导读：
目的：针对传统苹果品质检测方法效率低、主观性强的问题，研究基于深度学习的苹果品质智能检测算法，实现苹果外观缺陷、成熟度和品质等级的自动化精准识别。方法：构建包含15,000张高分辨率苹果图像的大规模数据集，涵盖红富士、嘎啦、黄元帅等6个主要品种；基于YOLOv8网络架构，引入多尺度特征融合模块(MSFM)、卷积块注意力机制(CBAM)和改进的Focal Loss损失函数，设计面向苹果品质检测的深度学习模型；采用迁移学习和数据增强策略优化模型性能。结果：改进算法在苹果品质检测任务上达到96.8%的准确率，精确率95.9%，召回率96.2%，F1分数96.0%，mAP值93.7%，处理速度45.1帧/秒；相比基线YOLOv8算法，各项指标分别提升4.5%、4.3%、5.4%、4.8%、5.8%和6.9帧/秒；在缺陷检测方面，对表面斑点、破损、变色等缺陷的检测准确率均超过94%。结论：所提出的改进深度学习算法能够高效准确地实现苹果品质自动化检测，为现代果品加工业提供了有效的技术解决方案。
作者信息：
吴岩松，覃进勇，曾文俊：铜仁学院大数据学院，贵州 铜仁
正文
本研究基于YOLOv8目标检测架构，提出一种改进的苹果品质检测算法。针对苹果缺陷尺度变化大、背景干扰复杂、样本分布不均等特点，设计了多尺度特征融合模块(MSFM)、卷积块注意力机制(CBAM)和改进的Focal Loss损失函数，以提升小目标缺陷检测精度、降低背景干扰并解决样本不平衡问题。同时构建了包含15000张高分辨率图像的多品种苹果品质检测数据集，涵盖主要品种和缺陷类型。实验结果表明，改进算法在检测精度和处理速度方面相比现有方法有所提升，为苹果品质自动化检测提供了一种可行的技术方案。
1. 数据集构建
2. 改进的YOLOv8网络架构
1 ) 多尺度特征融合模块 (MSFM)
苹果缺陷在尺度上差异显著，从0.5 cm2的微小斑点到5 cm2以上的大面积损伤，跨越近10倍的尺度范围。为增强对不同尺寸缺陷的检测能力，本研究在原始特征金字塔网络(FPN)基础上设计了多尺度特征融合模块。
2 ) 卷积块注意力机制 (CBAM)
苹果品质检测中，缺陷区域通常只占图像的很小部分，而叶片、枝条、包装材料等背景信息往往会干扰检测结果。为解决这一问题，本研究引入卷积块注意力机制，通过通道注意力和空间注意力的联合作用，使模型能够自动定位并关注缺陷区域，抑制无关背景信息干扰。
3 ) 改进的损失函数
针对苹果品质检测中正负样本严重不平衡的问题，采用加权Focal Loss替代传统交叉熵损失函数。
其中，α 为类别权重，p 为预测概率，γ 为聚焦参数(设为2)，α 、β 、γ 、δ分别设为1.0、7.5、1.0、0.5。
3. 训练策略与优化
采用两阶段训练策略。第一阶段冻结主干网络，仅训练检测头(50轮)；第二阶段解冻全网络进行端到端训练(250轮)。使用AdamW优化器，初始学习率0.001，采用余弦退火调度策略(图1)。
结果与讨论
在测试集上对改进算法进行全面评估，与多种基线方法进行对比。实验结果表明(表2)，改进的YOLOv8算法在各项指标上均显著优于对比方法。
对6个苹果品种的检测性能进行详细分析，结果显示改进算法对不同品种均有良好的检测效果。从图3可以看出，各品种的准确率、精确率和召回率三项指标均保持在95%以上。
针对12种主要缺陷类型进行检测性能评估，深入分析算法对不同尺度和类型缺陷的识别能力。从表3可以看出，算法对各类缺陷都表现出良好的检测性能，但存在明显的尺度相关性特征。
为验证各改进组件的有效性，设计了详细的消融实验。采用控制变量法逐步添加改进组件，定量分析每个模块对算法性能的贡献度(表4；图5)。消融实验结果表明，每个组件都对最终性能有积极贡献。多尺度特征融合模块(MSFM))的贡献最为显著，单独添加该模块使mAP从87.9%提升至90.7%，净提升2.8个百分点(表4)，验证了多尺度特征融合对小目标缺陷检测的重要作用。
在不同硬件平台上测试算法的计算效率，结果显示改进算法在保持高精度的同时具有良好的实时性能，满足实际应用需求(表5)。
结论
实验结果表明，改进算法达到96.8%的准确率、93.7%的mAP值和45.1 FPS的处理速度，相比原始YOLOv8分别提升4.5%、5.8%和18.1%，对6个苹果品种的检测准确率均超过95%，对0.5~4.0 cm2范围内不同尺度缺陷的检测准确率保持在92.8%~97.8%区间。尽管算法在复杂环境适应性、极小缺陷识别和计算资源优化等方面仍存在局限性，但为苹果品质自动化检测提供了有效的技术方案。
基金项目：
智能计算与信息处理教育部重点实验室开放课题(2023ICIP05)；铜仁市大数据智能计算与应用重点实验室项目(铜仁市科研[2022] 5号)。