基于图像处理、机器学习和智能手机决策支持的西瓜内部品质无损评估

《Smart Agricultural Technology》：Non-destructive assessment of watermelon internal quality using image processing, machine learning, and smartphone-based decision support

　　

西瓜（Citrullus lanatus）是一种全球广泛消费的水果，然而其品种差异尚未得到充分描述，且在很大程度上未被消费者认知。因此，内部品质评估仍然具有挑战性，因为仅凭外部属性无法可靠推断内部品质。本研究旨在比较三个西瓜品种（Sweet Baby、Rocky 475、Kinaree 457）的功能特性，并开发一种基于机器学习的移动应用程序（mobile app）来预测其内部品质属性。研究人员采用总酚含量（Total Phenolic Content, TPC）、2,2-二苯基-1-苦基肼（2,2-Diphenyl-1-picrylhydrazyl, DPPH）自由基清除活性和铁离子还原抗氧化能力（Ferric Reducing Antioxidant Power, FRAP）分析了所选品种的功能特性。研究人员从西瓜图像中提取外部特征，用于训练五种机器学习（Machine Learning, ML）模型，以预测西瓜品种、甜度、果肉颜色和硬度。此外，研究人员还开展了一项调查，以评估消费者对市场上现有西瓜的满意度。调查结果显示，超过50%的受访者对市场上西瓜的甜度和果肉颜色不满意。生化分析显示，不同西瓜品种的生物活性化合物和抗氧化活性存在显著差异（p < 0.05）。Kinaree 457的TPC（5.07 mg GAE/100 g FW）和DPPH活性（7.47 mg TE/100 g FW）最高，而Sweet Baby的FRAP活性最高（5.96 mg Fe²⁺ Eq/100 g FW）。相关性分析（r > 0.8）显示，内部品质性状与果实重量、像素面积和熵等特征之间存在强关联。随机森林（Random Forest, RF）模型在四个预测属性中取得了最高的平均准确率（95.98%）、精确率（96.86%）、召回率（93.97%）和F1分数（95.22%），并随后被集成到移动应用程序中。研究结果证明了该应用程序作为支持消费者知情决策的科学工具的潜力。

**基于图像处理与机器学习的西瓜内部品质无损评估及智能手机决策支持系统研究解读**

西瓜（Citrullus lanatus）作为全球广泛消费的水果，其内部品质的评估一直是消费者和研究者关注的焦点。当前市场中的主要问题在于，消费者在购买整瓜时，往往只能依赖外皮颜色、敲击声音和果实大小等外部特征进行判断，而外部特征与内部品质（如甜度、果肉颜色和硬度）之间缺乏可靠的对应关系，导致购买后的不满意情况普遍存在。同时，依靠人工经验判断内部品质具有很强的主观性。此外，现有研究大多聚焦于预测单一属性（如成熟度或甜度），综合评估多个内部品质参数的研究尚显不足。因此，开发一种能够利用外部特征无损、快速且综合评估西瓜内部品质的工具，对于提升消费者决策质量具有重要意义。

本研究旨在比较三个在斯里兰卡种植的西瓜品种（Sweet Baby、Rocky 475、Kinaree 457）的功能特性，并基于机器学习技术开发一个支持决策的移动应用程序，以实现对西瓜品种、甜度、果肉颜色和硬度四个内部品质属性的同步预测。研究还通过消费者调查了解市场需求，并通过生化分析揭示品种间的功能差异，从而弥合技术评估与消费者认知之间的鸿沟。该研究成果发表于《Smart Agricultural Technology》，为西瓜品质的智能化评估提供了新的技术路径。

在技术方法上，研究人员从斯里兰卡Puttalam地区采集了74个西瓜样本（Sweet Baby 30个、Rocky 475 30个、Kinaree 457 14个），涵盖成熟和未成熟果实。研究首先采用总酚含量（TPC）、DPPH自由基清除活性和铁离子还原抗氧化能力（FRAP）三种生化分析法评估品种功能特性。图像采集使用固定距离（30 cm）和统一背景，通过Python进行图像预处理与特征提取，提取的特征包括像素面积、颜色指标（RGB、色调、饱和度）、纹理特征（标准差、熵）以及形状描述符。研究人员训练了K最近邻（KNN）、支持向量分类器（SVC）、多层感知器（MLP）、决策树（DT）和随机森林（RF）五种机器学习模型，并结合MultiOutputClassifier实现多属性同步预测。此外，研究还纳入了感官验证环节，以15名评价员对基于Brix值的甜度分类进行验证。最终模型被集成到基于Flutter和Flask开发的跨平台移动应用中。

研究结果分为多个方面。消费者调查方面，结果显示新鲜度被67.2%的受访者列为首要品质属性，但对甜度不满意者高达89.6%，对果肉颜色不满意者占68%，这表明市场现有西瓜品质与消费者期望存在明显差距。生化分析方面，三个品种的TPC、DPPH和FRAP值均呈现显著差异（p < 0.05），其中Kinaree 457的TPC（5.07 mg GAE/100 g FW）和DPPH活性（7.47 mg TE/100 g FW）最高，而Sweet Baby的FRAP活性最高（5.96 mg Fe²⁺ Eq/100 g FW）。此外，大果比小果具有更高的TPC和DPPH活性，水提取比甲醇提取效率更高。内部品质评估方面，所有品种的成熟大果均表现出最高的Brix值和a^*值（果肉红度），以及最低的硬度力值，未成熟果实则相反，这符合果实成熟过程中的糖分积累、色素形成和组织软化的生理规律。特征相关性分析显示，重量、像素面积和熵与甜度和果肉颜色呈强正相关（r > 0.80），与硬度呈强负相关（r < -0.75），表明这些外部特征可有效预测内部品质。感官验证方面，Brix值分类与感官评价的加权准确率分别为Sweet Baby 86.81%、Rocky 475 88.50%和Kinaree 457 93.22%，证实了该分类方法的可靠性。模型性能方面，RF模型表现最佳，四个属性上的平均准确率达到95.98%，精确率96.86%，召回率93.97%，F1分数95.22%，优于DT、MLP、KNN和SVC模型。最终选择的RF模型被集成到移动应用中，该应用引导用户输入重量并拍摄照片，经过背景去除和特征提取后，以标签形式直观显示品质预测结果。

在讨论部分，研究人员指出，不同抗氧化测定方法反映的抗氧化机制存在差异：DPPH主要评价自由基清除能力，而FRAP侧重铁离子还原能力，因此同一品种在不同测定中的表现不同。提取溶剂的影响明显，水提取效率优于甲醇，这可能与西瓜果肉中酚类化合物以亲水性为主有关。研究还注意到TPC值低于前人报道，并将其归因于采收季降雨量大导致的酚类物质稀释和合成受限。模型表现方面，RF模型的高性能与其对多特征非线性关系的处理能力有关，且与前人研究相比，本研究的RF模型准确率更高，这归因于预测属性数量、样本量和特征工程的差异。研究结论部分强调，该移动应用展示了作为科学工具支持消费者在购买点做出知情决策的潜力，有助于提升消费者对不同西瓜品种品质差异的认知。同时，研究人员也明确指出研究的局限性，包括样本来源单一（仅斯里兰卡Puttalam地区一个收获季）、图像采集设备单一（仅HONOR X7a手机）、固定拍摄条件、重量需手动输入以及模型验证范围有限等，未来需要更多样化的数据集和真实场景测试来提升系统的泛化能力与实用性。