水果外部缺陷会造成水果卖相不佳，营养价值降低或已被污染，因此售价往往较低。工业分拣和分级机器可利用计算机视觉（CV）根据颜色、大小和质地等不同标准来区分食品，但当前所使用的传统计算机视觉系统（TCVS）缺乏能够检测多种外部缺陷的算法。因此，需要一种更好的检测算法来对水果进行分级，以确保将最好的水果送入消费市场。

   巴西坎皮纳斯州立大学的学者们在《BIOSYSTEMS ENGINEERING》合作发表了一篇题为“Computer vision based detection of external defects on tomatoes using deep learning”的研究论文，报道了一种基于计算机视觉和深度学习的番茄外部缺陷检测方法，研究提出的整个番茄分类流程如图1所示。

图1 番茄分类流程

   通过图2所示装置获取了一个包含43843幅图像的数据集。经过富有经验的专业人员人工标注后获得38884幅无缺陷图像样本和4959幅外部缺陷样本，按照2：1：1的比例确定了训练集、验证集和测试集。

图2 图像获取装置

   该研究选取了深度残差神经网络（ResNet）构建了模型框架（如图3），无需图像分割、特征工程或特征选择。由于从头开始训练DNNs需要足够强的GPU和大量的训练样本，该研究采用迁移学习代替了从头开始的训练，并制定了三步训练策略。

图3 深度残差神经网络框架

   结果表明，当有足够的数据样本时，结果最好的模型是ResNet50。该模型在验证集上和测试集上的平均精度分别达到了94.2%和94.6%。最佳分类器的召回率为86.6%，准确率为91.7%。

   图4为分拣机检测决策流程图，图中主要显示了摄像室内的检测过程，它将传感器和执行器等细节抽象化。检测阈值由用户选择，可以是最优值（0.4%）或满足排序过程的精度和召回要求的另一个值。

图4 外部缺陷检测的决策流程

   综合来看，使用深度自动编码器和一类分类器等异常检测技术很可能会进一步改善分拣结果，但对性能的影响取决于模型复杂度的增加。该模型本身没有关于番茄的先验知识，也没有可用的提高模型性能的人工特征工程，如果建立了相应的数据集，该模型就可以扩展应用到其他食品分级中。