有机与非有机：利用可见光成像、热成像以及深度学习和传统方法实现精确的水果分类

《Journal of Food Measurement and Characterization》：Organic vs. non-organic: accurate fruit classification leveraging visible and thermal imaging with deep and traditional methods

非破坏性有机检测方法研究：基于可见/热成像与机器学习/深度学习模型，通过80+80苹果和60+60蘑菇数据集，提取GLCM、HOG等传统特征及融合多模型CNN，实现苹果可见光100%、热成像92.35%和蘑菇97.3%、100%分类精度，验证混合方法的有效性。

　　

摘要

有机水果和蔬菜在种植过程中不使用合成化学物质，其质量依赖于土壤、水资源、植物健康以及人类健康的维持。本文提出了一种利用可见光和热成像技术对有机与非有机苹果和蘑菇进行无损分类的方法。研究采用了两种不同的方法：传统特征提取和深度学习。该研究使用了一个公开可用的数据集，其中包含80个有机苹果和80个非有机苹果，以及60个有机蘑菇和60个非有机蘑菇，每种水果都从多个角度拍摄了多张图片。数据集共有1,033张可见光图像和1,043张热图像。在第一种方法中，通过对图像进行分割后提取了多种纹理和形状特征（如GLCM、能量值、Gabor滤波器输出的熵值以及HOG），以表征图像特征。随后使用遗传算法（GA）进行特征选择，并通过LDA、SVM、RF和MLP进行分类。在第二种方法中，训练并比较了13个预训练的CNN模型，同时将分类层替换为一个定制的模块以防止过拟合。此外，还开发了一种混合特征提取器，结合了MobileNetV2、DenseNet169和ResNet152的最后一层，以提高分类的鲁棒性。实验结果表明，基于深度学习的方法在可见光图像和热图像中对苹果的分类准确率分别达到了100%和92.35%（使用LDA和RF）。对于蘑菇，SVM在可见光图像和热图像中的分类准确率分别为97.30%和100%。本研究强调了结合可见光和热成像技术以及传统机器学习和深度学习方法在准确区分有机与非有机水果方面的潜力。未来的工作将探索更先进的特征提取方法，并研究可见光图像与热图像的融合，以更好地表征水果特征。数据集链接：https://data.mendeley.com/datasets/pwzk7dj5wf/1 代码链接：https://github.com/Zahramashayekhpour/organic-and-nonorganic-fruits-classification-based-on-traditional-machine-learning-and-deep-learning。