基于CNN的橘子新鲜度检测系统设计与实现

1. 项目背景与核心价值

水果新鲜度检测一直是农产品质量管控的关键环节。传统人工分拣方式存在效率低、主观性强、成本高等问题。这个毕业设计项目采用CNN卷积神经网络构建了一套端到端的橘子新鲜度自动识别系统，为小型水果分拣场景提供了低成本技术方案。

我在参与某柑橘合作社的自动化改造项目时，曾亲眼目睹人工分拣线每天需要雇佣20名工人进行三班倒作业，不仅人力成本高昂，而且分拣准确率只能维持在85%左右。这促使我开始探索计算机视觉在农产品检测中的应用可能。

2. 技术方案设计

2.1 整体架构设计

系统采用经典的图像分类Pipeline：

1. 数据采集模块：搭建简易拍摄环境获取橘子表面图像
2. 预处理模块：图像增强与标准化处理
3. CNN特征提取：使用改进的轻量级网络结构
4. 分类决策层：输出新鲜/不新鲜二分类结果

关键设计考量：在保证精度的前提下，特别注重模型轻量化以适应边缘设备部署需求。实测在树莓派4B上可实现每秒5-8帧的处理速度。

2.2 数据准备要点

数据集构建过程中有几个重要发现：

• 最佳拍摄角度为45度斜上方光源
• 需要包含不同光照条件下的样本（自然光/补光灯）
• 关键特征区域集中在果蒂和果皮纹理

我们最终采集了2000张样本图像，按7:2:1划分训练集/验证集/测试集。数据增强策略包括：

• 随机旋转（-15°~15°）
• 亮度调整（±20%）
• 添加高斯噪声（σ=0.01）

3. 模型实现细节

3.1 网络结构优化

基于MobileNetV2进行改进：

1. 将最后3个倒残差块的扩张因子从6降至4
2. 移除原网络中部分SE注意力模块
3. 添加自定义的浅层纹理特征提取分支

python复制class CitrusNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.backbone = mobilenet_v2(pretrained=True).features
        self.texture_branch = nn.Sequential(
            nn.Conv2d(3, 16, kernel_size=5, stride=2),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        self.classifier = nn.Linear(1280+256, 2)
        
    def forward(self, x):
        x1 = self.backbone(x)
        x2 = self.texture_branch(x)
        x = torch.cat([x1.mean([2,3]), x2.view(-1,256)], dim=1)
        return self.classifier(x)

3.2 训练技巧

采用分阶段训练策略：

1. 冻结backbone只训练纹理分支（lr=1e-3）
2. 解冻全部参数联合训练（lr=5e-4）
3. 最后微调分类头（lr=1e-4）

使用Focal Loss解决类别不平衡问题：

python复制criterion = FocalLoss(gamma=2, alpha=[0.3, 0.7])

4. 部署与优化

4.1 模型压缩方案

通过以下手段将模型从17MB压缩到3.8MB：

• 通道剪枝（移除20%卷积通道）
• 8位量化（TensorRT）
• 权重共享（k-means聚类）

4.2 边缘设备部署

在树莓派上的优化技巧：

1. 使用OpenCV的DNN模块而非PyTorch
2. 将图像缩放提前到摄像头采集阶段
3. 启用多线程流水线处理

实测指标：

• 推理耗时：120ms/帧
• 准确率：测试集达到93.2%
• 功耗：2.8W@满载

5. 常见问题与解决方案

5.1 误判场景分析

发现三类典型误判：

1. 表面带水珠的橘子（解决方案：增加干燥样本）
2. 特殊品种的厚皮橘子（解决方案：扩充品种数据）
3. 强反光情况（解决方案：添加偏振滤镜）

5.2 数据不足应对

当样本有限时可采用：

• 迁移学习：使用ImageNet预训练权重
• 半监督学习：伪标签技术
• 合成数据：GAN生成缺陷样本

6. 项目扩展方向

实际部署后可考虑：

1. 多水果兼容分类（需修改最后一层结构）
2. 新鲜度分级（改为回归任务）
3. 云端协同计算（边缘设备+服务器）

这个项目最让我意外的是，简单的网络结构调整配合恰当的数据增强，就能在农产品检测这种特定场景取得媲美大型模型的性能。建议初学者不要盲目追求复杂模型，而应该先深入理解业务场景的视觉特征本质。