李竹 牟昌紅 嵇康軒 王波

摘要 ?藍(lán)莓果實(shí)成熟度的人工分級(jí)技術(shù)效率低、準(zhǔn)確性有限，不能滿足市場需求。為了提高藍(lán)莓成熟度檢測的準(zhǔn)確性，提出了一種基于深度學(xué)習(xí)的藍(lán)莓成熟度預(yù)測方法，從而預(yù)測出不同成熟階段的藍(lán)莓果實(shí)。針對(duì)7個(gè)不同成熟階段的藍(lán)莓果實(shí)，利用VGG 16神經(jīng)網(wǎng)絡(luò)，提取果皮顏色特征建立模型。結(jié)果表明，該方法對(duì)不同成熟階段藍(lán)莓果實(shí)的預(yù)測準(zhǔn)確率分別達(dá)到了97.65%、93.94%、97.02%、100%、80.56%、83.62%、95.21%。該方法建立的模型對(duì)藍(lán)莓成熟度的預(yù)測較為精細(xì)，覆蓋了從盛花期50 d開始至完全成熟全過程，充分利用深度學(xué)習(xí)網(wǎng)絡(luò)的分類能力，提高了對(duì)藍(lán)莓果實(shí)成熟度的預(yù)測，為實(shí)現(xiàn)藍(lán)莓果實(shí)無損檢測技術(shù)提供理論依據(jù)。

關(guān)鍵詞 ?藍(lán)莓；成熟度檢測；深度學(xué)習(xí)；VGG 16

中圖分類號(hào) ?S 126 ??文獻(xiàn)標(biāo)識(shí)碼 ?A ??文章編號(hào) ?0517-6611（2023）05-0232-05

doi： 10.3969/j.issn.0517-6611.2023.05.053

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Prediction of Blueberry Maturity Based on Deep Learning

LI Zhu1，MOU Chang-hong2，JI Kang-xuan1 et al

（1.College of Architecture，Soochow University，Suzhou，Jiangsu 215000;2.Chinese Academy of Forestry Sciences，Beijing ?100000）

Abstract ?The artificial grading technology of blueberry fruit maturity is low in efficiency and limited in accuracy，which can not meet the market demand.In order to improve the accuracy of blueberry maturity detection，a blueberry maturity prediction method based on deep learning was proposed，which could predict blueberry fruits at different ripening stages.VGG 16 neural network was used to extract peel color characteristics of 7 blueberry fruits at different ripening stages to establish models.The results showed that the prediction accuracy of blueberry fruits in different ripening stages reached 97.65%，93.94%，97.02%，100%，80.56%，83.62% and 95.21%，respectively.The model established had a relatively fine prediction of blueberry maturity，covering the whole process from 50 d of flowering to full maturity.The classification ability of deep learning network was fully utilized to improve the prediction of blueberry fruit maturity，providing theoretical basis for the realization of non-destructive testing technology of blueberry fruit.

Key words ?Blueberries;Maturity detection;Deep learning;VGG 16

藍(lán)莓為杜鵑花科越橘屬植物，果實(shí)中含有大量的花青素和類黃酮等物質(zhì)，具有增強(qiáng)人體免疫力、防止心血管疾病、延緩衰老等功效。隨著生活水平的提高，人們對(duì)藍(lán)莓消費(fèi)需求不斷增加，如何快速識(shí)別藍(lán)莓成熟度，以適應(yīng)運(yùn)輸、保鮮、口感等要求成為亟須解決的問題。藍(lán)莓果實(shí)小，個(gè)體差異小，人工采摘難度大且效率較低，難以對(duì)不同成熟階段的藍(lán)莓進(jìn)行準(zhǔn)確分級(jí)［1］。因此，開發(fā)高效、無損、經(jīng)濟(jì)的成熟度檢測方法，不僅能夠提高對(duì)藍(lán)莓果實(shí)的分級(jí)，滿足藍(lán)莓生產(chǎn)的需要，也為藍(lán)莓采摘機(jī)器人的研制提供了理論依據(jù)。

果皮顏色是衡量果實(shí)成熟度的重要指標(biāo)之一。在藍(lán)莓成熟過程中，果實(shí)內(nèi)源激素和可溶性糖含量增加，葉綠素分解速度加快，合成受阻，葉綠素和類胡蘿卜素含量降低，花青素不斷積累，顏色會(huì)相應(yīng)地發(fā)生變化，從最初的綠色，逐步轉(zhuǎn)變?yōu)榧t色，最后呈藍(lán)色［2］。因此，根據(jù)果皮顏色預(yù)測藍(lán)莓成熟度是一種可行的方式。目前，通過果皮顏色預(yù)測果實(shí)成熟度主要借助光特性無損檢測技術(shù)和計(jì)算機(jī)視覺無損檢測技術(shù)。光特性無損檢測技術(shù)包括高光譜圖像檢測技術(shù)、近紅外光譜技術(shù)等。例如，李麗麗等［3］利用高光譜圖像信息對(duì)未熟、半熟、成熟和過熟的李果實(shí)進(jìn)行分析，比較不同彩色圖像模型中的顏色特征值，建立了RGB-HSV-PLS 成熟度預(yù)測模型。張靜等［4］通過近紅外光譜技術(shù)，對(duì)葡萄成熟度和果實(shí)品 質(zhì)進(jìn)行預(yù)測。計(jì)算機(jī)視覺無損檢測技術(shù)主要利用典型視覺技術(shù)、機(jī)器學(xué)習(xí)技術(shù)、深度神經(jīng)網(wǎng)絡(luò)等，如岳有軍等［5］改進(jìn)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)，成功將番茄成熟度預(yù)測率提高2百分點(diǎn)；賀付亮等［6］建立視覺顯著性和脈沖耦合神經(jīng)網(wǎng)絡(luò)，改善成熟桑葚識(shí)別困難的問題。在針對(duì)藍(lán)莓成熟度檢測方面，國外起步較早，對(duì)預(yù)測模型的研究較為深入，如Tan等［7］應(yīng)用HOG特征與顏色特征對(duì)同一區(qū)域內(nèi)不同成熟度藍(lán)莓進(jìn)行識(shí)別與計(jì)數(shù)，對(duì)成熟果實(shí)預(yù)測率達(dá)到96.0%；Ni等［8］使用計(jì)算機(jī)圖像分割方法對(duì)藍(lán)莓圖像進(jìn)行處理，提高藍(lán)莓預(yù)測過程中目標(biāo)檢測的準(zhǔn)確率。這些研究側(cè)重于對(duì)小體積實(shí)驗(yàn)對(duì)象的目標(biāo)檢測上，即如何更好地改善識(shí)別模型。國內(nèi)這一領(lǐng)域的相關(guān)研究尚未形成完整的框架，對(duì)藍(lán)莓成熟度的研究多局限于未熟、半熟、成熟3種成熟狀態(tài)，不能對(duì)整個(gè)成熟過程進(jìn)行全面把控。馬淏等［9］利用高光譜成像技術(shù)對(duì)成熟、近成熟、未成熟藍(lán)莓進(jìn)行識(shí)別，正確率分別達(dá)到了96.1%、94.7%、 91.2%。王立舒等［10］建立YOLOv4-Tiny模型，結(jié)合卷積注意力模塊，對(duì)成熟藍(lán)莓的預(yù)測準(zhǔn)確率高達(dá)97.3%。但也有研究表明，從果皮顏色判斷果實(shí)成熟度雖然可行，但在成熟后期，果皮顏色變化不明顯，成熟程度更多體現(xiàn)在果實(shí)個(gè)體大小上，因此不能僅從果皮顏色判斷果實(shí)成熟度。

近5年的研究顯示，深度學(xué)習(xí)在果實(shí)成熟度檢測中的應(yīng)用越來越多。深度學(xué)習(xí)是一種特殊的機(jī)器學(xué)習(xí)，能夠通過學(xué)習(xí)在輸入的數(shù)據(jù)中尋找規(guī)律，對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測。這一技術(shù)在圖像識(shí)別、風(fēng)險(xiǎn)預(yù)測、自然語言處理等領(lǐng)域取得了很多成果，常用的模型有VGGNet、GoogleNet、Xception、MobileNet、ShuffleNet、GhostNet、AsymmNet等。其中，VGGNet作為卷積神經(jīng)網(wǎng)絡(luò)中經(jīng)典的圖像分類模型，在圖像識(shí)別領(lǐng)域具有很大潛力。通過深度學(xué)習(xí)，可以有效減少主觀因素對(duì)果實(shí)分級(jí)的影響，這在百香果［11］、刺梨［12］、枸杞［13］、番茄［14］等果實(shí)上都已被證明。但目前，針對(duì)藍(lán)莓的深度學(xué)習(xí)案例較少。因此，為了更高效地識(shí)別藍(lán)莓成熟度，筆者基于深度學(xué)習(xí)，利用VGG 16神經(jīng)網(wǎng)絡(luò)將藍(lán)莓的成熟階段進(jìn)一步細(xì)分為7個(gè)階段，從盛花期50 d開始，每10 d采樣1次，直至果實(shí)完全成熟，共采樣7次，檢測藍(lán)莓果實(shí)在7個(gè)不同成熟階段的表皮顏色，建立藍(lán)莓成熟度預(yù)測模型，測量和分析各階段果實(shí)的縱橫比與鮮重，旨在解決藍(lán)莓果實(shí)成熟度難以人眼識(shí)別的問題，提高藍(lán)莓分級(jí)的準(zhǔn)確性。

1 材料與方法

1.1 樣本采集

供試品種為梯夫藍(lán)，由蘇州御湖園農(nóng)業(yè)科技有限公司提供。隨機(jī)挑選長勢一致且健康的5年生藍(lán)莓植株，于盛花期50 d后開始采樣，依據(jù)成熟度依次分為7個(gè)階段，直至果實(shí)完全成熟。每10 d采樣1次，分東、南、西、北4個(gè)方向隨機(jī)采集，每次采樣150顆，共采樣7次。圖1為7種成熟階段的藍(lán)莓樣本圖像。

1.2 外部指標(biāo)測定 ???將采摘后的藍(lán)莓果實(shí)冷藏保存并迅速運(yùn)回實(shí)驗(yàn)室進(jìn)行相關(guān)指標(biāo)的測定。果實(shí)鮮重用千分之一天平稱量，果實(shí)縱徑和橫徑用游標(biāo)卡尺進(jìn)行測量，并計(jì)算果形指數(shù)（縱徑/橫徑）。

1.3 數(shù)據(jù)采集

藍(lán)莓圖像采集在自然光照條件下，用EOS 550D相機(jī)在藍(lán)莓果實(shí)1 m左右拍攝，圖像分辨率為5 481×3 456，以.jpeg格式保存。為增加數(shù)據(jù)集豐富度，使網(wǎng)絡(luò)能夠適應(yīng)更多的場景，數(shù)據(jù)集包含不同遮擋程度和光照條件下的藍(lán)莓圖像，同時(shí)對(duì)藍(lán)莓圖像進(jìn)行旋轉(zhuǎn)、縮放、鏡像等多角度處理。圖像樣本共3 000幅，其中輕微遮擋圖像樣本1 800幅，重度遮擋圖像樣本450幅，逆光圖像樣本750幅。按8 ∶ 2比例隨機(jī)分為訓(xùn)練集和測試集，數(shù)據(jù)分布如表1所示。

1.4 圖像預(yù)處理與藍(lán)莓識(shí)別

預(yù)處理的主要目的是讓計(jì)算機(jī)更快、更精準(zhǔn)地識(shí)別出圖像中的藍(lán)莓主體，便于后續(xù)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練。如圖2所示，從上到下分別代表不同成熟度，從左到右分別代表原始圖、藍(lán)莓位置的掩碼圖像、藍(lán)莓樣本區(qū)域圖、最終樣本圖。

觀察和初步識(shí)別結(jié)果顯示，在藍(lán)莓的7個(gè)成熟階段中，第1階段藍(lán)莓果實(shí)偏綠，與背景色較為相近，在計(jì)算機(jī)識(shí)別過程中，通常會(huì)和背景樹枝、樹葉一同被識(shí)別，準(zhǔn)確率較低。因此，在圖像預(yù)處理時(shí)，將7個(gè)成熟階段分為2部分，階段1為一部分，階段2～7為一部分，分別進(jìn)行檢測。

首先將顏色空間從RGB轉(zhuǎn)換到HSV，通過色度（Hue）更快地將藍(lán)莓果實(shí)區(qū)域識(shí)別出來。同時(shí)在HSV顏色空間下，可以減少光照對(duì)圖片的影響，有利于排除干擾因素對(duì)識(shí)別準(zhǔn)確率的影響。 通過色度選出除了綠色之外的所有顏色，即將成熟階段2～7的藍(lán)莓篩選出來，因?yàn)橹挥械?階段的藍(lán)莓呈現(xiàn)出綠色，而這一特征也可以被神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到，因此可以將階段1的藍(lán)莓圖像篩選出來。選出藍(lán)莓主體后，通過模糊圖像，對(duì)圖像進(jìn)行降噪處理，得到藍(lán)莓位置的掩碼圖像。

通過觀察藍(lán)莓位置掩碼圖片，可以發(fā)現(xiàn)圖中殘留一些葉片或枝干的邊緣，藍(lán)莓的中心區(qū)域不太完整，為了彌補(bǔ)上述缺陷，分別進(jìn)行圖像的腐蝕與膨脹操作。圖像腐蝕可以消除細(xì)小的邊緣地帶，如樹葉邊緣，圖像膨脹可以將部分小區(qū)域填充完整，從而得到一個(gè)較為完整的藍(lán)莓區(qū)域，經(jīng)過這一步處理后，得到藍(lán)莓樣本區(qū)域圖。最后使用邊緣識(shí)別算法，選出其中面積最大的區(qū)域作為目標(biāo)藍(lán)莓區(qū)域，將這部分裁剪下來作為后續(xù)的神經(jīng)網(wǎng)絡(luò)輸入。

1.5 VGG 16網(wǎng)絡(luò)

VGG 16共有16層，包括13個(gè)卷積層，5個(gè)池化層，3個(gè)全連接層，不包括激活層。對(duì)輸入圖像的默認(rèn)大小是224×224×3，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

由圖3可知，conv為卷積層，使用3×3的卷積核、長度為1的卷積步長進(jìn)行局部特征提取，公式如下：

y=z（W*Matrix+Bias）

式中，y為卷積層輸出結(jié)果，W為卷積核，Matrix為灰度圖矩陣，*為卷積運(yùn)算，Bias為偏置值。

maxpooling為最大池化層，大小為2×2，對(duì)卷積操作后提取的特征信息進(jìn)一步提取，進(jìn)行降維處理，降低計(jì)算難度，公式如下：

fpooling=MAX（Xm，n，Xm+1，n，Xm，n+1，Xm+1，n+1）（0≤n≤N，0≤m≤M）

式中，M為輸入圖像二維向量的長，N為輸入圖像二維向量的寬。

FC為完全連接層，對(duì)數(shù)據(jù)集進(jìn)行分類。使用交叉熵?fù)p失作為損失函數(shù)，公式如下：

L=-［ylogy′+（1-y）log（1-y′）］

式中，y為真實(shí)標(biāo)簽值（正類值為1，負(fù)類值為0），y’是預(yù)測的概率值（y∈（0，1））。

模型的使用過程為：經(jīng)64個(gè)卷積核的卷積處理2次，后進(jìn)入池化層pooling；再經(jīng)128個(gè)卷積核的卷積處理2次，后進(jìn)入池化層pooling；再經(jīng)256個(gè)卷積核的卷積處理3次，后進(jìn)入池化層pooling；再經(jīng)512個(gè)卷積核的卷積處理3次，后進(jìn)池化層pooling，該過程重復(fù)2次。完成后，連接3層全連接層。

2 結(jié)果與分析

2.1 藍(lán)莓果實(shí)外部指標(biāo)比較

2.1.1 ???不同成熟階段果形指數(shù)。由圖4可知，藍(lán)莓果實(shí)的果形指數(shù)整體上呈初期波動(dòng)大、中后期平緩的趨勢。階段1～4期間波動(dòng)較大，從0.825下降至0.688，后上升至0.803，最后下降，縱橫比最高達(dá)到0.825，最低為0.667，最高值約為最低值的1.2倍。階段4～7期間，縱橫比趨于穩(wěn)定，縱橫比平均值約為0.700，最低值0.667，最高值0.733，均在平均值附近波動(dòng)。

2.1.2 ???各成熟階段果實(shí)鮮重。由圖5可知，隨著藍(lán)莓果實(shí)成熟度不斷增加，果實(shí)鮮重不斷增加，各階段間差異顯著。在成熟階段1時(shí)鮮重最低，為0.506 g。階段2～4果實(shí)鮮重增速最快，果實(shí)鮮重由0.644 g增加至1.017 g，后增速放緩。階段5～6增速最低，果實(shí)鮮重由1.129 g增加至1.222 g。至階段7完全成熟時(shí)果實(shí)鮮重達(dá)到1.376 g，約為階段1的2.7倍。

2.2 不同成熟階段藍(lán)莓果實(shí)識(shí)別準(zhǔn)確率比較

使用預(yù)訓(xùn)練好的VGG-16網(wǎng)絡(luò)作為基本結(jié)構(gòu)。修改其中的分類層，根據(jù)成熟度分級(jí)需求，分為1～7共7個(gè)類別，使用交叉熵誤差函數(shù)進(jìn)行訓(xùn)練。在圖像預(yù)處理步驟中得到的3 000張藍(lán)莓圖像，根據(jù)8 ∶ 2的比例劃分出訓(xùn)練集和測試集，在Google Colab提供的計(jì)算平臺(tái)上進(jìn)行訓(xùn)練，迭代次數(shù)為100。得到7個(gè)成熟階段藍(lán)莓果實(shí)預(yù)測準(zhǔn)確率。

從表2可以看出，成熟階段1正確識(shí)別個(gè)數(shù)166個(gè)，誤識(shí)別個(gè)數(shù)4個(gè)，識(shí)別準(zhǔn)確率為97.65%，比平均準(zhǔn)確率高約4百分點(diǎn)，準(zhǔn)確率較高，該階段果實(shí)顏色為綠色。成熟階段2正確識(shí)別個(gè)數(shù)155個(gè)，誤識(shí)別個(gè)數(shù)10個(gè)，識(shí)別準(zhǔn)確率為93.94%，在各成熟階段識(shí)別準(zhǔn)確率中屬于平均水平，該階段果實(shí)顏色由綠色向白色轉(zhuǎn)變。成熟階段3正確識(shí)別個(gè)數(shù)163個(gè)，誤識(shí)別個(gè)數(shù)5個(gè)，識(shí)別準(zhǔn)確率為97.02%，準(zhǔn)確率較高，略低于成熟階段1，該階段果實(shí)顏色呈淡粉色。成熟階段4正確識(shí)別個(gè)數(shù)173個(gè)，誤識(shí)別個(gè)數(shù)0，識(shí)別準(zhǔn)確率高達(dá)100%，是預(yù)測準(zhǔn)確率最高的一個(gè)成熟階段，該階段果實(shí)顏色較為均勻，為紅色。成熟階段5正確識(shí)別個(gè)數(shù)145個(gè)，誤識(shí)別個(gè)數(shù)35個(gè)，識(shí)別準(zhǔn)確率僅為80.56%，是識(shí)別準(zhǔn)確率最低的一個(gè)階段，該階段果實(shí)開始變紫。成熟階段6正確識(shí)別個(gè)數(shù)148個(gè)，誤識(shí)別個(gè)數(shù)29個(gè)，識(shí)別準(zhǔn)確率為83.62%，識(shí)別準(zhǔn)確率較低，果實(shí)顏色由紫色向藍(lán)色轉(zhuǎn)變。成熟階段7正確識(shí)別個(gè)數(shù)159個(gè)，誤識(shí)別個(gè)數(shù)8個(gè)，識(shí)別準(zhǔn)確率為95.21%，預(yù)測準(zhǔn)確率較高。成熟階段7即為完全成熟階段，果實(shí)轉(zhuǎn)變?yōu)樗{(lán)色，且逐步加深形成深藍(lán)色。

3 討論

在該研究中，成熟階段1的識(shí)別準(zhǔn)確率達(dá)到97.65%，這主要是因?yàn)樵谀繕?biāo)檢測階段將階段1和階段2～7分開識(shí)別的原因。類似研究中，Liu等［15］利用Cr-Cb顏色空間識(shí)別柚子成熟度，其中未成熟綠果的識(shí)別效果明顯低于其他果實(shí)識(shí)別效果。對(duì)綠果識(shí)別準(zhǔn)確率低主要因?yàn)榫G果與環(huán)境顏色相似，計(jì)算機(jī)在識(shí)別過程中，常會(huì)出現(xiàn)將背景物體一同識(shí)別為藍(lán)莓的現(xiàn)象，甚至有時(shí)會(huì)直接將環(huán)境中其他因素識(shí)別為果實(shí)，而沒有檢測到果實(shí)的真實(shí)位置。當(dāng)果實(shí)被遮擋后，識(shí)別難度加大，效果更加不理想。Tan等［7］建立的模型能夠很好地對(duì)果實(shí)進(jìn)行識(shí)別與計(jì)數(shù)，但該方法對(duì)被遮擋果實(shí)無法有效識(shí)別，識(shí)別速度較慢。因此，如何降低環(huán)境的干擾，增加綠果的檢測精度是建立完善的藍(lán)莓果實(shí)成熟度預(yù)測體系的一大難題。尤其是在果實(shí)成熟階段果皮顏色會(huì)多次呈現(xiàn)綠色時(shí)，如何更好地將各綠果階段區(qū)分開、將綠果與背景區(qū)分開還需要進(jìn)一步探討。

成熟階段4的測試藍(lán)莓共173個(gè)，正確識(shí)別個(gè)數(shù)173個(gè)，識(shí)別準(zhǔn)確為100%。在該研究的多次試驗(yàn)中，成熟階段4的預(yù)測準(zhǔn)確率均為100%，較為穩(wěn)定。但在類似文章中鮮少出現(xiàn)100%的預(yù)測率，如李麗麗等［3］對(duì)李果實(shí)成熟度的研究，其預(yù)測準(zhǔn)確率在同類文章中屬于較高水平，為98.4%，未達(dá)到100%。100%準(zhǔn)確率意味著該模型可以精準(zhǔn)預(yù)測該成熟階段藍(lán)莓果實(shí)。綜合各成熟階段藍(lán)莓圖像特征和識(shí)別精度，可以看出系統(tǒng)對(duì)該成熟階段預(yù)測準(zhǔn)確率較高的原因可能有以下2個(gè)原因：一是該成熟階段的藍(lán)莓果實(shí)色澤均勻，呈現(xiàn)為紅色，系統(tǒng)對(duì)果實(shí)的識(shí)別沒有其他顏色的干擾，因此目標(biāo)檢測精度高、機(jī)器學(xué)習(xí)的效果較好；二是該階段果實(shí)和其他成熟階段果實(shí)顏色差距較明顯，因此能夠準(zhǔn)確將該分類下的藍(lán)莓果實(shí)定位到相應(yīng)的組別中。

成熟階段5和6的識(shí)別準(zhǔn)確率相近，分別為80.56%和83.62%，均沒有超過85.00%，識(shí)別準(zhǔn)確率較低。這說明機(jī)器在學(xué)習(xí)過程中，對(duì)這2個(gè)階段藍(lán)莓果實(shí)的特征把握有待提高。這可能存在以下2個(gè)原因：①成熟階段5和6的藍(lán)莓果實(shí)顏色較為接近，沒有特別明顯的差異特征，因此2個(gè)階段的識(shí)別準(zhǔn)確率均偏低。②成熟階段5～6期間，隨著藍(lán)莓果實(shí)的不斷成熟，果實(shí)縱橫比有所下降，由0.707降至0.683，果實(shí)出現(xiàn)膨大，這與邵姁等［16］研究中布吉里特藍(lán)莓的縱橫比變化趨勢類似，在果實(shí)即將完全成熟時(shí)，縱橫比會(huì)出現(xiàn)略微下降的現(xiàn)象，最終上升達(dá)到穩(wěn)定。階段5和6間的果實(shí)鮮重有顯著差異，增加了0.093 g，說明該時(shí)期內(nèi)，果實(shí)外觀差異逐步由顏色間的差異轉(zhuǎn)變?yōu)楣麑?shí)個(gè)體體量間的差異。果實(shí)顏色變化幅度減小，鮮重增加，縱橫比下降，果實(shí)形狀更加飽滿。

4 結(jié)論

通過計(jì)算機(jī)深度學(xué)習(xí)技術(shù)，基于藍(lán)莓果實(shí)顏色特征，對(duì)果實(shí)成熟度進(jìn)行預(yù)測，不僅將果實(shí)成熟階段細(xì)分為7個(gè)階段，覆蓋了盛花期后果實(shí)顏色變化的全過程，同時(shí)輔以果實(shí)外部形態(tài)變化及鮮重加以分析。在圖像預(yù)處理階段，為了提高計(jì)算機(jī)對(duì)綠色果實(shí)的識(shí)別準(zhǔn)確率，將整個(gè)成熟階段分為兩部分提取顏色特征。結(jié)果表明，該模型對(duì)各階段藍(lán)莓果實(shí)成熟度預(yù)測準(zhǔn)確率達(dá)到97.65%、93.94%、97.02%、100%、80.56%、83.62%、95.21%。該結(jié)果較為滿意，尤其對(duì)成熟階段1、3、4、7的預(yù)測準(zhǔn)確率較高，基本能夠滿足生產(chǎn)需求。

參考文獻(xiàn)

［1］ ?MU C H，YUAN Z B，OUYANG X Q，et al.Non-destructive detection of blueberry skin pigments and intrinsic fruit qualities based on deep learning［J］.Journal of the science of food and agriculture，2021，101（8）：3165-3175.

［2］ 劉娟，周長富，龔碧涯，等.8個(gè)藍(lán)莓品種果實(shí)成熟規(guī)律和品質(zhì)研究［J］.湖南農(nóng)業(yè)科學(xué)，2021（1）：15-19.

［3］ 李麗麗，王斌，張學(xué)豪，等.基于高光譜圖像信息的李果實(shí)成熟度判別［J］.現(xiàn)代食品科技，2017，33（12）：228-232，144.

［4］ 張靜，徐陽，姜彥武，等.近紅外光譜技術(shù)在葡萄及其制品品質(zhì)檢測中的應(yīng)用研究進(jìn)展［J］.光譜學(xué)與光譜分析，2021，41（12）：3653-3659.

［5］ 岳有軍，孫碧玉，王紅君，等.基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的番茄果實(shí)目標(biāo)檢測［J］.科學(xué)技術(shù)與工程，2021，21（6）：2387-2391.

［6］ 賀付亮，郭永彩，高潮，等.基于視覺顯著性和脈沖耦合神經(jīng)網(wǎng)絡(luò)的成熟桑葚圖像分割［J］.農(nóng)業(yè)工程學(xué)報(bào)，2017，33（6）：148-155.

［7］ TAN K Z，LEE W S，GAN H，et al.Recognising blueberry fruit of different maturity using histogram oriented gradients and colour features in outdoor scenes［J］.Biosystems engineering，2018，176：59-72.

［8］ NI X P，LI C Y，JIANG H Y，et al.Deep learning image segmentation and extraction of blueberry fruit traits associated with harvestability and yield［J］.Horticulture research，2020，7（1）：1399-1412.

［9］ 馬淏，張開，金鑫，等.基于高光譜成像技術(shù)的藍(lán)莓果實(shí)成熟度識(shí)別研究［J］.中國農(nóng)業(yè)科技導(dǎo)報(bào)，2020，22（2）：80-90.

［10］ ?王立舒，秦銘霞，雷潔雅，等.基于改進(jìn)YOLOv4-Tiny的藍(lán)莓成熟度識(shí)別方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（18）：170-178.

［11］ 唐熔釵，伍錫如.基于改進(jìn)YOLO-V3網(wǎng)絡(luò)的百香果實(shí)時(shí)檢測［J］.廣西師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，38（6）：32-39.

［12］ 閆建偉，趙源，張樂偉，等.改進(jìn)Faster-RCNN自然環(huán)境下識(shí)別刺梨果實(shí)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2019，35（18）：143-150.

［13］ 朱永寧，周望，楊洋，等.基于Faster R-CNN的枸杞開花期與果實(shí)成熟期識(shí)別技術(shù)［J］.中國農(nóng)業(yè)氣象，2020，41（10）：668-677.

［14］ 劉芳，劉玉坤，林森，等.基于改進(jìn)型YOLO的復(fù)雜環(huán)境下番茄果實(shí)快速識(shí)別方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（6）：229-237.

［15］ LIU T H，EHSANI R，TOUDESHKI A，et al.Identifying immature and mature pomelo fruits in trees by elliptical model fitting in the Cr-Cb color space［J］.Precision agriculture，2019，20（1）：138-156.

［16］ 邵姁，李永強(qiáng)，張真真，等.基于色度分析的藍(lán)莓果實(shí)采收標(biāo)準(zhǔn)研究［J］.浙江師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，39（1）：65-69.