Integrating postharvest quality assessment and deep learning to identify the optimal harvest maturity stage of apricot fruit
本研究基于卓越的采后品质保持能力，确定了第3阶段为杏的最佳采收成熟度，并开发了一种利用RGB图像进行快速、无损分类的轻量化深度学习模型，以优化采收决策。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每年，世界各地的果园都会产出数百万颗杏，这种水果因其甜美的风味和丰富的营养而备受赞誉。然而，这些果实面临着一场与时间的残酷赛跑。与许多可以采摘并储存数月的农作物不同，杏质地柔软、易腐烂，且一旦离开树枝就会迅速成熟。如果采摘过早，它们会保持坚硬且毫无滋味；如果采摘过晚，它们在到达市场之前就会变得软烂并变质。解决这一问题的关键在于找到采收的精确时刻——即果实既已成熟到口感良好，又仍保持足够坚挺以承受运往杂货店旅程的生长阶段。几十年来，农民一直依靠眼睛和经验来猜测这一时刻，这种方法往往不够一致且容易出错。现在，一种新的方法将对水果化学成分的仔细研究与先进的计算机视觉相结合，以寻找一个更可靠的答案。
伊朗沙鲁德理工大学的研究人员致力于通过首先了解杏的生物学特性，进而教会计算机识别采收的最佳时机，从而破解这一难题。他们专注于一种在沙鲁德地区生长的特定品种——扎法拉尼（Zafarani）杏。团队首先采集了处于五个不同生长阶段的果实，从极不成熟到完全成熟不等。他们将这些果实置于模拟商业分销条件的冷藏环境中，并观察了它们在三十五天内的变化过程。每周，科学家们都会测量一系列品质：果实的硬度、水分蒸发导致的重量损失、甜度、酸度以及表皮的精确颜色。他们正在寻找那个能让果实保持最佳形状和风味，同时又能抵抗随时间而来的自然衰败的单一阶段。
长期的观察结果揭示了一个明确的胜出者。在第三个成熟阶段采收的果实——即一个既不太青涩也不完全变软的点——被证明最具韧性。这些杏比采摘过早或过晚的杏更能保持硬度。它们失重较少，这意味着它们能更久地保持饱满多汁。它们的化学平衡（包括甜度和酸度）也更加稳定，颜色的变化也比其他阶段更为平缓。采摘过早的果实难以维持品质，变化迅速且很快失去硬度。而采摘过晚的果实则已经太软，无法承受储存期，几乎立即发生变质。研究证实，这个特定的时间窗口提供了最佳的折中方案，使果实在保持理想食用品质的同时，能够储存数周之久。
在确定了这一理想的采收阶段后，研究人员转向了工作的第二部分：教会机器去寻找它。他们意识到，如果计算机能够观察树上的杏并瞬间判断其是否处于完美的第三阶段，农民就能进行更精准的采收。为此，他们拍摄了一千多张果园中杏的照片，利用自然阳光捕捉果实真实的外观，包括农民在实际工作中会遇到的所有阴影和不同角度。他们没有使用特殊灯光或受控环境，因为他们希望该系统能在果园这种复杂的现实环境中发挥作用。
随后，团队开发了一种定制的计算机程序，即一种被称为深度学习模型的特定人工智能，专门用于图像分类。该程序经过训练，能够观察照片并将果实归类为五个成熟阶段中的一个。该模型设计得非常轻量化，这意味着它可以在标准设备上快速运行，无需庞大的计算能力。在经过数千张图像的训练后，计算机在处理一组从未见过的全新照片时接受了测试。它成功地识别出了正确的成熟阶段，并在绝大多数情况下表现出色。当出现错误时，通常是微小的误差，例如将一个即将达到完美阶段的果实与一个刚刚错过该阶段的果实混淆。这表明计算机理解的是果实外观的渐进式变化，而非仅仅是记忆随机模式。
这项工作的意义在于它弥合了生物科学与实际农业之间的鸿沟。通过首先证明哪种生长阶段能带来最长的保质期，然后再创造一种能瞬间识别该阶段的工具，研究人员为减少浪费和提高品质提供了一条路径。计算机视觉系统并非取代农民的知识，而是增强了它，提供了一种客观、快速的方法来进行采收决策。虽然这项研究是在单一品种和单一地点进行的，但该方法预示了一个强大的农业未来。如果这项技术能够推广到其他水果和不同的生长条件，它可能会改变农产品的采收方式，确保消费者拿到的果实如同采摘当天一样新鲜美味。研究结论指出，尽管该工具极具前景，但仍需在不同的果园和季节进行进一步测试，以确认其在商业规模上的可靠性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。