机器视觉在果蔬分级中的落地

关键词　机器视觉果蔬分级近红外检测无损检测智能分选线鲜苹果标准

一、分级要解决的是一致性

果蔬分级要解决的是一致性，让同一批次里的判定标准统一。人工分拣按色泽、果径与手感分别判断，40 多名工人同时作业时，标准会随班次与个人经验浮动。

机器视觉把外观拆成颜色、果形、大小与瑕疵四项可测量的指标，由相机逐果采集，判定标准写进程序，同一档位的判定在整条线上保持一致。

图 1　机器视觉分级的三层检测

二、外观检测：色泽、果形、大小与瑕疵

外观检测用工业相机在输送线上连续拍摄，逐果输出色泽、果形、大小与瑕疵四类结果。绿萌的视觉识别系统 FRUSCAN 能对果实做 360 度扫描，捕捉颜色、果形、大小、磕伤与瑕疵。

瑕疵识别的难点在数据。同一品种在不同产区、不同年份的果锈与病斑形态不同，识别模型要按品种与产区分别训练，通用模型在新产区容易漏检。

三、内部品质检测：糖度、褐变与霉心病

外观合格不等于品质合格。近红外光谱可以在不破皮的前提下检测可溶性固形物，也就是糖度，同时识别褐变、霉心病等内部问题。绿萌的 INFRUSCAN 系列把内部品质检测做成独立模块。

内部检测的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，标定工作决定了设备在跨品类使用时的表现。

四、分级标准与自动化分选的接口

鲜苹果的质量等级与理化指标见 GB/T 10651，2026 年发布的版本把着色要求、果锈分类与容许度作了细化，并在附录中给出单果重参考范围，供自动化分选设备设置参数。

标准给出的是等级到指标的对应关系，设备厂商要做的是把等级要求翻译成分选线可执行的阈值。这个环节的接口如果对不上，就会出现按标准判为一等的果被设备分到二等的情况。

五、检测算法与准确率

产线上的果实不断旋转，识别要在运动中完成。华中农业大学的一项研究以输送机上随机旋转的柑橘为对象，用卷积神经网络做缺陷检测，再结合跟踪算法记录路径信息，跟踪精度达到 98.4%，分类精度达到 92.8%。

准确率以外还要看一致性。设备在全天连续作业中输出的判定是否稳定，比单次测试的峰值数字更能决定收购方是否接受这台设备给出的分档结果。

六、产地端案例：陕投苹果选果线

2024 年 12 月，陕西白水县首台 AI 智能四通道选果线进场安装，由江西绿萌科技研发制造，配备高分辨率视觉系统，用近红外光谱非侵入式检测糖度、褐变与霉心病，分选精确度达到 98%，每天分选量可达 100 吨。

这台设备把苹果按出口、高端商超、普通市场与电商平台分档处理。分档标准由客户设定，同一批果可以按不同渠道的要求输出不同的结果。

图 2　白水 AI 选果线的运行指标

七、中小包装端的案例：礼泉江山果家

陕西礼泉的江山果家 2025 年 7 月引进绿萌 FRUSCAN S10 视觉分选系统，设备搭载双链条滚动输送线，可设置 28 个果品分级档位。改造前，40 多名工人分选，每日最多分选 5 万斤苹果，售后率达到 10%。

改造后日分选量提升到 11 万斤，售后率降到 3%，工人从分选工序转到包装与质检。分选工序的自动化把分级标准固定下来，好果的定价随之稳定。

图 3　江山果家分选线改造前后（万斤）

八、装备企业的收入结构

分选装备在装备企业里是主要收入来源。泰禾智能 2024 年营业收入 5.64 亿元，同比增加 10.68%，其中智能检测分选装备收入 4.75 亿元，占营业收入的 84.24%，毛利率 39.59%。

应用行业从农副食品向矿石分选延伸。同一套视觉识别与分选平台在不同物料上的复用，摊薄了单一品类的研发投入。

图 4　泰禾智能分产品收入（亿元）

九、分选设备的门槛与进入方式

一台多通道分选线的投入较高，产地包装厂与合作社往往一次上不起。设备厂商的进入方式随之分层，大型产区直接采购整线，中小包装厂先上单机设备，再按品类逐步补齐。

设备价格只是门槛的一部分。设备的标定、运维与品类切换都需要技术支持，厂商的本地服务能力，决定了设备在产地能否保持出厂时的分选表现。

图 5　果蔬分选线的作业流程

十、机器视觉分级的判断

机器视觉把果蔬分级从经验判断改成指标判断，外观与内部品质分别采集，再按渠道要求输出分档。分选精确度高的设备可以达到 98%，日处理量从人工的 5 万斤级放到 11 万斤级。

落地的关键在标准与设备的接口。国家标准给出等级到指标的对应关系，设备要把等级要求翻译成阈值，接口对得上，分级结果才能与收购方的验收口径一致。

行内实情

相关问题