编辑推荐：
随着消费者对水果品质要求提升，水果甜度检测愈发重要。研究人员针对临海蜜橘甜度预测展开研究，构建 VGG-MFO-Orange 卷积神经网络（CNN）模型。实验结果显示该模型在验证集上准确率达 86.8% ，能为农业生产水果分级提供有效手段，推动农业现代化。
在水果市场中，消费者对于水果品质的要求日益严苛，其中甜度作为衡量水果品质的关键指标，备受关注。以临海蜜橘为例，其作为我国东南沿海重要的农产品，年产出高达 30 万吨，还拥有国家地理标志认证。然而，传统的水果品质检测方法存在诸多弊端。像近红外光谱、质谱等检测水果内在特征的技术，虽然能精准测量，但设备成本高昂、需频繁校准且数据分析复杂；而人工视觉检测水果外在品质的方式，不仅效率低下、成本高，还容易出现人为误差。因此，开发一种高效、精准且成本低廉的水果甜度检测方法迫在眉睫。
为了解决这一难题，台州学院浙江省刀具重点实验室、哈尔滨商业大学轻工学院以及温州职业技术学院的研究人员共同开展了相关研究。他们创新性地设计了 Attention for Orange（AO）注意力机制和 Multiscale Feature Optimization（MFO）特征提取模块，并将其与 VGG13 卷积神经网络（CNN）相结合，提出了 VGG-MFO-Orange CNN 模型，旨在实现对临海蜜橘甜度的精准分类预测。该研究成果发表在《Scientific Reports》上。
研究人员开展此项研究时，用到的主要关键技术方法包括：首先，从临海主要产区采集 1000 个蜜橘样本，利用专业设备采集样本图像并检测其糖含量，构建了包含 5022 张图像的甜度分类数据集。之后，运用图像增强技术，如仿射变换、高斯模糊等，扩充样本数据。最后，通过训练 VGG-MFO-Orange 模型，并与其他 6 种经典 CNN 模型进行对比实验，评估模型性能。
下面来看看具体的研究结果：
- 实验配置：在特定的实验环境（Python 3.10.9、Windows 10 Professional 系统等）中，设置模型训练参数，如迭代 100 次、学习率 0.000005 等。
- 模型训练与验证：将数据集按 7:3 划分为训练集和验证集，与 6 种经典 CNN 模型对比训练和验证。结果显示，VGG-MFO-Orange 模型在训练和验证损失曲线上均快速下降且最终损失值平稳，表明其学习能力良好；而其他部分模型存在过拟合或不稳定的情况。在准确率方面，该模型在测试集上表现出色，准确率稳步提升，最终达到较高水平，而其他模型各有优劣。
- 混淆矩阵分析：从混淆矩阵来看，VGG-MFO-Orange 模型在 “over 12” 和 “10 - 12” 类别上分类准确率较高，误分类错误率低。
- 特征提取能力对比：通过对比各网络最终卷积热图，VGG-MFO-Orange 模型在特征提取时注意力更集中于水果边缘和底部等关键区域，相比其他模型特征提取能力更强。同时，对该模型不同卷积层的热图分析发现，随着卷积层加深，模型能从关注整体轮廓逐渐聚焦到水果的细节特征，展现出良好的特征提取机制。此外，MFO 模块对提升模型性能有积极作用，使关键特征提取更集中于橘子皮附近。
- 综合性能评估：从精确率、召回率和 F1 分数等指标综合评估，VGG-MFO-Orange 模型在各项指标上均优于其他对比模型，表明其在处理不同类别数据时整体性能更优。不过，该模型也存在训练时间较长的问题。
研究结论和讨论部分指出，VGG-MFO-Orange 模型在临海蜜橘甜度预测上表现良好，准确率达到 0.8708。其创新之处在于提出了新的 AO 注意力机制模块和 MFO 模块，能够有效提取橘子视觉纹理特征，提升模型预测精度。但研究也存在局限性，样本仅来自一个村庄，样本数量和采集区域有限。未来研究可扩大样本采集范围和数量，进一步提升模型精度，并制作实际检测设备进行应用实践。该研究成果有望应用于移动设备，实现更广泛的水果无损检测和分类，帮助果农和经销商优化水果分级和销售渠道，推动农业生产智能化发展，在农业现代化进程中具有重要的意义。
