多阶段人工智能作物检测与分割框架（MACISF）

作物质量评估是现代农业中最关键的环节之一，直接影响产量优化、采后管理和粮食安全。传统的田间作物评估依赖人工检查，耗时长、主观性强且难以规模化应用。本文提出了多阶段人工智能作物检查与分割框架（Multistage AI Crop Inspection and Segmentation Framework，MACISF），这是一种基于视觉特征进行果实质量评估的自动化多阶段深度学习流程。该流程由三个阶段组成：（i）采用三阶段渐进式策略进行微调的 EfficientNetV2-L 主干网络，用于作物类型分类；（ii）七个针对不同物种的 EfficientNetV2-S 分类器，用于健康与缺陷状态检测；以及（iii）用于缺陷定位的 YOLOv8m 模块。在涵盖七种果实的复合数据集上进行训练和评估后，MACISF 实现了 99.23% 的作物类型准确率（宏平均 F1 分数为 99.23%，宏平均 AUC-ROC 为 0.993）、99.39% 的平均健康状态准确率、99.51% 的平均缺陷类别召回率，以及预计 92.3% 的分级 mAP@0.5。在作物类型分类方面，第一阶段分类器的性能仅次于 InceptionV3（低 0.15 个百分点），在使用相同数据训练的七种模型中排名第二，并优于 ResNet-50、Xception、EfficientNetB3、DenseNet-121 和 MobileNetV2。不同于这些单任务基线模型，MACISF 还能够实现健康状态评估、缺陷严重程度分级，以及逐单位的经济和营养价值评估。结果基于受控数据集中的留出测试数据报告，田间验证将作为未来研究工作开展。

作物品质评估是现代农业最关键的环节之一，直接影响产量优化、采后管理和粮食安全。传统的田间作物评估依赖人工检查，耗时、主观性强，且难以规模化应用。本文提出了多阶段人工智能作物检测与分割框架（MACISF），这是一套基于视觉特征进行果实品质评估的自动化多阶段深度学习流程。该流程包括三个阶段：（i）采用三阶段渐进式策略进行微调的 EfficientNetV2-L 骨干网络，用于作物类型分类；（ii）七个针对不同物种的 EfficientNetV2-S 分类器，用于健康与缺陷状态判别；（iii）用于缺陷定位的 YOLOv8m 模块。在涵盖七种水果的复合数据集上进行训练和评估后，MACISF 的作物类型分类准确率达到 99.23%（宏平均 F1 分数为 99.23%，宏平均 AUC-ROC 为 0.993），健康状态平均分类准确率达到 99.39%，缺陷类别平均召回率达到 99.51%，以及预计的分级

作者声明不存在利益冲突。

感谢您有意传播 bioRxiv 上的文章。

注意：索取您的电子邮件地址仅用于确认您是本文的发送者。

关键词：作物质量评估 · 计算机视觉 · 深度学习 · 图像分割 · 缺陷检测 · 精准农业

原文链接：https://www.biorxiv.org/content/10.64898/2026.10.11.758275v1?rss=1