《Smart Agricultural Technology》：Real-Time Monitoring Application of Orange Maturity and Quality Attributes Using a Lightweight YOLOv8s–GBR Hybrid Framework
编辑推荐：
为应对传统柑橘成熟度与品质检测方法在复杂环境下存在的设备成本高、校准繁琐、难以实时应用等挑战，本文研发了一种将优化的梯度提升回归（GBR）与改进的YOLOv8s目标检测相结合的混合深度学习框架。该模型能够从图像中实时精准预测柑橘的五种主要成熟度级别和三类缺陷，并通过集成GBR模型同步预测多项理化属性，最终部署为一款高精度、用户友好的Android应用程序，为精准农业提供了便携、智能的解决方案。
在当今的全球水果贸易中，柑橘是产量和消费量最大的水果之一，其品质和成熟度的精准控制对于保障果农收益、优化供应链管理、减少采后损失以及满足消费者对高品质鲜食和加工产品的需求至关重要。然而，在果园复杂的生长模式、多变的环境条件、不确定的气候因素以及有限的种植信息背景下，准确估算产量和实现自动化采收依然面临着严峻挑战。传统的果实成熟度与品质评估，依赖于专家经验、目视观察，或是近红外光谱、高光谱成像、气相色谱-质谱联用等分析技术，这些方法不仅设备昂贵、需要频繁校准，其复杂的数据分析流程也阻碍了在水果品质评估中的大规模、实时应用。特别是在需要便携式或实时系统的场景下，如果园现场采收决策，如何实现及时、准确且低成本的水果成熟度预测，是食品工业和精准农业领域亟待解决的关键难题。
面对这些挑战，研究人员Pouya Bohlol、Jala Mohammadzadeh、Bahareh Jamshidi、Mahmoud Omid和Masoud Hashemi Shahraki在《Smart Agricultural Technology》期刊上发表了一项研究，他们开发了一种创新的混合智能算法框架，旨在实现柑橘成熟度与品质属性的实时、准确检测。这项研究的核心是构建一个“智能算法-移动应用”的闭环系统，不仅追求模型的预测精度，更致力于将其转化为实际可用的工具。
为了构建和验证这一系统，研究团队开展了一系列严谨的工作。首先，他们构建了一个高质量、多样化的数据集。团队从伊朗多个省份（包括戈尔甘、马赞达兰、吉兰、克尔曼和法尔斯）的果园中，收集了来自“Thomson”和当地品种的共计600个柑橘样本。这些样本涵盖了五种不同的成熟度阶段：未熟、半熟、成熟、成熟后储存30天和45天，以及三类主要缺陷：黑斑、霉变和瘀伤。对每个样本，研究人员都测量了其关键理化属性，包括可滴定酸度(TA)、总可溶性固形物(TSS)、成熟度指数(TSS/TA)、pH值、维生素C和总糖含量。与此同时，利用定制的计算机视觉系统，在果园自然光照和实验室可控光照两种环境下，使用多款智能手机捕获了大量原始图像和视频，最终构建了包含8000张原始图像，并经过数据增强扩展至16000张的图像数据集。图像与理化数据通过唯一识别码严格对齐，确保了数据质量。
在技术方法层面，研究采用了“两步走”的混合建模策略。第一步，针对理化属性的预测，研究人员从预处理后的图像中提取了手工特征，包括颜色（Lab和HSV空间）、纹理（局部二值模式LBP和灰度共生矩阵GLCM）和统计特征。利用这些特征，他们训练并比较了多种机器学习回归模型，包括多元线性回归、支持向量回归、k-最近邻和梯度提升回归(GBR)，以寻找预测TA、TSS、成熟度指数等属性的最佳模型。第二步，针对成熟度级别和缺陷的视觉识别，研究评估了从YOLOv7到YOLOv12共12种不同规模和版本的单阶段目标检测算法。为了在保持高推理速度的同时降低计算复杂度，研究团队选择了YOLOv8s作为基础架构，并通过消融实验优化了其超参数（如批大小、学习率、优化器），并创新性地集成了特征金字塔网络(FPN)层，专门设计了一个用于检测小目标的P2预测头，从而提升了模型对黑斑、霉变等细小缺陷的检测能力。最终，性能最佳的改进版YOLOv8s与优化后的GBR模型耦合，并转换为TensorFlow Lite (TFLite)格式，集成到使用Kotlin语言和Android Studio开发的移动应用程序中。
4.1. 理化属性 通过对不同成熟度和储藏期样本的理化指标测量与统计分析发现，柑橘的TA随成熟和储藏逐渐下降，而TSS逐渐上升，导致成熟度指数(TSS/TA)显著升高。pH值从约3.1升至3.9，维生素C含量则从76 mg/100g FW下降至54 mg/100g FW，总糖含量从12 g/100g FW增至37 g/100g FW。这些变化反映了果实成熟和采后衰老过程中的自然生理生化过程，也为数据集的准确标注提供了依据。
4.2. 机器学习 在利用手工特征预测理化属性的任务中，梯度提升回归(GBR)模型表现最优，其综合预测性能的R2、RMSE和MAE分别达到0.9939、0.2480和0.1754。在预测各项具体属性时，GBR也展现出极高的准确性，例如对总糖的预测R2高达0.9987。特征重要性分析揭示了哪些图像特征对预测特定理化属性最为关键。
4.3. 深度学习与目标检测 在评估了12种目标检测算法在原始数据集上的性能后，YOLOv12s取得了最高的mAP@50（91%）和mAP@50:95（67%），但训练和响应时间较长。经过数据增强后，所有模型的性能均得到提升。
4.4. 用于检测柑橘成熟度指数和缺陷的改进YOLOv8s 为了平衡精度与速度以满足移动端实时部署的需求，研究团队对YOLOv8s进行了深度优化。通过消融实验确定了最佳超参数组合（批大小32，初始学习率10-3，优化器AdamW），并集成了针对小目标的FPN P2预测头。改进后的YOLOv8s在检测五种成熟度级别和三类缺陷的任务中，取得了卓越的性能：mAP@50达到96%，mAP@50:95为75%，同时保持了较短的训练时间（4.9小时）和极快的单帧响应时间（8毫秒）。混淆矩阵显示，模型对主要成熟度级别的识别非常准确，但对于部分缺陷（尤其是背景误检）仍存在一定挑战。
4.5. 基于改进模型的应用 研究成功将优化后的改进YOLOv8s和GBR模型转换为TFLite格式，并集成开发了一款名为“Orange Detection”的Android应用程序。该应用界面友好，支持实时拍摄或从相册/云端导入图片。应用能够同时完成多项任务：1) 检测并框出图像中的单个或多个柑橘；2) 识别其所属的成熟度级别（从未熟到成熟后45天）；3) 检测并统计黑斑、霉变、瘀伤等缺陷，实现质量分级（Q1无缺陷至Q4三个及以上缺陷）；4) 在目标检测框定的区域内提取特征，并调用GBR模型预测该柑橘的pH、TA、TSS、成熟度指数、维生素C和总糖含量。所有结果以清晰直观的方式呈现给用户。
本研究成功开发并验证了一种用于实时监测柑橘成熟度与品质属性的轻量级YOLOv8s-GBR混合智能框架。与以往大多只关注单一任务（如仅分类或仅检测）的研究不同，该工作创新性地将目标检测与回归预测相结合，在一个系统中同步实现了视觉级别的成熟度与缺陷判定，以及内在理化属性的量化预测。通过精心构建的多省份、多条件、多阶段数据集，以及系统的模型比较、超参数优化和架构改进（如集成FPN），研究确保了模型的高精度和强泛化能力。最终，通过将模型转换为TFLite并部署为Android应用，研究真正实现了从“算法”到“工具”的跨越。这款便携、用户友好的应用程序使得果农、质检人员乃至普通消费者能够随时随地、快速、非破坏性地评估柑橘的品质，为果园的精准管理、采收时机的优化、采后分级以及供应链质量控制提供了强有力的技术支持。该研究不仅为柑橘产业提供了一套切实可行的智能化解决方案，其提出的混合框架和轻量化部署思路，也为其他果蔬乃至更广泛的农产品品质无损检测与实时监测应用提供了有价值的参考。
