农产品流通研究｜三、冷链物流 ｜ 3、装备、技术与绿色｜ 51 AI与自动化装备 ｜
慕飞鸿 · 农产品流通行业研究 · 技术端·全品类·技术服务商
AI 品控把缺陷判断从人眼移到相机与算法。准确率不是单一数字，它随品类、缺陷类型与数据基础变化，外观缺陷的识别率高于内部缺陷，跨产区使用时模型要重新标定。判断一台设备好不好用，要看它在连续作业中的稳定输出，而不是单次测试的峰值。
关键词 AI品控缺陷检测机器视觉近红外检测准确率模型标定
关键数据
机器视觉测大小的准确率区间
70% 到 99.8%
外部缺陷分级为 88% 到 95%，近红外与高光谱内部检测为 80.56% 到 100%。Junhua Lu 等《From Outside to Inside: The Subtle Probing of Globular Fruits and Solanaceous Vegetables》，《Agronomy》2024 年第 14 卷第 10 期
柑橘缺陷检测的准确率
94.1%
以输送机上随机旋转的柑橘为对象，用卷积神经网络做检测，路径预测在 40 帧以后误差在 4.33 像素以内。Yonghua Yu 等《A vision system based on CNN-LSTM for robotic citrus sorting》，《Information Processing in Agriculture》2024 年第 11 卷第 1 期
苹果缺陷分割与分级的准确率
91%
缺陷分割精确率 93%、召回率 90%、准确率 91%；品质分级精确率 91%、召回率与准确率均达 90%。Xiaotong Gao 等《Application of Advanced Deep Learning Models for Efficient Apple Defect Detection and Quality Grading》，《Agriculture》2024 年第 14 卷第 7 期（MDPI 期刊）
美亚光电 2024 年色选机收入
16.22亿元
同比增长 9.87%，占营业收入的 70.19%；公司全年营业收入 23.11 亿元，研发投入 1.6 亿元、同比增长 7.3%。深圳证券交易所披露的美亚光电（002690）2024 年年度报告
红薯表面缺陷三分类的准确率
82.6%
四类分级综合多视角信息后整体准确率为 91.7%；尺寸估计准确率为 96.7% 与 90.3%。Xu Jiajun 等《Prototyping and evaluation of a novel machine vision system》，《Computers and Electronics in Agriculture》2024 年第 219 卷（Elsevier 期刊）
一、AI品控检测什么
AI 品控在农产品上主要检测三类问题，外观缺陷、内部品质与异物。外观缺陷含色泽不均、果形异常、磕伤与病斑；内部品质含糖度、褐变与霉心病；异物含金属、石子与玻璃，三类问题对应不同的处理方式。
检测手段按目标选。外观用工业相机与深度学习模型，内部用近红外光谱做无损检测，异物用 X 光穿透检测。三类结果合成之后，才对应到品级与是否放行，单一手段覆盖不了全部问题。
图 1 准确率的分层检测手段
二、缺陷检测的准确率处在什么水平
准确率按检测目标分层。机器视觉测尺寸的准确率高，外部缺陷分级次之，内部检测受果皮与温度影响，准确率区间更宽。一项针对球状果实与茄科蔬菜的综述给出区间，机器视觉测大小的准确率为 70% 到 99.8%，外部缺陷分级为 88% 到 95%，近红外与高光谱内部检测为 80.56% 到 100%。
这些区间说明的是方法的能力边界，不是某一台设备的出厂指标。同一台设备在不同品类上的表现差别较大，采购时要按目标品类看实测数据，而不是拿综述里的峰值当承诺。
图 2 机器视觉与近红外检测的准确率区间（%）
三、外观缺陷检测的模型与难点
外观检测用工业相机连续拍摄，逐果输出色泽、果形、大小与瑕疵。缺陷识别的难点在数据，同一品种在不同产区、不同年份的果锈与病斑形态不同，通用模型在新产区容易漏检，识别率会明显下降。
解决办法是按品种与产区分别训练模型。苹果的缺陷检测与分级研究里，深度学习模型在缺陷分割上做到精确率 93%、召回率 90%、准确率 91%，在品质分级上精确率 91%、召回率与准确率均达 90%，说明分品类训练的可行性。
四、内部品质检测的准确率
内部检测用近红外光谱，在不破皮的前提下测糖度并识别褐变与霉心病。准确率受果皮厚度与温度影响，同一台设备在南方柑橘与北方苹果上的参数要分别标定，标定不到位时偏差会放大。
标定的工作量决定设备跨品类使用的表现。近红外与高光谱内部检测的准确率区间为 80.56% 到 100%，区间下沿对应的多是果皮厚、内部结构复杂的品类，标定不充分时，同一批果的判定还会出现波动。
五、柑橘分选中的检测准确率
产线上的果实不断旋转，检测要在运动中完成。一项以输送机上随机旋转的柑橘为对象的研究，用卷积神经网络做缺陷检测，再用跟踪算法预测下一帧的位置，把检测与跟踪结合，解决旋转过程中判定不稳定的问题。
研究给出的结果是检测准确率 94.1%，路径预测在 40 帧以后的误差在 4.33 像素以内，处理速度在每秒 28 帧到 62 帧之间。这个结果说明在运动场景里，检测准确率与跟踪精度要一起看，只看单帧的准确率说明不了实际表现。
图 3 三项分选任务的检测准确率（%）
六、红薯分选的准确率案例
红薯的表面缺陷检测是另一类难点。美国的一项研究设计了一条带旋转辊的输送线，用顶置彩色相机做全表面检测，用基于 YOLOv8 的视觉流程分割并跟踪每颗红薯，再把多视角的判定结果综合起来。
研究结果按任务分层，尺寸估计的准确率为 96.7% 与 90.3%，表面缺陷三分类的整体准确率为 82.6%，四类分级在综合多视角信息后整体准确率为 91.7%。同一台设备在不同任务上的差距，说明准确率要落到具体任务上，不能用一个数字概括。
七、装备企业的产品与收入
AI 品控装备在食品与农产品加工里已是成熟品类。美亚光电 2024 年实现营业收入 23.11 亿元，色选机收入 16.22 亿元、同比增长 9.87%、占营业收入的 70.19%，当年研发投入 1.6 亿元、同比增长 7.3%，色选机板块毛利率为 49.64%。
产品在往内部检测与系统方案走。公司发布的深度学习系统与数智化加工方案，把分选设备与软件系统结合，从单一装备向系统方案延伸。色选机的应用从大米去杂拓展到坚果、茶叶、果蔬、中药材等近千种物料。
图 4 美亚光电 2024 年收入结构（亿元）
八、准确率与产线节拍的关系
准确率要放在产线节拍里看。分选线按通道数与品类设计产能，识别速度跟不上输送速度，漏检就会增加；为了提准确率而降低线速，产能又达不到要求，两种做法都要付出代价。
两者的平衡落在算力与算法上。基于深度学习的模型在单帧处理时间上做到 28 帧到 62 帧每秒，能满足实时分选；模型越复杂，需要的算力越高，设备的成本随之上升，选型要在准确率与成本之间取舍。
九、准确率的验收与标定
设备验收时看的不是单次测试值。采购方要在目标品类上做连续作业测试，看判定在全天运行中的稳定程度；模型要按批次抽检，确认在原料品质波动时的表现，把误判与漏检分别统计。
标定是长期工作。同一台设备换品类要重新采集样本、调整参数；标定不充分，设备在新品类上的准确率会低于宣称值。采购合同里约定验收的品类、温区与作业时长，比单看一个准确率数字更有意义。
十、AI品控准确率的判断
AI 品控的准确率按目标分层，尺寸检测最高，外部缺陷次之，内部检测受品类影响最大。机器视觉测大小的准确率为 70% 到 99.8%，外部缺陷分级为 88% 到 95%，近红外内部检测为 80.56% 到 100%。
判断设备好不好用，要看连续作业中的稳定输出。设备在同一品类上的表现可复现，换品类时按新样本重新标定，准确率才有意义。单次测试的峰值数字，说明不了设备在产地长期运行的表现，也代表不了它在原料波动时的稳定性。
AI 品控把缺陷判断从人眼移到相机与算法，准确率按检测目标分层。机器视觉测大小的准确率为 70% 到 99.8%，外部缺陷分级为 88% 到 95%，近红外与高光谱内部检测为 80.56% 到 100%；一项柑橘研究用卷积神经网络做缺陷检测，准确率 94.1%，路径预测在 40 帧以后误差在 4.33 像素以内。美亚光电 2024 年色选机收入 16.22 亿元、同比增长 9.87%、占营业收入 70.19%。准确率要落到具体任务与连续作业的稳定输出上，换品类时要按新样本重新标定，才能与收购方的验收口径对得上。
行内实情
准确率按检测目标分层，机器视觉测大小的准确率为 70% 到 99.8%，外部缺陷分级为 88% 到 95%，近红外与高光谱内部检测为 80.56% 到 100%。
运动场景里检测准确率与跟踪精度要一起看，柑橘研究用卷积神经网络做检测，准确率 94.1%，路径预测在 40 帧以后误差在 4.33 像素以内。
同一台设备在不同任务上的表现差别较大，红薯研究的表面缺陷三分类准确率为 82.6%，四类分级综合多视角信息后为 91.7%。
相关问题
AI 品控的准确率为什么不是一个固定数字。
准确率随检测目标、品类与数据基础变化。机器视觉测大小的准确率为 70% 到 99.8%，外部缺陷分级为 88% 到 95%，内部检测用近红外与高光谱，准确率为 80.56% 到 100%。同一台设备在不同任务上的差距也大，红薯研究里表面缺陷三分类的准确率为 82.6%，四类分级综合多视角信息后为 91.7%。
外观缺陷检测的难点在哪。
难点在数据。同一品种在不同产区、不同年份的果锈与病斑形态不同，通用模型在新产区容易漏检。解决办法是按品种与产区分别训练模型。苹果的缺陷检测研究里，深度学习模型在缺陷分割上做到精确率 93%、召回率 90%、准确率 91%，在品质分级上精确率 91%、召回率与准确率均达 90%。
设备验收时该怎么看准确率。
不看单次测试值。采购方要在目标品类上做连续作业测试，看判定在全天运行中的稳定程度；模型要按批次抽检，确认在原料品质波动时的表现。标定是长期工作，同一台设备换品类要重新采集样本、调整参数。采购合同里约定验收的品类、温区与作业时长，比单看一个准确率数字更有意义。
名词解释
温区：按品类设定的储运温度区间，如冷冻、冷藏、恒温等。
写点看法