基于深度学习的蓝莓质量自动分级系统开发

《Food Control》：Development of a Deep Learning-Based System for Automated Blueberry Quality Grading

　　

摘要：在冷冻水果加工中，解冻后维持类新鲜品质仍是核心挑战。声学-额外冷冻（AEF）或超声波辅助冷冻等创新冷冻技术旨在使水果在解冻后尽可能接近鲜果状态，但这要求进入加工流程的原料始终保持高初始品质。本研究建立了一套基于AI图像分析系统的蓝莓冷冻前标准化预选流程，用于自动化质量评估。我们编译了一个涵盖多个质量等级的综合图像数据集，用于模型训练、验证和测试。处理流程将DeepLabV3+分割与ResNet-50骨干网络相结合，并采用多级EfficientNet分类级联结构，根据颜色、形状和表面缺陷等视觉特征将单个蓝莓分配到预定义的质量类别中。在保留的、按组分离的专家共识测试集上，最终级联系统达到了0.6908的准确率和0.7130的宏平均F1分数，94.38%的样本被正确分类或归类至相邻的一个质量类别。感官描述符和仪器Lab*测量值为视觉定义的质量类别提供了补充表征。该工作流程为在标准化采集条件下基于图像的蓝莓预选提供了可重复的基础。此外，所提出的工作流程代表了面向应用、经过系统评估的分级原型，并为后续在特定加工条件下的集成提供了技术依据。在生产线性能声称之前，仍需使用独立批次和连续产品流进行外部验证。

引言

水果的新鲜度和品质是安全高质量食品生产的重要前提。鲜果含有最高水平的维生素、矿物质和生物活性化合物，这些不仅对营养具有重要意义，也对味觉、香气和质地等感官属性至关重要。大量研究表明，随着新鲜度下降，营养水平显著降低，微生物风险增加，这凸显了在整个价值链中严格质量管理的重要性（Kays, 2004）。

浆果类水果因其富含生物活性化合物（包括多酚、多糖、维生素和抗氧化剂）而备受青睐，这些化合物对其营养和保健价值具有重要贡献。对多种浆果物种的研究表明，维持水果品质对于在整个加工链中保持这些有益健康的成分至关重要（Li et al., 2022）。因此，加工前的客观质量评估是最大化产品品质和价值的重要前提。

在冷冻水果中，蓝莓因其高商业价值、细腻表皮和消费者对视觉外观的强烈期望而具有特殊相关性。即使是微小的表面缺陷、变色或真菌污染也会大幅降低其市场价值和加工适宜性。由于冷冻技术在很大程度上保留了水果的外部外观，蓝莓冷冻前的初始品质成为最终产品品质的决定性因素。

在食品加工行业——如烘焙店、糖果厂或水果泥和果汁制造商——所用水果的品质直接影响最终产品。受损、过熟或微生物污染的水果不仅会导致感官和外观缺陷，还可能对食品安全构成风险。外表看似完好但内部存在损伤、瘀伤或早期微生物变化的水果尤其值得关注。这些缺陷在加工过程中不会得到缓解，反而往往变得更加明显（Hu et al., 2022）。

当水果需要在进一步加工前冷冻时，选择高品质水果尤为重要。现代技术如AEF冷冻法宣称解冻后的水果在外观和感官属性上几乎与鲜果无法区分（Oldenburg et al., 2025; Pechurin & Livinskaya, 2021）。然而，该技术只有在所用原料无霉菌、微观缺陷、软烂斑点或污染的情况下才能实现最佳效果。这一要求对于糖果应用——如蛋糕装饰用果或甜点配料——更为关键，因为视觉完美性、结构完整性和稳定的质地是不可替代的条件。冷冻技术的研究证实，低质量或受损水果不会因冷冻而改善，结构弱点往往在解冻后更加明显（Delgado & Sun, 2001; Wu et al., 2017）。近期研究进一步表明，超声和其他波辅助加工技术直接与植物组织结构相互作用，并影响加工过程中的降解动力学。这些发现强调，先进保鲜技术的有效性高度依赖于原料的初始结构完整性。因此，冷冻前的客观质量评估至关重要，以确保在能量密集的保鲜加工前识别出具有严重结构缺陷的水果（Fu et al., 2026）。

为确保加工前的水果品质，食品行业采用了广泛的机械、光学和传感器分拣技术。机械系统如石子吹风机、振动筛和辊式分拣器主要用于去除粗大异物、石子、叶子以及过小或过大的水果。虽然这些方法提供了基础层面的分拣，但在检测更细微的品质特征方面能力有限（Oldenburg et al., 2026）。

机械分拣系统通常具有极高的加工容量，因此适合快速去除粗大污染物或超出预定尺寸范围的水果。然而，由于其判断主要基于物理尺寸或机械特性，它们无法可靠区分细微的品质特征，如轻微变色、早期真菌感染或表面缺陷。相比之下，基于AI的视觉系统通常需要更高的计算资源，但能通过同时评估多种视觉特征实现更为详细和客观的质量评估。因此，这两种方法在工业分拣线中应被视为互补技术而非竞争关系。

正因如此，光学分拣系统近年来日益普及。利用高速相机、近红外传感器、高光谱成像或激光扫描，这些系统能够对水果品质进行更精确的评估。它们不仅捕捉颜色和形状，还能获取表面结构、水分分布、成熟度和早期内部缺陷信息。高光谱相机尤其能够在数百个波长范围内分析水果，从而检测到即使是微量的霉菌、脱水或结构降解迹象。科学研究表明，高光谱成像能够可靠识别人眼无法察觉的内部缺陷（Jiang et al., 2010; Ngadi & Liu, 2010）。尽管取得了这些进展，许多现有光学分拣系统仍受限于高硬件复杂度、昂贵的采集成本或对高光谱或近红外等专用成像模态的依赖。此外，传统视觉系统通常依赖于手工特征或预定义阈值，这可能限制其对自然生物变异和个体间细微品质差异的适应性。相比之下，本研究提出的方法将标准化RGB图像采集与基于深度学习的分类流程相结合，能够在受控条件下使用相对简单的成像硬件实现自动化质量分级，同时保持高重复性。这种组合在技术复杂度、分类性能和面向应用的部署潜力之间提供了实用的平衡。

虽然高光谱成像能够获取水果内部特性和早期缺陷的有价值信息，但其实施通常需要专用成像硬件、复杂的校准程序和更高的计算量。人工智能的集成带来了重大突破。机器学习使分拣系统能够识别大数据集中的模式，并根据质量准则自动分类水果。经过训练的AI模型可从数千张参考图像中学习哪些特征表明新鲜度、成熟度或变质。因此，这类系统往往比人工检查或纯基于规则的方法更具一致性和可靠性。AI驱动的分拣系统已在工业环境中实施，增强了食品安全并提高了分拣过程的效率（Palakurti, 2022）。

在上述发展的基础上，本研究提出了一种标准化的基于深度学习的图像分析流程，用于冷冻前的蓝莓自动化质量分级。与更复杂的光学检测系统相比，该方法依赖常规RGB成像、受控图像采集和深度学习，提供客观、可重复且成本相对较低的质量评估。所开发的工作流程旨在为蓝莓的应用导向预选提供基础，通过减少主观人工检查同时保持高分类一致性。由于其标准化的成像设置和经济的硬件需求，所提出的概念为在中小型食品加工环境中的集成提供了实用途径，但仍需在预期生产条件下进行验证。

各节摘要

水果选择与准备

为模型开发和训练，本研究仅选用蓝莓作为目标水果类型。为使人工智能接触自然变异的全谱系，我们使用了多个不同品种，确保在形状、大小、颜色强度和表面特征方面的多样性。

为增加数据集的变异度并提高所提出分类系统的鲁棒性，纳入了多个品种的蓝莓。数据集包含多个质量等级和变异水平。

分割性能

在标准化成像条件下，分割阶段能够可靠地将单个蓝莓从背景中分离出来。在五折按图像交叉验证中，分割模型的平均像素IoU为0.9800 ± 0.0024，平均Dice系数为0.9899 ± 0.0012。这些结果表明，在独立评估的图像折中蓝莓区域勾画的一致性，并为后续的实例级分类提供了可靠基础。

讨论

结果表明，基于颜色、形状和可见表面特征的AI流程能够在标准化成像条件下重现专家定义的分级结构。Li et al.（2024）也展示了面向任务特定分阶段的方法论价值，他们在三阶段光学分析流程中分离了去噪、预测和误差补偿。定量一致性由独立测试指标体现，感官描述符和Lab*测量值为视觉定义的等级提供了互补表征。

结论

本研究的结果表明，所开发的基于AI的图像分析系统能够在标准化成像条件下对蓝莓进行分割并根据视觉定义的质量类别进行分类。分割性能始终保持高水平，最终级联系统在保留的、按组分离的专家共识测试集上达到了0.6908的准确率和0.7130的宏平均F1分数；94.38%的样本被正确分类或归类至相邻的一个类别。

CRediT作者贡献声明

Leif-Alexander Garbe：撰写——审阅与编辑、监督、资源、项目管理、方法学、资金获取、概念设计。Michael Nelles：撰写——审阅与编辑、监督、项目管理、概念设计。Lando Maximilian Garbe：撰写——审阅与编辑、撰写——原稿、可视化、软件、方法学、形式化分析、数据管理。Katrin Oldenburg：撰写——审阅与编辑、撰写——原稿、可视化、验证。

未引用参考文献

Ben Jmaa et al., 2025; CVAT.ai_Corporation, 2026; Guo et al., 2017; Kays and Robert, 2004; Lei et al., 2026; Wang et al., 2024。

数据可用性声明

本研究中呈现的数据可在补充材料中获取，并可根据通讯作者的请求提供。

利益冲突

作者声明不存在利益冲突。资助方未参与研究设计；数据收集、分析或解释；稿件撰写；或发表结果的决定。

伦理声明——人类和动物研究

在感官评估之前，参与者口头和书面均被告知所收集的数据将用于科学发表目的。参与是自愿的，并在感官评估前获得了所有参与者的知情同意。参与者有权随时无理由退出研究。

所有经过品尝评估的产品均适合人类食用。不再适合食用的产品已被排除。

生成式AI和AI辅助技术在稿件撰写过程中的声明

在本文撰写过程中，作者使用了Open AI的Deep Research来辅助基于文献的现有图像处理技术探索。因此，决定使用哪种架构的决策过程受到了AI的影响，最终决定使用DeepLabV3+和EfficientNets。使用该工具后，作者根据需要审查并核实了生成的信息，并对已发表文章的内容承担全部责任。

资助

K.O.和L.-A.

G. 获得了德国联邦经济和能源部及欧洲社会基金加（BMWE/ESF Plus 03EFMV0037）的资助，而 K.O. 还额外获得了技术咨询研究所有限公司（德语：Technologie-Beratungs-Institut GmbH；TBI-5-023）的资助。利益冲突声明?作者声明以下财务利益/个人关系，这可能被视为潜在的利益冲突：Katrin Oldenburg 报告称，其获得了德国联邦经济和能源部及欧洲社会基金加（BMWE/ESF Plus 03EFMV0037）的财务支持，并额外获得了技术咨询研究所有限公司（德语：Technologie-Beratungs-Institut GmbH；TBI-5-023）的资助。Michael Nelles 报告称获得了德国的财务支持 Katrin Oldenburg|Lando Maximilian Garbe|Michael Nelles|Leif-Alexander Garbe 德国诺伊布兰登堡应用科学大学，17033 诺伊布兰登堡，德国