一种改进的深度神经网络系统，用于草莓成熟度检测与分类

《Applied Fruit Science》：An Improved Deep Neural Network System for Strawberry Ripeness Detection and Classification

草莓成熟度检测面临高形态变异、结构脆弱及货架期短挑战，本研究提出基于改进鲸鱼优化算法（IWOA）的草莓检测与成熟度评估系统，通过优化特征提取和分类模型，在StrawTex数据集（6000样本/5类）上实现98.23%准确率，显著优于KNN、SVM及ResNet50等模型，为农业自动化提供可靠解决方案。

　　

摘要

在现代农业中，准确识别水果的成熟度对于确保产品质量、优化采收时机以及减少采后损失至关重要。在各种水果作物中，草莓由于形态变化大、结构脆弱且保质期短，因此面临特别的挑战，这使得自动化、高精度的检测成为现代农业系统的必备手段。为了解决这些挑战，本研究提出了一种基于改进的鲸鱼优化算法（IWOA）的草莓检测与成熟度检测（S-Det）系统，该系统将优化驱动的特征提取与基于深度学习的分类相结合。所提出的框架结合了一个经过IWOA优化的自动编码器，用于实现紧凑且具有区分性的特征表示，以及一个同样经过IWOA优化的深度神经网络（DNN），用于精确地对草莓的成熟度阶段进行多类分类。对传统的鲸鱼优化算法（WOA）进行了两项关键改进：使用余弦相似度进行种群多样性监控，以及改进的螺旋位置更新机制，这两项改进共同提升了算法的收敛速度，并防止了在复杂农业数据集中的过早停滞。实验在包含6000个草莓纹理样本的StrawTex数据集上进行，这些样本涵盖了五个成熟度类别。所提出的IWOA-DNN系统实现了98.23%的分类准确率、98.25%的精确度、98.26%的召回率和0.9824的F1分数，其性能优于经典模型（如k最近邻算法KNN，准确率为92.17%；支持向量机SVM，准确率为92.06%）以及先进方法（如粒子群优化-DNN PSO-DNN，准确率为97.62%；WOA-DNN，准确率为97.72%；预训练的ResNet50模型，准确率为97.73%）。这些结果证实了基于IWOA的系统的卓越学习能力、收敛稳定性和泛化能力，证明了其在实际农业自动化应用中的潜力。总体而言，研究结果表明，所提出的S-Det框架为草莓成熟度检测提供了一种高效、智能且高度可靠的解决方案，具有在智能分拣线和机器人采收系统中实时应用的强大潜力。此外，该方法在各种精准农业任务中也有广泛的应用前景。