基于深度學習的水果品質分級方法綜述

中圖分類號：TP183 文獻標識碼：A文章編號：2096-4706（2025）16-0039-05

Abstract：Fruit quality grading isa key link inagricultural productionand food processing，which directly affects productvalueandmarketcompetitivenes.Inrecent years，with thedeclinecomputer hardwarecostandthe improvement performance，DeepLearning technologyhasdevelopedrapidly，providinganewsolution for fruitqualitygrading.Firstly， this paper introduces the core principle Deep Learing，and compares the characteristics typical algorithms such as Convolutional Neural NetworkandRecurent Neural Network.Secondly，theresearch status fruit quality gradingmethods basedonDeepLeaming athomeandabroad iscomprehensivelyreviewed.Finally，inview the problems existing inthe current fruitquality grading methods，the futureresearch directionand developmentsuggestionsareputforward.Thisstudycan notnlyprovidethoreticalreferencefortheinnovationfruitqualitygradingtechnology，utalsoprovideimportanttechical reference for the development agricultural intelligence.

Keywords： fruit quality grading; Deep Learning; feature extraction; image processing

0 引言

我國地處寒、溫、熱三帶，適宜不同品種水果的種植。得益于地形、氣候類型的多樣性，我國生產的水果品種豐富。近年來，我國水果種植面積持續擴大，產量持續上升。據國家統計局數據，2018一2023年，我國水果產量增長了約0.7億噸，增幅約為 27.2% 年均復合增長率約為 4.93% 。

作為關系到生產和民生的重要經濟作物，水果的商品化率高于谷物類等糧食，在農民生產生活中發揮著重要作用。數據顯示，2023年我國水果零售市場規模為1.22萬億元，預計到2026年有望增長至1.8萬億元。水果在采摘、運輸和儲存過程中會出現水分蒸發、果皮損傷等現象，導致重量、外觀、氣味、口感等發生變化，品質逐漸下降，這不僅影響消費體驗，還可能引發食品安全問題。近年來，人們越來越追求品質。因此，高端優質水果的市場份額不斷增加，通過對水果進行品質分級，可篩選出高品質水果，不僅能滿足消費者的需求，還能實現優果優價、以質論價。

美國、日本等國家在20世紀80年代開始了水果品質分級技術的研究。我國水果品質分級技術起步較晚，目前主要采用人工和機械方式進行分級，存在效率較低、易損傷水果等缺點[。基于深度學習的水果品質分級方法通過深度學習等技術提取圖像特征，實現水果品質分級，具有分級指標多、效率高、不損傷水果等優點，近年來得到了廣泛應用。

1 深度學習

深度學習作為機器學習領域的一個重要分支，近年來在圖像識別、自然語言處理、語音識別等諸多領域取得了突破性進展，推動了人工智能技術的快速發展。其核心在于模擬人腦神經網絡的層次化結構，通過多層的非線性變換從數據中自動學習特征表示，實現對復雜函數關系的逼近。神經網絡通過堆疊多個隱藏層，輔以非線性激活函數和正則化方法獲得非線性建模能力，能夠自動從海量數據中學習到對目標任務有用的特征，并獲得良好的性能表現。在計算機視覺領域，神經網絡在淺層網絡學習到的特征為顏色、紋理、邊緣、棱角等細節特征；隨著網絡層數的加深，深層網絡學習到的特征逐漸疊加為更加抽象的語義特征，通過在最后連接全連接層或分類器，網絡能夠根據學習到的特征自動得到目標任務所需的輸出。圖1為深度學習模型的基本流程，在訓練過程中，網絡從輸入端輸入訓練樣本，通過前向傳播得到網絡當前狀態下的預測值，通過損失函數比較網絡預測值與真實值之間的差異，運用反向傳播算法計算神經網絡每一層的梯度變化，更新網絡參數。如此往復，網絡在一輪輪更新中逐漸獲得解決目標任務的能力，實現了端到端的學習，中間過程無須人工介入。

圖1深度學習模型基本流程

隨著研究者的不斷探索，深度學習領域涌現了多種經典的網絡架構，它們在處理不同類型的數據和任務時展現了卓越的性能。目前典型的深度學習算法主要有卷積神經網絡（CNN）、循環神經網絡（RNN）、自編碼器、生成對抗網絡（GAN）等。各種算法的組成結構與特點如表1所示，這些典型算法經過不斷的優化與發展，衍生出了更多算法。

表1深度學習的主流算法

2 水果品質分級現狀

水果品質的評價是多方面的，既包括大小、形狀、色澤、表面缺陷等外部品質，又包括成熟度、堅實度、可溶性固形物等內部品質[]。目前，水果品質分級方法主要分為四類，分別是：基于人眼檢測的傳統方法、基于簡單機械的分級方法、基于光譜技術的分級方法和基于深度學習的方法。

1）傳統的水果品質分級是通過人眼判斷來實現的。對大批量的水果進行品質分級需要大量的人力和時間。此外，這種方法往往容易受到分揀人員主觀因素的影響。對于同一個分揀目標，不同的分揀員可能得出不同的分揀結果，這會導致較低的分揀效率和質量。

2）基于簡單機械的分級方法不易受到操作人員主觀偏差的影響，且相較于人工分揀，具有較高的分揀效率。為了滿足較高的水果分級效率需求，滾杠式分級機、輥式分級機、滾筒式分級機、帶式分級機、擋板式分級機和膜片式分級機[12]不斷出現在大眾視野中。但這些機械分級機一般只能進行簡單的機械分揀，即對水果的大小、形狀進行初步分級，無法對成熟度、表面缺陷等進行檢測。一些質地較軟的水果，比如草莓、藍莓，在機械分級過程中容易造成表皮損傷，進而影響水果品質。

3）基于光譜技術的分級方法是一種利用光譜技術（如可見光、近紅外光譜、高光譜成像等）對水果的內部和外部品質進行無損檢測和分級的技術。這種方法通過分析水果的光譜特征，可快速、準確地評估水果的成熟度、糖度、酸度、硬度、內部缺陷等品質指標。對于光信號而言，頻率越高，在傳輸過程中穿透能力越強，衰減越小。國內外學者利用可見光、近紅外光和高光譜獲取水果內部的化學成分含量[13-14]。目前，國外已開發出多種商用的光譜檢測設備，但光譜儀和高光譜成像系統的成本依舊較高。此外，光到達水果表面反射或透射的信號較弱，抗干擾能力差，大大限制了光譜技術在水果品質分級方面的廣泛應用。

4）隨著人工智能技術的快速發展，尤其是深度學習在圖像處理領域的廣泛應用，為水果品質的非破壞性檢測提供了新的解決方案。相較于人工方法，基于深度學習的分級方法具有較高的效率；與機械分級相比，機器視覺技術能提供無損傷方案；與基于光譜技術的分級方法相比，基于深度學習的分級方法具有較低的成本。全文將重點介紹基于深度學習的水果品質分級方法。

2.1 國內研究現狀

吳婧千等[15]提出了一種基于殘差網絡和圖像處理技術的水果識別與分級方法。通過分通道聚類分離水果與背景，利用輪廓檢測提取圖像主體，并采用18層殘差神經網絡進行水果分類。同時，結合數字圖像處理技術提取特征，實現水果分級。趙天義[]設計了一種改進的AlexNet卷積神經網絡算法，用于水果品質分級。該算法在保留AlexNet卷積層數的基礎上，優化了卷積核感受野大小，增加了池化層，并改進了網絡優化器。這些改進在減少網絡參數的同時，顯著提升了水果品質分級的識別準確率。王立揚等[7]提出基于改進型LeNet-5的蘋果自動分級法，通過加深網絡深度，采用LeakyReLU激勵函數和增加Dropout層來提高蘋果分級效率。蔡媛[18]提出了一種自動分級的CNN-SVM模型，該模型采用CNN-SVM，根據提取到的蘋果的顏色、形狀、紋理等特征進行分級。王迎超等[9]提出了一種基于K-means聚類和改進多層感知機（MLP）的蘋果分級方法。該方法采用K-means聚類分割果體與背景，然后提取蘋果的五種特征并送入MLP神經網絡中完成分級。李仁惠等[20]對卷積神經網絡算法進行調整，在網絡后增加Dropout層，有效地避免模型在訓練集上預測準確率高、損失值小，而在測試集上預測準確率低、損失值大的現象。繆鴻剛[21基于ResNet和Transformer提出了一種改進的神經網絡模型ResTNet，用于獼猴桃果實品質分級。首先利用圖像在S和Y顏色通道進行分割的方式對果實及缺陷進行分割，并提取表皮顏色、紋理、形狀大小及缺陷等外觀特征，隨后采用多特征融合方法進行分級，有效提升了分級準確率。鄢紫[22]提出了一種基于YOLOv5n的輕量化水果品種及新鮮度識別模型YOLO-FruitsandFreshnessDetection（YOLO-FFD）。通過改進主干網絡和頸部網絡，使用深度可分離卷積構建LightweightC3模塊作為主干網絡基本單元，減少模型大小并提升計算效率；同時，在頸部網絡引入基于大尺度深度可分離卷積的EnhancedC3模塊，增強特征融合能力，并采用GSConv降低計算復雜度，從而優化模型性能。

2.2 國外研究現狀

Asriny等[23]使用卷積神經網絡（CNN）對橙子圖像進行分類，模型包含兩個 3×3 池化層、一個 Stmax層和一個256節點的隱藏層。通過比較ReLU和tanh激活函數，發現ReLU性能更優，尤其在處理新數據集時表現更好。訓練數據分類準確率分別為ReLU的 98.6% 和tanh的 100% ，驗證準確率為ReLU的 92.8% 和tanh的 93.2% ，測試準確率為ReLU的 96% 和tanh的 93.8% 。 Ni 等[24]利用GoogLeNet對香蕉新鮮度進行預測。通過旋轉和平移對數據進行擴充，以提高模型的泛化能力，避免網絡過擬合。實驗結果表明，該模型在香蕉新鮮度分類中取得了良好的分類效果，識別準確率達到 98.92% 。Zhu等[25提出了一種兩階段香蕉分級系統。該系統可以采集傳送帶上的香蕉圖像。在第一階段，根據提取的由紋理和顏色特征組成的特征向量，采用SVM對香蕉進行分類。在第二階段，利用YOLOv3模型定位果皮的缺陷區域，并評估香蕉的成熟度。Kazi等[2實現并測試了經典CNN及CNN的各種架構（如AlexNet、ResNet50 和VGG-16），用于水果分級。Masoudi等[27]采用自適應神經模糊推理系統（ANFIS）和高斯過程回歸（GPR）模型對果實的質量和體積進行估計，并利用特定的預測模型將水果分級。Bhargava等[28]提出一種水果分級系統，用于區分四種水果并評估其質量等級。該系統通過提取圖像的紅、綠、藍值，使用分割合并算法分離背景。接著，提取顏色、統計、紋理、幾何等30個特征，其中幾何特征（12個）用于區分水果類型，其他特征用于質量評估。最后，采用KNN、SVM、稀疏代表分類器（SRC）和人工神經網絡（ANN）四種分類器對水果質量進行分類。Kumari等[29]通過主動輪廓模型進行果實分割，使用基于增強模糊的K-means聚類方法進行異常分割，然后進行特征提取，采用SA-CSO算法對特征向量進行約簡和優化，最后根據表面缺陷對水果的質量進行分類。Mukhiddino等人[30]提出了一種基于改進的YOLOv4模型的多類水果和蔬菜分類深度學習系統，該模型首先識別圖像中的對象類型，然后將其分為兩類：新鮮和腐爛。利用Mish激活函數增強所提出模型的主干，以實現更精確和快速地檢測與分級。Zhang等[31利用多任務學習（MTL）構建水果新鮮度檢測的深度卷積神經網絡，設計了一個MTL模型，同時優化新鮮度檢測和水果類型分類任務。該模型使用一個共享的CNN子網和兩個全連接任務頭。共享的CNN作為特征提取模塊，為兩個任務頭提供共同的語義特征。Yuan等[32]對深度特征進行融合，通過主成分分析將融合后的深度特征降維為具有代表性的低維特征空間，最后用三種機器學習方法檢測蔬菜和水果的新鮮度。

3 水果品質分級技術概括

目前，水果品質分級技術主要采用的深度學習模型如表2所示。盡管不同模型的性能和適用場景存在差異，但基于深度學習的水果品質分級方法的核心共性是從大量數據中提取特征，通過融合多種特征實現水果品質評估。

表2基于深度學習的水果品質分級方法對比

圖2為基于深度學習的水果品質分級算法的基本流程，主要包括以下步驟：

1）數據采集。利用高分辨率相機、近紅外光譜儀等設備，采集水果的外觀、顏色、紋理、糖度、酸度等數據。數據集應涵蓋不同品種、不同產地、不同季節、不同品質等級的水果，以提高模型的泛化能力。目前，公開的數據集包括Fruit-360、Fruitsfreshandrottenforclassification、DeepFruit、FruitQ。Fruit-360包含90.483張 100×100 像素的水果圖像，涵蓋131種水果，每個類別約490張圖像。數據集已按訓練集和測試集劃分，并提供了圖像類別標簽。Fruitsfreshandrottenforclassification包含5856張蘋果、香蕉和橙子的圖像，分為新鮮和腐爛兩類。數據集提供了圖像類別標簽和水果的RGB值。DeepFruit包含21122張水果圖像，涵蓋8種不同的水果組合。每張圖像包含四種或五種水果的不同組合。水果圖像是在不同盤子尺寸、形狀和顏色下，以不同角度、亮度水平和距離拍攝的。FruitQ包含11種常見水果的圖像，這些圖像被分為三種新鮮度等級，即新鮮、輕度腐爛、腐爛。

2）數據處理。將圖像縮放到統一尺寸，例如224×224 像素，以適應深度學習模型的輸入要求。可以根據水果在圖像中的位置進行裁剪，去除背景干擾。通過旋轉、翻轉、平移、縮放、添加噪聲等方式生成新的訓練樣本，增加數據多樣性，防止模型過擬合。對采集的數據進行去噪、增強、分割等處理，提高數據質量。

3）特征提取。利用圖像處理、信號處理等技術，提取與水果品質相關的特征，例如顏色直方圖、紋理特征、糖度等。特征提取是基于機器學習的水果品質分級技術中的關鍵步驟，其目的是從原始數據中提取出與水果品質高度相關、能夠有效區分不同品質等級的特征信息。特征提取的優劣直接影響到后續模型訓練的效率和最終分級的準確性。

4）模型訓練。利用深度學習算法（如CNN、YOLO等）及傳統機器學習算法（如SVM、KNN等），訓練分類模型，學習特征與品質等級之間的映射關系。

5）模型評估與優化。在驗證集和測試集上評估模型性能，確保模型的準確性和泛化能力。通過調整超參數、數據增強、模型微調等方法優化模型性能。

6）品質分級。將待分級水果的特征輸入訓練好的模型，即可預測其品質等級。

圖2基于深度學習的水果品質分級算法基本流程

4結論

目前，基于深度學習的水果品質分級技術面臨三個主要挑戰。首先，現有方法的分級結果主要依賴于水果的外部特征，如大小、形狀、表面缺陷、顏色和紋理等。然而，水果的腐爛往往始于內部，且在早期階段難以通過外觀察覺。因此，僅依靠外部特征難以全面評估水果的品質。為了解決這一問題，可整合圖像、光譜、重量、氣味等多源傳感器數據，構建多模態深度學習模型，從而實現對水果內外品質的綜合評估。例如，高光譜成像技術能夠檢測水果內部的糖分、水分和腐爛情況，而重量和密度數據則有助于判斷水果的成熟度和品質一致性。通過多模態數據的深度融合，模型能夠更全面地捕捉水果的品質特征，為分級決策提供更可靠的依據。

其次，深度學習模型的訓練過程依賴于大量標注數據，而數據標注不僅成本高昂，還極為耗時。為了減少對標注數據的依賴，可引入自監督學習或無監督學習技術，實現模型的自動化訓練與優化。例如，通過對比學習、生成式預訓練或聚類算法，模型可以從大量未標注數據中提取有效特征，從而減少對人工標注的依賴。

此外，在實際應用中，算法還需滿足實時處理的需求，這對模型的計算效率提出了更高要求。為此，可開發適用于嵌入式設備的輕量化模型（如MobileNet、ShuffleNet等），并通過模型剪枝、量化、知識蒸餾等技術降低計算復雜度，從而在保證精度的同時滿足實時處理的需求，推動水果分級技術在田間和生產線上的廣泛應用。

未來，隨著多模態數據融合、自監督學習、輕量化模型等技術的進一步發展，基于深度學習的水果品質分級方法將更加智能化、高效化，為農業生產提供更精準、更可靠的解決方案，助力農業現代化和智能化升級。

參考文獻：

[1]徐賽，陸華忠，丘廣俊，等.水果品質無損檢測研究進展及應用現狀[J].廣東農業科學，2020，47（12）：229-236.

[2]LONGJ，SHELHAMERE，DARRELL T.FullyConvolutional Networks for Semantic Segmentation [C]//2015IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Boston：IEEE，2015：3431-3440.

[3] KRIZHEVSKY A，SUTSKEVER I，HINTON G.ImageNet Classification with Deep Convolutional Neural Networks[J].Communications ACM，2012，60（6）：84-90.

[4] HOCHREITER S，SCHMIDHUBER J. Long Short-Term Memory[J].Neural Computation，1997，9（8）：1735-1780.

[5] CHUNG JY，GULCEHRE C，CHO KH，et al.Empirical Evaluation Gated Recurrent Neural Networks onSequence Modeling [J/OL].arXiv：1412.3555 [cs.NE].[2025-01-03].https：//doi.org/10.48550/arXiv.1412.3555.

[6] GAO L，TOUR TDL，TILLMANH，et al. Scalingand Evaluating Sparse Autoencoders [J/OL].arXiv：2406.04093 [cs.LG].[2025-02-05].https：//doi.org/10.48550/arXiv.2406.04093.

[7]VINCENTP，LAROCHELLEH，BENGIOY，et al. Extracting and Composing Robust Features with DenoisingAutoencoders [C]//ICML'08： Proceedings the 25th internationalconference on Machine learning.Helsinki：ACM，2008：1096-1103.

[8] KINGMA D P，WELLING M. Auto-EncodingVariational Bayes [J/OL].arXiv：1312.6114 [stat.ML].[2025-01-15].https：//doi.org/10.48550/arXiv.1312.6114.

[9] MIRZA M，OSINDERO S. Conditional GenerativeAdversarial Nets [J/OL].arXiv：1411.1784 [cs.LG].[2025-01-09].https：//doi.org/10.48550/arXiv.1411.1784.

[10] RADFORD A，METZ L， CHINTALA S. UnsupervisedRepresentation Learning with Deep Convolutional GenerativeAdversarialNetworks [J/OL].arXiv：1511.06434 [cs.LG].[2025-01-17].https：//doi.org/10.48550/arXiv.1511.06434.

[11]王曉云，喬豪杰，劉鳳麗，等.基于機器視覺的水果品質分級方法綜述[J].成組技術與生產現代化，2023，40（1）：6-13.

[12]楊松夏，陸華忠，呂恩利，等.球形水果機械式大小分級技術研究現狀[J].農機化研究，2012，34（8）：235-239.

[13] BLASCO J，ALEIXOS N，GOMEZ J， et al. CitrusSorting by Identification the Most Common Defects UsingMultispectral Computer Vision [J].Journal Food Engineering，2007，83：384-393.

[14]張小斌，朱怡航，趙懿瀅，等.基于可見／近紅外光譜的水蜜桃糖度無損檢測方法優化研究[J].浙江農業學報，2023，35（7）：1617-1625.

[15]吳婧千，汪麟，林琦嵐，等.殘差網絡與圖像處理在水果品質分級中的應用[J].福建電腦，2022，38（10）：1-6.

[16]趙天義.基于缺陷多特征融合和卷積神經網絡的水果品質分級算法研究[D].沈陽：東北大學，2019.

[17]王立揚，張瑜，沈群，等.基于改進型LeNet-5的蘋果自動分級方法[J].中國農機化學報，2020，41（7）：105-110.

[18]蔡媛.基于CNN_SVM模型機器學習算法的蘋果分級方法研究[D].哈爾濱：哈爾濱工業大學，2021.

[19]王迎超，張婧婧，賈東霖，等.基于K-means聚類

和改進MLP的蘋果分級研究[J].河南農業科學，2023，52（1）：

161-171. [20] 李仁惠，張根茂，李丹霞，等.基于Dropout的

CNN水果品質分級模型研究[J].南方農機，2024，55（16）：

130-132+172. [21]繆鴻剛.基于圖像多特征融合和神經網絡的獼猴桃品

質分級研究[D].武漢：華中農業大學，2023. [22]鄢紫.基于深度學習的水果檢測與新鮮度分級技術研

究[D].武漢：武漢輕工大學，2024. [23]ASRINYDM，RANI S，HIDAYATULLAHAF，et

al. Orange Fruit Images Classification using Convolutional Neural

Networks [J].International Conference on Information Technology

and Digital Applications 2019 （ICITDA 2019）.Yogyakarta：IOP，

2020，803：012020. [24] NI JG，GAO JY，DENG L M，et al. Monitoring

the Change Process Banana Freshness by GoogLeNet [J].IEEE

Access，2020，8：228369-228376. [25] ZHU L L， SPACHOS P. Support Vector Machine and

YOLO for a Mobile Food Grading System [J/OL].Internet

Things，2021：100359[2025-02-03].https：//doi.0rg/10.1016/

j.iot.2021.100359. [26] KAZI A，PANDA S P.Determining the Freshness

Fruits in the Food Industry by Image Classification Using Transfer

Learning [J].Multimedia Tools and Applications，2022，81：

7611-7624. [27] MASOUDI H，ROHANI A. Citrus Fruit Grading Based

on the Volume and Mass Estimation from Their Projected Areas

Using ANFISand GPRModels[J].Fruits，2021，76（4）：169-

180. [28]BHARGAVA A，BANSAL A.Automatic Detection

andGrading Multiple Fruits byMachineLearning[J].Food

Analytical Methods，2020，13：751-761. [29]KUMARI N，DWIVEDIRK，BHATTAK，et

al.Automated Fruit Grading Using Optimal Feature Selection

and Hybrid Classification by Self-Adaptive Chicken Swarm

Optimization：Grading Mango [J].Neural computing and

applications，2022，34：1285-1306. [30]MUKHIDDINOV M，MUMINOVA，CHO J.

Improved Classification Approach for Fruits and Vegetables

Freshness Based on Deep Learning [J/OL].Sensors，2022，22（21）：

8192[2025-01-26].https：//doi.org/10.3390/s22218192. [31] ZHANGY S，YANG X D，CHENG YB，et al. Fruit

Freshness Detection Based on Multi-Task Convolutional Neural

Network [J/OL].Current Research in Food Science，2024，8：

100733[2025-01-16].https：//doi.0rg/10.1016/j.crfs.2024.100733. [32] YUANY，CHEN X L. Vegetable and Fruit Freshness

Detection Based on Deep Features and Principal Component

Analysis [J/OL].Current Research in Food Science，2024，8：

100656[2025-02-11]. htps：//doi.0rg/10.1016/j.crfs.2023.100656.

作者簡介：楊豫婷（1997—），女，漢族，廣東惠州人，

助理講師，碩士研究生，研究方向：深度學習、圖像處理。