基于Legendre多小波神经网络与计算机视觉的苹果缺陷智能检测系统研究

针对传统人工分选效率低、一致性差的问题，研究人员提出DDA-ACV-LMWNN系统，通过MOFKF降噪、LSIMC分割和TOA优化的LMWNN分类器，实现苹果缺陷自动检测。实验显示其准确率最高提升26.6%，为农产品质量管控提供创新解决方案。

　　

苹果作为全球重要的经济作物，其表面缺陷会直接影响消费者购买决策和产业利润。目前人工分选存在劳动强度大、主观性强的问题，而高光谱成像(HSI)虽能实现98%的准确率，却因设备昂贵(900-2500 nm波段)、处理速度慢(200ms/苹果)难以普及。多光谱成像(MSI)在730/830 nm波段虽能实现5个/秒的检测速度，但对双色果皮缺陷识别效果欠佳。针对这些技术瓶颈，某国内研究团队在《Journal of Stored Products Research》发表研究，提出基于Legendre多小波神经网络(LMWNN)的智能检测系统DDA-ACV-LMWNN。

研究采用Kaggle数据库的苹果图像，通过多观测融合卡尔曼滤波(MOFKF)降噪，结合局部稀疏不完整多视图聚类(LSIMC)分割感兴趣区域(ROI)，最后利用暴龙优化算法(TOA)动态调整LMWNN参数。关键技术包括：1) MOFKF消除图像噪声；2) LSIMC实现像素级分割；3) LMWNN结合多小波变换与神经网络；4) TOA优化分类器超参数。

【材料与方法】
系统首先采集苹果图像，经MOFKF处理后，LSIMC算法能有效分离果皮缺陷与茎/萼区域。LMWNN通过Legendre多项式构建的小波基函数提取多尺度特征，TOA算法则优化网络权重，解决传统LMWNN缺乏参数自适应的问题。

【结果与讨论】
实验显示，相比现有技术PAPD-ML-DL、DBRA-DL和HIC-DL-EBA，新系统准确率提升16.6%-26.6%，精度提高20.32%-32.21%。特别是对早期机械损伤（30分钟内）的识别，F1-score提升25.91%-30.09%，AUC值增长26.06%-29.46%。

【结论】
该研究首次将TOA算法与LMWNN结合，突破传统检测方法在动态场景下的局限。未来可拓展至多视角成像系统，为农产品采后处理提供高性价比的自动化解决方案。作者S.K. Mydhili等强调，该系统在降低HSI设备依赖(节省SWIR波段采集成本)的同时，实现了接近实验室水平的检测精度。