基于微波成像与机器学习的牛油果成熟度无损评估新方法

《IEEE Journal of Microwaves》：Noninvasive Microwave Imaging and Machine Learning to Assess Ripeness of Avocados

本研究针对牛油果成熟度传统评估方法（如颜色、硬度检查）存在主观性强、准确性低的问题，开发了一种结合非侵入式微波成像（MWI）与卷积神经网络（CNN）的创新技术。通过构建环形超宽带Vivaldi天线阵列及高速切换网络，系统可获取牛油果内部360°微波图像，并利用CNN对五类成熟阶段（未熟、微熟、成熟、近过熟、过熟）进行分类，准确率达89%，K折交叉验证平均准确率为90%。该方法为农业食品质量安全检测提供了快速、无损、可扩展的解决方案，显著降低浪费并提升产业效率。

　　

牛油果因其营养丰富而广受消费者青睐，但全球每年约有20%的进口牛油果因成熟度不当（如过熟或未熟）被废弃，造成巨大经济损耗和环境压力。传统依赖人工观察颜色或按压硬度的方式不仅效率低下，且难以准确反映果实内部变化。尤其牛油果采摘后仍会持续后熟，其外部特征与内部状态常不匹配，导致供应链中品质控制困难。为解决这一难题，M. Wu、Z. Choffin、L. Kong、H. Lee、S. Sun及Nathan Jeong等研究人员在《IEEE Journal of Microwaves》上发表论文，提出将微波成像技术与深度学习相结合，实现牛油果成熟度的精准、无损分类。

为开展研究，团队设计了一套自动化微波成像系统，核心包括10个共面Vivaldi天线（CVA）构成的环形阵列、高速低损耗切换网络、矢量网络分析仪（VNA）及控制软件。天线阵列以36°间隔排布，覆盖360°扫描视角，工作频带为3.3–8.7 GHz。通过Arduino微控制器控制SPDT（单刀双掷）与SP10T（单刀十掷）开关，快速切换45个传输-接收通道，采集S₂₁参数。系统采用延迟求和（Delay-And-Sum）波束成形算法重建图像，通过对比空气参考样本消除环境干扰。所有牛油果样本均购自同一超市，确保来源一致性，并通过硬度计（FR-5120）和色度计（WR-10QC）测量硬度与表皮亮度（L值），辅以剖切视觉验证，确立五类成熟度标签。微波图像经裁剪为96×96像素并归一化处理后，通过旋转增强数据量，最终构建包含1680张图像的数据集。

关键技术方法

研究采用环形超宽带Vivaldi天线阵列与高速开关网络实现多角度微波信号采集；通过Delay-And-Sum算法重建内部介电分布图像；利用卷积神经网络（CNN）提取图像特征，其结构包含3个卷积层（内核5×5）、最大池化层（2×2）及全连接层，以Adam优化器和交叉熵损失函数进行训练；通过K折交叉验证（K=5）评估模型稳定性。

微波图像系统性能

系统在65秒内完成单样本扫描与成像，成像区域分辨率达310×310像素，经裁剪后聚焦于牛油果本体（96×96）。

重建图像通过热力图（红色表示高介电区域）清晰显示果肉分布，如图3所示。

成熟度验证标准

通过硬度、色度与剖切结果确立五阶段成熟度：未熟（Day 1）硬度最高、L值最大，果肉坚实；微熟（Day 3）硬度下降60%，表皮变暗；成熟（Day 5）硬度进一步降低，果肉软化；近过熟（Day 7）出现黑斑，表皮干燥；过熟（Day 9–13）果肉腐败、萎缩。图6–8展示了硬度、L值及剖切形态的演变规律。

机器学习分类结果

CNN模型在100轮训练后准确率达89%，验证损失快速收敛（图9），K折验证平均准确率提升至90%（表4）。

混淆矩阵（图12）显示主要误分类发生于微熟与近过熟阶段，归因于个别样本（如11号）成熟轨迹异常。

与支持向量机（SVM，84.61%）和随机森林（RF，82.69%）相比，CNN展现出更优特征提取能力。

讨论与意义

本研究成功将微波成像与机器学习结合，实现了牛油果成熟度的无损、高效分类。相较于X射线、高光谱成像等技术（表1），MWI兼具非接触、深穿透、低成本及安全性优势。

尽管当前成像时间需65秒，但通过硬件加速与算法优化可进一步提速，满足产业化需求。该技术为农产品质量评估提供了新范式，未来可扩展至其他果蔬的内部缺陷检测，推动农业智能化发展。