基于混合机器学习和图像处理的水果质量预测方法
本研究提出一种结合图像处理与深度学习的混合方法评估水果新鲜度。开发了量化腐败程度的图像处理算法（0-100分），并训练CNN进行二元分类（新鲜/腐烂）。通过逻辑回归融合两者结果，最终使图像处理算法能直接进行二元分类，无需CNN。该方法计算资源需求低，在苹果和橙子数据集上实现实时检测，准确率超90%。主要限制是水果需在白色或透明背景上隔离。
近日，一篇发表在arXiv上的研究论文（arXiv:2606.26165）提出了一种结合图像处理与深度学习的新方法，用于评估水果的新鲜度。该研究由Amir Reza Hashemi等人完成，已被《密歇根大学本科生研究期刊》第18卷第20期（2026年）收录。研究团队针对农业中水果腐败导致重大经济损失的问题，开发了一个混合系统，能够在低计算资源下实现实时、高精度的水果质量检测，准确率超过90%。
研究团队首先开发了图像处理算法，该算法能够对水果的腐败程度进行量化评分，范围从0（完全新鲜）到100（完全腐烂）。该算法基于颜色和纹理特征，通过分析水果表面的变化来给出一个连续的分值。与此同时，他们训练了一个卷积神经网络（CNN）进行二元分类，判断水果是新鲜还是腐烂。CNN在大规模水果图像数据集上进行了训练，包含了各种品种、光照条件和角度下的苹果和橙子图像。
为了进一步提升预测准确性，研究者采用逻辑回归模型将图像处理算法的评分与CNN的分类结果进行融合。逻辑回归模型学习如何最佳地结合这两个来源的信息，从而得到更可靠的预测。有趣的是，他们随后利用这个逻辑回归模型，使得图像处理算法可以根据其百分比输出直接进行二元分类，从而在实际应用中不再需要CNN。这一创新大幅降低了计算需求，因为图像处理算法的计算量远小于CNN，使得系统能够在实时场景中高效运行，例如在传送带上快速分拣水果。
该方法的验证在包含苹果和橙子的数据集上进行，结果令人鼓舞：准确率超过90%，且实现了实时性能。研究团队强调，该方法不需要高性能GPU，可以在普通嵌入式设备上运行，这对于农业现场应用至关重要。然而，该技术目前存在一个主要局限性：水果必须被隔离在白色或透明背景上才能进行准确分析。这意味着在自然场景中，如果背景杂乱，算法的性能会下降。研究团队指出，未来可以通过引入先进的语义分割模型来自动移除背景，从而克服这一限制。他们计划探索U-Net等架构来实现鲁棒的背景去除。
此外，研究论文还包括了22页的详细描述、13张图表和2个表格，提供了算法的具体参数、训练数据集细节以及实验结果。该方法展示了将简单图像处理技术与机器学习相结合的潜力，为农业领域提供了实用、低成本的解决方案，有望帮助减少因水果腐败造成的经济损失，并提高食品质量检测的效率。