技术摘要：大规模烘焙咖啡豆品种分类

问题定义

本研究解决的核心挑战是难以从视觉上区分不同种类的烘焙咖啡豆。一旦经过相似程度的烘焙处理，来自不同产地或物种（如阿拉比卡、罗布斯塔、利伯里卡和 Excelsa）的豆子在肉眼看来几乎完全相同。这种视觉上的相似性为行业内的欺诈行为提供了便利，例如将高价值豆子与低价值豆子混合，或进行产品误标，这损害了消费者保护和公平贸易。虽然现有的分析方法（如光谱学、色谱法）已经存在，但它们通常耗时较长，需要样本预处理，且结果可能具有主观性。此外，以往在自动化分类方面的研究主要集中在生豆（未烘焙豆）、小规模数据集或有限的地理区域，往往无法解决烘焙豆形态差异被最小化的特定挑战。

研究方法

数据集创建与采集

本研究建立了一个全新的大规模数据集。研究从 15 家不同的供应商处获取了 8,417 张高分辨率烘焙咖啡豆图像。这些豆子代表了四种主要类型：阿拉比卡（Arabica）、罗布斯塔（Robusta）、利伯里卡（Liberica）和 Excelsa。

• 采集设置： 设计了一个定制的摄影装置以确保一致性。该装置使用配备 105mm 微距镜头的 Nikon D60 胶片单反相机、旋转转盘以及带有 LED 照明（5800K 色温）的 Godox LST60 产品帐篷。
• 图像生成： 为了最大化数据效用，每张原始高分辨率图像（6016x4016 像素）都被处理以生成约 190,000 张图像。
  • 裁剪策略： 为避免在调整为正方形尺寸时产生畸变，图像被裁剪为 4016x4016 的正方形（左、中、右）以及 1004x1004 的正方形（基于网格且具有极小的 8 像素重叠）。
  • 过滤： 对 1004x1004 的裁剪图像应用了基于直方图的筛选过程（要求 0–100 范围内的像素占比达到 22%），以确保包含有意义的豆子内容，最终形成了包含 189,976 张图像的训练集。
• 类别分布： 数据集是不平衡的，其中阿拉比卡约占 64%，而利伯里卡约占 7%。

数据预处理与验证策略

• 尺寸调整： 图像被调整为 224x224 和 299x299 像素，以匹配模型的输入要求。
• 交叉验证： 采用了 分层组 K 折（Stratified Group K-Fold, k=10） 方法。至关重要的是，这种“组”策略确保了源自同一张原始照片的图像块永远不会在训练集和测试集之间被分割，从而防止了数据泄露，并确保了对泛化能力的严格评估。
• 数据增强： 为了在不增加新数据采集的情况下增强多样性，应用了随机水平/垂直翻转、旋转（±15°）以及亮度、对比度、饱和度和色调的调整。
• 处理不平衡： 研究利用了 加权交叉熵损失（Weighted Cross-Entropy Loss） 和 加权随机采样器（Weighted Random Sampler），通过加大对少数类（利伯里卡、Excelsa）错误的惩罚权重，确保它们在训练批次中被频繁包含。

模型与训练技术

研究评估了深度学习（DL）和机器学习（ML）两种方法：

1. 深度学习： 测试了五种卷积神经网络（CNN）架构：ResNet-18、ResNet-50、MobileNetV3-Large、EfficientNet-B0 和 ConvNeXt-Tiny。训练使用了 Adam 优化器、L2 正则化（权重衰减 = 0.0001）、梯度裁剪（max_norm=1.0）以及 StepLR 调度器。应用了早停机制以防止过拟合。
2. 机器学习： 测试了 随机森林（RF） 和 XGBoost 模型。这些模型需要在分类前从图像中提取特征。
3. 混合方法： 使用 CNN 进行特征提取，并将提取的特征输入到随机森林分类器中。

关键结果

深度学习性能

• 最佳整体模型： 使用 299x299 像素输入的 EfficientNet-B0 达到了最高性能。
  • 准确率： 99.86% ± 0.09（10 折交叉验证的平均测试准确率）。
  • 指标： F1 分数为 0.9985，精确率为 0.9982。
  • 鲁棒性： 极低的标准差（0.0009）表明在不同数据拆分下具有高度一致性。
  • 少数类处理： 该模型成功地对少数类（利伯里卡）进行了分类，其准确率与多数类（阿拉比卡）相当，验证了加权训练策略的有效性。
• 对比： ResNet-50 和 MobileNetV3-Large 的表现也很好（准确率高于 99%），而 ConvNeXt-Tiny 的表现明显较差。
• 亚类分类： 在一项针对 八种特定阿拉比卡亚种 的二级研究中，EfficientNet-B0（224x224 输入）实现了 99.73% 的准确率，证明了区分细微种内差异的能力。

机器学习与混合方法性能

• XGBoost： XGB-Deep-1000 配置表现优于随机森林，实现了 97.98% 的测试准确率。
• 随机森林： 最佳随机森林配置（RF-Regularized-500）实现了 92.74% 的准确率。
• 混合方法： 使用 CNN 进行特征提取后接随机森林分类的方法结果较低，优于端到端的深度学习。表现最好的混合结果（ConvNeXt-Tiny 特征 + RF）达到了 92.19% 的准确率，这表明对于该特定任务，端到端的深度学习更为优越。

贡献与意义

作者确定了以下主要贡献：

1. 首个大规模烘焙数据集： 创建了第一个专门针对烘焙咖啡豆的高分辨率大规模图像数据集，填补了文献中由生豆研究主导的空白。
2. 受控采集： 使用专门设计的受控摄影设置确保了高质量、标准化的数据，减少了因光照或角度引起的变化。
3. 全面的分类范围： 本研究成功对四种主要的商业咖啡类型（阿拉比卡、罗布斯塔、利伯里卡和 Excelsa）进行了分类，并进一步展示了对阿拉比卡品种进行亚类分类的能力。
4. 防泄露验证： 实施了分层组 K 折交叉验证，防止了图像块导致的数据泄露，相比于标准的随机拆分，提供了更严格、更真实的性能评估。
5. 基准测试： 本研究对多种最先进的 CNN 架构和 ML 算法进行了对比分析，确立了 EfficientNet-B0 是该特定应用的当前最优模型（SOTA）。

论文得出结论，利用深度学习可以实现高准确率的烘焙咖啡豆自动化分类，为咖啡行业的欺诈检测、质量控制和消费者保护提供了潜在的解决方案。作者指出，尽管目前的结果令人鼓舞，但未来的工作应侧重于扩大数据集，以包含更多地域品种和烘焙程度，从而进一步提高其在商业部署中的泛化能力。