤虽物理测量精度高，但在高频振动和复杂工况下适应性受限。早期基于颜色和形状特征的机器视觉方法对环境光照变化、传送带背景噪声及果实表面纹理差异高度敏感，在高速振动、果实滚动堆叠和复杂光影干扰下易出现严重漏检。以卷积神经网络（CNN）为代表的深度学习技术虽在农作物检测中取得显著进展，但通用模型在动态传送线环境中仍面临未成熟果实与残留植物材料或复杂背景混淆、轻量模型检测稳定性不足等挑战。因此，亟需开发可灵活部署于果园或包装车间的自动化智能分选设备，以实现实时、非接触的个体识别与质量属性精准量化。

**二、研究内容与总体结论**

研究人员提出了一种面向实际分选场景的改进智能检测与分级模型YOLOv11n-ACH，整合了自研混合倒置块（HIB）模块、ASF-YOLO尺度融合机制与卷积注意力融合机制（CAFM），以增强传送线条件下的特征提取能力。同时将ByteTrack多目标跟踪算法与水平位置相关尺度标定方法相结合，构建了实时分级与计数系统。研究结果表明，YOLOv11n-ACH的mAP@50-95达99.4%，较基线提升3.9个百分点；在独立质量验证队列中，质量估计MAE为2.54 g、RMSE为3.21 g、MARE为5.65%；通过级事件计数准确率为98.21%，总体分级准确率为96.81%。该研究为采后传送线条件下钦蜜9号百香果的智能分选提供了可靠的理论依据与工程参考。论文发表于《Horticulturae》。

**三、主要技术方法**

研究数据来源于福建省武平县钦蜜9号百香果标准化分选生产线，采集3条独立运行分级线的视频，经筛选标注构建了含6000幅图像、61064个标注实例的数据集，按6:2:2划分，并采用序列级划分策略防止数据泄漏。模型方面，在YOLOv11n骨干中引入自研HIB模块（大核深度可分离卷积、倒置瓶颈结构与ECA通道注意力）以扩大有效感受野（ERF），集成ASF-YOLO尺度融合机制，并嵌入CAFM双流注意力结构。质量估计方面，利用500个商业合格果实（队列A）建立以纵径（DL）和横径（DT）为自变量的多元线性回归（MLR）模型；另设500个果实独立验证队列（队列B）与1568个果实端到端评估队列（队列C）。系统采用12点水平标定结合三次样条插值补偿像素-物理尺度的横向变化，并通过置信度优先帧选择机制从跟踪序列中保留最优观测。

**四、研究结果**

**3.1 模型训练结果与消融实验：** 以YOLOv11n-obb为基线设计消融实验，所有模型在相同超参数下独立训练3次并取均值。单独引入HIB使mAP@50-95提升3.0个百分点；完整YOLOv11n-ACH（N8）取得最优mAP@50-95，较基线提升3.9个百分点，且单帧推理时间减少约0.2 ms，表明轻量HIB模块有效补偿了注意力与尺度融合机制引入的计算开销。

**3.2 不同模型对比分析：** 与YOLOv8n-obb相比，YOLOv11n-ACH的精度提升2.2个百分点、召回率提升3.7个百分点、mAP@50-95提升6.8个百分点，参数量减少约14.3%；与Rotated Faster R-CNN相比，mAP@50-95高出11.3个百分点，前向推理时间仅为其约1/23，验证了模型在检测精度与推理效率上的双重优势。

**3.3 检测与质量测量结果：** 系统部署于分选线起始段，YOLOv11n-ACH能够在高速运动和密集堆叠场景下精准输出定向边界框（OBB）与果实类别。基于队列A的最终回归方程为：质量 = ?75.3799 + 12.8304×DL + 10.1601×DT（R² = 0.9617，p < 0.001），各回归系数均显著。队列B独立验证中MAE为2.542 g、MARE为5.65%。归一化混淆矩阵显示成熟、未成熟和劣质果实的对角线召回率均达0.99以上，证明模型具备精细分级所需的纹理与颜色特征捕捉能力。

**3.3.1 质量估计的统计性能与误差分析：** 队列B中，低于40 g的果实MAE为4.290 g，40–50 g区间为2.221 g，高于50 g为1.755 g，表明较轻果实绝对预测误差较大。纵径与横径的方差膨胀因子（VIF）均为4.391，低于常用参考值5；Breusch-Pagan检验未检测到显著性异方差（p = 0.587）。在40 g和50 g分级边界±2 g窗口内，队列B的误分类率分别为45.68%和37.50%，提示边界附近果实的等级归属具有较高不确定性，实际部署中应标记复检。

**3.3.2 操作分级规则与参考标准的关系：** GB/T 40748-2021与Codex STAN 316-2014作为参考文件。本研究使用的小于40 g、40–50 g、大于50 g质量阈值为福建武平百香果采购商提供的本地商业规则，并非Codex重量代码或GB/T官方质量等级；系统仅评估图像可观测的外观指标与估计单果质量，不构成对上述标准的严格符合性判定。

**3.4 通过级计数与操作分级结果：** 基于ByteTrack的虚拟碰撞检测线计数逻辑，在生产线3的1568个真实果实通过事件评估中，系统漏检23个、重复计数5个，事件级计数准确率为98.21%。按外观与质量综合分级，1518个果实分级正确，总体分级准确率为96.81%，实现了从视觉感知、质量估计到产量统计的闭环自动化。

**五、讨论总结与研究结论**

讨论部分指出，高精度检测是分选自动化的核心驱动力。YOLOv11n-ACH通过HIB模块与CAFM增强了特征提取鲁棒性，mAP@50-95达99.4%，可减少优质果误判为劣质果或反之所带来的直接经济损失，并为生产管理提供批次平均单果重与劣果率的实时反馈。针对密集堆叠场景，ASF-YOLO机制通过增强边缘和纹理感知，使模型在严重遮挡下仍能利用残余视觉线索推断完整轮廓，同时建议配合机械分散装置从源头降低遮挡复杂度。在视觉计数与单果质量估计方面，基于二维图像特征结合线性回归模型可实现高精度实时分级，单目视觉方案相比RGB-D深度相机方案在硬件成本与计算负荷上更具优势，适合大规模在线产量估计与初筛。研究同时指出局限性：视觉模型仅能识别外部可见症状，无法检测无表面表现的内部病害；置信度优先帧选择机制尚需独立姿态标注和对照实验验证；数据仅来自单一地理区域与单一采收季，跨区域、跨季节、多品种的泛化性有待进一步验证；12点水平标定不能完全校正三维透视效应与离面果实姿态变化。

研究结论为：本研究开发了面向钦蜜9号百香果实时分级与无损重量测量的智能YOLOv11n-ACH模型。通过集成HIB、ASF-YOLO和CAFM模块，模型达到了99.4%的mAP@50-95，较YOLOv11n-obb基线提升3.9个百分点。回归模型基于500个果实开发，并使用采自同一果园的另一个不重叠的500个果实队列进行了独立传送带验证，在所测试条件下MAE为2.54 g、RMSE为3.21 g、MARE为5.65%。第三个不重叠的1568个果实队列用于端到端通过级计数与操作分级评估，事件级计数准确率为98.21%，总体分级准确率为96.81%。研究成功实现了横向动态尺度标定与置信度优先帧选择机制，用于在动态分选环境中从每个跟踪序列保留一个代表性观测。然而，系统目前缺乏内部品质检测能力，在极端遮挡或光照剧烈变化环境下的鲁棒性仍需进一步优化。该技术框架为所测试生产线条件下钦蜜9号百香果的智能分选提供了可靠的理论基础与工程参考，但更广泛的工业部署仍需在不同作业环境、光照条件和果实品种中进行进一步验证。