A Comprehensive Review of Deep Learning and Computer Vision Techniques for Fruit Quality Assessment and Classification
系统综述深度学习与计算机视觉在水果品质评估与分级中的全流程方法。
← 主题
计算机视觉 深度学习
An empirical performance comparison of deep learning models for apple leaf disease recognition
用UNet++分割苹果病叶并融合多种CNN与ViT分类，实现98.85%识别准确率。
Computer Vision from Tea Cultivation to Quality Evaluation(MDPI Foods 2026-08-17)
茶叶栽培到品质评估的计算机视觉综述。全面比较视觉技术(RGB、高光谱、近红外、热成像、LiDAR、UAV)并建立任务导向的算法选择框架。小样本或近线性问题传统机器学习(SVM、PLSR)依然有效;非结构化田间任务深度学习表现优越:害虫检测准确率超97%,茶芽RGB图像检测96.8%,高光谱预测氮含量R²>0.90、茶多酚R²高达0.925。算法选择需进一步按任务粒度区分:轻量级CNN平衡边缘部署速度与精度(16fps);YOLO系列检测器在移动平台实现实时定位(93.1%准确率、24ms/目标)。