基于热成像与深度学习的果蔬损伤表征：跨数据集评估研究

《EUROPEAN FOOD RESEARCH AND TECHNOLOGY》：Thermal imaging-based characterization of fruit bruising using deep learning: a cross-dataset evaluation study

　　

摘要

热成像已成为一种有效的无损检测技术，用于农产品内部质量缺陷的测量和表征。本研究在受控采集条件下开发了两个用于苹果和番茄碰伤检测的热图像数据集，并系统地研究了其在基于热成像的质量评估中的潜力。数据集采用主动热成像方法结合多角度成像方案构建，以捕捉与组织退化相关的温度变化。为了评估所获取热模式的判别能力，采用基于迁移学习的深度学习模型（包括 ResNet-18、MobileNetV2 和 EfficientNet-B0）作为计算分析工具。在数据集内评估下实现了高分类性能，准确率超过 90%，证实热响应为碰伤检测提供了可靠指标。为了进一步评估测量框架的鲁棒性，进行了跨数据集实验，即将训练于一种水果的模型应用于另一种水果。结果显示分类准确率大幅下降，从番茄到苹果为 52.1% 至 72.3%，从苹果到番茄为 63.7% 至 77.5%，表明存在强数据集依赖性以及对水果结构和热特性变化的敏感性。混淆矩阵和 ROC 分析表明在域偏移条件下判别能力降低，并突出了系统性误分类模式。还观察到不对称泛化行为，表明某些数据集表现出更多样化和可迁移的热特征表示。这些发现强调了当前数据驱动方法在处理基于热成像表征任务变异性方面的局限性。提出的数据集和评估框架为水果碰伤测量和分析提供了可重现的基准，有助于更稳健的无损质量评估。