企业官网建设流程全解析

做果蔬加工的朋友应该都有体会：分选线上的“挑坏果”这道工序，看着简单，其实是最难自动化的一环。不同品类的缺陷形态差异极大——有的是磕碰造成的褐变，有的是霉变白斑，有的是果皮疤痕——而且同一种缺陷在不同品种、不同成熟度上的表现可能完全不一样。传统机器视觉靠固定阈值去分，换个光照、换个批次就失灵。这几年我陆陆续续做了几个用机器学习做缺陷水果分选的项目，其中一个典型做法就是在Matlab里快速完成算法验证，再迁移到产线设备。这篇文章就把这套流程拆开讲清楚，从数据准备、特征与模型选型，到Matlab代码主干、评估调优，再到真正上线会遇到的工程问题，一次说透。想做缺陷水果分选、或者刚接触农产品视觉检测开发的人，都可以拿这套思路作为起点。

1. 缺陷分选的任务本质：先定义问题，再谈算法

很多人在做这类项目时容易一上来就抱着深度学习模型不放，结果数据集只有几百张图，模型训出来连自己都不信。我的经验是，先把“筛什么、分几类、目标是什么”这三件事彻底理清楚，再谈具体用哪种算法。

1.1 缺陷的类型与分级标准决定了算法的输出设计

水果缺陷在视觉上并不是同一个概念，至少可以分成这样几类：

这五类缺陷对应的视觉特征差异很大，意味着同一个模型的输入设计也可能不同。磕碰伤和腐烂适合用颜色与纹理特征捕捉，畸形更适合分析轮廓形状，而疤痕如果颜色接近正常果皮，可能要靠局部纹理细节才能抓住。

更重要的是，分拣目标通常不止“好果/坏果”二分类。产线上常见的需求是三级分选：无缺陷、轻微缺陷可打折销售、严重缺陷直接剔除。这个输出设计直接决定了最后的分类层是二分类还是三分类，也决定了评估指标怎么定。

1.2 为什么固定阈值和人工规则在坏果面前会被打穿

早期做机器视觉分选，最常见的方案是用颜色空间加阈值：把RGB转到HSV或者Lab，然后对某个通道设一个范围，超出范围就判为缺陷。这个思路在玩具数据上看着没问题，一上产线就崩，原因是这样几个：

一是光照不均。同一个苹果，表面高光区域和阴影区域的像素值差异，可能比好果和坏果的差异还大。阈值一旦固定，高光处的好果会被误杀。

二是缺陷颜色与正常果皮颜色接近。比如苹果的果锈和正常红晕之间、梨的碰伤和自然黄褐色之间，在颜色上几乎没有清晰的界线。

三是缺陷可能是局部的。一个果子95%是好的，只有一小块烂点。如果只统计全局平均色，这个小面积缺陷很容易被淹没；如果做像素级阈值，又会被果柄、花萼这些本身颜色比较深的部分干扰。

所以纯规则的方案只能在品种单一、光照控制极好、缺陷形态非常标准的条件下工作。一旦换成自然种植的水果，规则就开始失效。这个场景下，机器学习能自动从样本中学习“缺陷到底长什么样”，尤其是小的局部异常，比人工写规则靠谱得多。

1.3 机器学习介入的三个切入点

根据项目需求和数据集条件，大概有三条路线可以选：

• 整图分类：输入一张果图，输出是“好果/轻微缺陷/严重缺陷”。适合传送带上单果逐个拍照的场景，实现最简单。
• 区域检测/分割：在图上定位缺陷区域，输出缺陷位置的边界框或像素掩膜。适合需要知道“坏在哪、有多大”的场景，比如自动化削皮或精准切割。
• 质量评分回归：输出一个连续的质量分数。适合做出口分级，比如按0到100分打分，再映射到不同等级。

这三个切入点不是互斥的。我接触过的一个分选项目是先做整图分类三分类，把严重缺陷的果直接淘汰，剩下“轻微缺陷”的果再用区域检测找到缺陷位置，好让后端工人快速确认能不能降价售卖。这样既控制了初期实现难度，又满足业务需要。

2. 样本与标注：缺陷数据比模型更值得投入

说句实在话，这类项目能不能成，七成取决于数据，三成才取决于模型。但现实中大家最不重视的就是数据采集。很多项目组拿了一个公开果蔬数据集就开始跑代码，模型在公开数据上准确率很高，到了自己产线上连一半都不到。原因很简单：产线上的光照、相机角度、品种和公开数据集完全不一样。

2.1 采集环境的几个关键设置

采集图像的目标不是“拍得好看”，而是“拍得稳定”。同一个类别里，光照引起的差异越少，模型越好学。我常用的设置是这样的：

• 背景选择深色哑光板，纯黑或深蓝。这样后续做背景分割时，HSV的饱和度通道能非常干净地把水果和背景分开。
• 光源用漫射光LED面板，最好加遮光罩，避免水果表面出现镜面反射。高光的区域在图像上是白色一片，如果出现在训练集太多，模型容易把这部分误学成特征。
• 相机高度和角度固定，水果从传送带上滚过时尽量让果萼/果柄朝向侧面。角度一多变，同一个果子的外观差异会非常大，增加了不必要的分类难度。
• 分辨率不用太高，500万像素其实已经够用。更关键的是每颗果在画面里的占比要基本一致，不要让小果和大果的成像尺寸差很多。

采集数量上，我建议至少覆盖三个维度：品种、成熟度、产地批次。每个维度下的缺陷形态都会有差异，如果只采一批果，模型上线遇到新批次大概率翻车。

2.2 标注粒度：整图、框选还是像素级

这一步决定了标注成本，也决定了后面能做什么。

如果项目目标是先做分类分选，我强烈建议初期先不要做像素级标注。用文件夹结构组织数据，一个类别一个文件夹，Matlab的imageDatastore直接读取，半天就能建好一个可训练的数据集。后期如果需要上线区域检测，再挑一批样本做框选或掩膜标注。

要特别提醒的是标注标准的统一。比如“轻微碰伤”和“严重碰伤”谁说了算？如果三个标注员标准不一样，模型学到的东西就会混乱。我一般会先写一版标注规范，配几组典型的参考图，然后让标注人员先标50张，我来检查一遍，把分歧点全部统一后再扩大标注规模。

2.3 增强与类别平衡：把少量缺陷样本用出十倍效果

缺陷水果的数据集天然不平衡，好果数量远多于烂果。这很正常，因为真实产线上合格率可能就是90%以上。问题是如果直接用原始比例训练分类器，模型会把所有样本都判成好果，整体准确率依然很高，但烂果一个都没拦住。

处理思路有两个方向。第一个是过采样：对缺陷类做图像增强，让模型看到更多变换。第二个是代价敏感：在训练时给缺陷类的误判更高的惩罚权重。

Matlab里做增强非常方便，augmentedImageDatastore集成了旋转、平移、缩放、反射这些操作。我自己会额外加这三样：

• 亮度扰动（±20%），模拟不同曝光条件。
• 高斯噪声，模拟传感器噪声。
• 随机局部遮挡，模拟果梗、叶片遮挡的情况。

有一点要注意，不要过度增强。有一个常见的失败案例：把图像旋转90度后，苹果看起来还是苹果，但把长条形的香蕉旋转成竖直，外观形态就失真了，反而引入了错误样本。增强操作必须符合这个水果品类在真实分选线上可能出现的姿态。

3. 模型选型：小样本SVM与大样本CNN的边界

模型选型没有绝对的最佳，只有合不合适。对于这种单品种水果的缺陷分类任务，我通常按数据集规模画一条线：初始样本总数在几千张以内，走特征工程加SVM的路线；数据量达到数万张，或者缺陷形态特别复杂，再用卷积神经网络。

3.1 特征工程加SVM：千级样本下的稳妥路线

传统机器学习的核心是把图像变成一组有判别力的数值特征。对水果缺陷分类，我常用下面这组特征组合：

• 颜色特征：在HSV空间分别计算均值、标准差，必要时加入颜色直方图。HSV比RGB更适合描述光照差异，能把“同一颗果在不同亮度下”的差异尽量缩小。
• 纹理特征：用灰度共生矩阵（GLCM）提取对比度、能量、同质性。磕碰伤和腐烂区域在纹理上往往是粗糙的，和光滑果皮差异明显。
• 形状特征：面积、周长、圆形度、主轴长度比。对畸形果的识别特别有效。

这组特征计算量不大，维度也不高，十几维到几十维，完全不需要GPU。配合RBF核的SVM，在几百到几千样本量下，泛化能力强于很多复杂模型，而且训练只需几秒钟。

为什么这个组合在中小样本下比CNN靠谱？是因为手动特征已经先把人类经验注入进去了。比如我们明确知道颜色和纹理对缺陷判别很重要，就主动提取了这两类信息。而CNN要从零开始学这两个概念，需要大量样本才能学到，数据一少就过拟合。

3.2 迁移学习与CNN：什么时候值得切换

当条件变成这样几个，我建议切换到CNN：

• 缺陷类型多且外观变化大，手动特征开始不够用。
• 样本量已经过万，或者能拿到一个同品类相近的预训练模型做迁移学习。
• 产线光照环境无法完全控制，要求模型对光照变化有更强的鲁棒性。

CNN方案在Matlab里通常不是从零开始训练，而是用预训练网络做迁移学习。把网络的最后几层换掉，用果蔬数据微调前面的特征提取层。这样做的好处是，前面卷积层学到的边缘、纹理、颜色渐变等基础视觉特征可以复用，大大降低了对数据量的要求。

这里有一种常见的误解：以为迁移学习就不用准备太多数据了。实际上，迁移学习解决的是“特征提取能力”的起点问题，但“缺陷长什么样”这件事依然要靠你的数据教给它。如果自己的缺陷样本太少，迁移学习也一样过拟合。

3.3 为什么用Matlab做这个项目最顺手

我在这类项目里用过Python也用过Matlab，现在可以坦然地说：Matlab不是万能的，但在算法验证阶段确实是最顺手的。

第一，图像处理工具箱的函数覆盖非常完整，从读取图像、色彩空间转换到形态学处理、GLCM特征提取，全部是现成函数，不需要东拼西凑装包。

第二，从传统机器学习到深度学习，两个工具箱能无缝衔接。你可以在同一个脚本里先用SVM做基线，再用trainNetwork训练CNN，评估部分的代码几乎不用改。

第三，调试体验好。矩阵和图像的变量可以在工作区直接可视化，缩放查看缺陷区域非常直观。Python在这一点上差不少，往往要写额外代码把中间结果保存成图片才能看到。

第四，部署路径比较清晰。模型训练完之后，可以用GPU Coder生成C++/CUDA代码，也可以直接调用导出的模型在嵌入式设备上跑推理。虽然Python生态的部署工具多，但Matlab这条链路在工业场景里其实很成熟。

4. 核心代码实现：从预处理到分类的主干拆解

下面这段我尽量说细一点，把每一步的核心逻辑和为什么这么写讲清楚。完整的工程代码会多一些，但核心骨架就是这几段。

4.1 图像读取与背景分割

第一步是把图像里的水果和背景干净地分开。用深色背景的话，HSV空间里背景的饱和度通常很低，直接用饱和度阈值就能抠出前景。

% 读取图像 I = imread('apple_sample.jpg'); % 转换到HSV空间 hsv = rgb2hsv(I); % 提取饱和度通道，低饱和度的背景置为0 mask = hsv(:,:,2) > 0.15; % 形态学闭运算填充小空洞 mask = imclose(mask, strel('disk', 12)); % 填充内部孔洞 mask = imfill(mask, 'holes'); % 利用掩膜抠出前景 J = bsxfun(@times, uint8(I), uint8(mask));

这里有几个容易踩的坑。饱和度阈值不能拍脑袋定，要拿产线上实际拍的照片统计一下背景和果皮的饱和度分布再定。有的水果表面本身饱和度就不高，比如部分黄桃品种，阈值设高了会把果皮部分也当背景抠掉。闭运算的结构元素大小也要根据图像分辨率调整，图像大就适当加大半径，否则填补不了缺陷区域造成的空洞。

4.2 特征提取函数设计

特征提取的核心是把一张图像压缩成一串有判别力的数字。下面这个函数我经常用，包含了颜色矩和GLCM纹理特征。

function feat = extractFruitFeatures(I) I = im2double(I); hsv = rgb2hsv(I); % 颜色矩：每个通道的均值和标准差 feat = []; for ch = 1:3 C = hsv(:,:,ch); feat = [feat, mean(C(:)), std(C(:))]; end % 灰度共生矩阵纹理特征 gray = rgb2gray(I); glcm = graycomatrix(gray, ... 'Offset', [0 1; -1 1; -1 0; -1 -1], ... 'Sym', true, ... 'NumLevels', 64); stats = graycoprops(glcm, {'Contrast', 'Energy', 'Homogeneity'}); feat = [feat, mean(stats.Contrast), mean(stats.Energy), mean(stats.Homogeneity)]; end

这段代码的逻辑是先用HSV空间提取颜色信息，因为HSV比RGB在光照变化下更稳定；再对灰度图计算四个方向上的GLCM，把对比度、能量、同质性取平均，消除方向敏感性。如果后面发现特征不够用，可以继续加入颜色直方图、形状因子等，特征维度的扩展不影响整体流程。

4.3 SVM训练与评估

有了特征提取函数，接下来就是把整个数据集的特征矩阵算出来，然后训练SVM。

% 使用imageDatastore管理数据 imds = imageDatastore('dataset/', ... 'IncludeSubfolders', true, ... 'LabelSource', 'foldernames'); % 划分训练集和测试集，stratify保证类别比例一致 [imdsTrain, imdsTest] = splitEachLabel(imds, 0.7, 'randomized'); % 提取训练集特征 numTrain = numel(imdsTrain.Files); trainFeatures = zeros(numTrain, 9); for i = 1:numTrain I = readimage(imdsTrain, i); trainFeatures(i, :) = extractFruitFeatures(I); end trainLabels = imdsTrain.Labels; % 训练多分类SVM，RBF核，特征标准化 model = fitcecoc(trainFeatures, trainLabels, ... 'Learners', templateSVM('KernelFunction', 'rbf', 'KernelScale', 'auto'), ... 'Standardize', true); % 提取测试集特征并预测 numTest = numel(imdsTest.Files); testFeatures = zeros(numTest, 9); for i = 1:numTest I = readimage(imdsTest, i); testFeatures(i, :) = extractFruitFeatures(I); end predictions = predict(model, testFeatures); % 混淆矩阵 cm = confusionchart(imdsTest.Labels, predictions);

这段代码里有三个细节值得展开。一是splitEachLabel默认支持按类别比例分层划分，这比随机切分更靠谱，防止某一类全被分到测试集里。二是fitcecoc默认采用一对一多类策略，对三分类来说内部会有三组二分类器，效果稳定。三是特征标准化一定要打开，因为颜色矩的量级和GLCM的量级差别很大，不标准化的话SVM会过分依赖数值大的特征。

4.4 CNN快速实现的一个最小方案

如果你的数据量上来了，想切换到CNN，Matlab里的代码也很直白。

% 定义网络结构 layers = [ imageInputLayer([100 100 3]) convolution2dLayer(3, 16, 'Padding', 'same') batchNormalizationLayer reluLayer maxPooling2dLayer(2, 'Stride', 2) convolution2dLayer(3, 32, 'Padding', 'same') batchNormalizationLayer reluLayer maxPooling2dLayer(2, 'Stride', 2) fullyConnectedLayer(3) softmaxLayer classificationLayer]; % 数据增强 imageAugmenter = imageDataAugmenter(... 'RandRotation', [-15 15], ... 'RandXTranslation', [-10 10], ... 'RandYTranslation', [-10 10], ... 'RandXScale', [0.9 1.1], ... 'RandYScale', [0.9 1.1], ... 'RandBrightness', [-0.15 0.15]); augmentedImds = augmentedImageDatastore([100 100], imdsTrain, ... 'DataAugmentation', imageAugmenter); % 训练参数与训练 options = trainingOptions('adam', ... 'InitialLearnRate', 1e-3, ... 'MaxEpochs', 30, ... 'MiniBatchSize', 32, ... 'Plots', 'training-progress'); net = trainNetwork(augmentedImds, layers, options);

这里网络的卷积层参数我故意设得很小，是因为缺陷分类任务不需要像ImageNet那样上千类的大网络，小网络在数据有限时反而泛化更好、训练更快。输入图像统一缩放到100x100，足以看清局部缺陷。注意这里我用的augmentedImageDatastore只对训练集做增强，测试集不要增强，否则评估结果会失真。

4.5 跑通流程后的三条经验

第一，先跑传统特征加SVM做基线。哪怕你笃定最后用CNN，也务必先训练一个SVM基线。它能帮你快速判断数据集是否靠谱：如果SVM的准确率都达到90%以上，说明问题本身不难，CNN没必要上；如果SVM只有70%，可能数据量或特征有问题，先解决这些问题，再上CNN才有效。

第二，随时可视化中间结果。我习惯在每个处理函数里保留几张中间图像的输出，用于确认背景分割有没有把果肉切掉、特征提取是否合理。这种“看一眼中间结果”的习惯，能省下大量后期调参的时间。

第三，把特征提取函数设计成独立模块。后续无论是换网络还是加特征，都不用改主循环代码。我见过很多项目把所有逻辑写在一个脚本里，改一个参数要跑半天，这是工程习惯问题。

5. 评估指标与阈值调整：别只看准确率

很多初学者拿到测试集准确率90%就欢天喜地，这个心态在分选项目里是要吃亏的。真实产线上，准确率是最容易欺骗人的指标。

5.1 混淆矩阵在不同代价下的读法

先看一个典型的混淆矩阵场景。假设总共1000颗果，900颗好果、100颗严重缺陷。分类器把所有果全部判为好果，准确率90%。但这个分类器在产线上毫无价值，因为100颗烂果全部流入市场。

更合理的评估是分别看这三组数字：

在分选场景里，漏检和误检的成本是不对称的。漏检意味着坏果流向市场，可能引发投诉、品牌受损，单次成本可能很高。误检意味着好果被丢弃，单次成本是这颗果的售价，看起来低，但量大了累计成本也可观。

所以实际项目里我会先和业务方确认，他们更在意哪一类错误。如果更在意烂果不能流出，那就优先拉高召回率，哪怕牺牲一些精确率。这在算法上的实现方法就是调整分类阈值。

5.2 分类阈值调优的实际操作

SVM或者CNN输出的是每个类别的分类得分或概率。默认情况下，模型会把样本判给得分最高的那个类。我们可以不这么做。

具体操作是用fitcecoc的predict输出里包含得分矩阵，或者训练完CNN后用predict输出各分类的概率。然后我们不再取最大值的索引，而是自己设定一个阈值：只有当“严重缺陷”的概率超过某个值时才判为严重缺陷，否则宁可判成好果，让人工复检。

% 获取分类得分而不是硬标签 [~, scores] = predict(model, testFeatures); % 假设类别顺序是：好果=1，轻微缺陷=2，严重缺陷=3 % 自定义阈值：严重缺陷概率大于0.4才判为严重 severeIdx = scores(:, 3) > 0.4; finalLabels = repmat("好果", size(severeIdx)); finalLabels(scores(:, 2) > scores(:, 1) & scores(:, 2) > scores(:, 3)) = "轻微缺陷"; finalLabels(severeIdx) = "严重缺陷";

这个阈值怎么选定？把测试集上所有样本的分数画成直方图，或者画出ROC曲线，找到召回率与精确率的平衡点。通常我会画出阈值从0.1到0.9变化时漏检率和误检率的变化曲线，让业务方看着曲线来选阈值。因为阈值本质上是商业决策，不应该由算法工程师一个人拍板。

5.3 验证集划分：避免同批次数据泄露

这是最容易踩的一个坑，比模型本身更值得警惕。如果训练集和测试集里的图像是从同一批水果、同一光照条件下连续拍的，它们之间高度相似，测试集准确率会虚高。一旦换到新批次的水果，准确率会断崖式下跌。

正确的做法是按“批次”或“采集时间”来划分数据。比如上个月采的果图全部用于训练，这个月新采的果图全部用于测试。这样测试结果才更接近线上真实表现。也可以用cvpartition做分层交叉验证，但每一折内部的样本仍然可能来自同一批次，所以最稳妥的还是时间维度上的前后切分。

我在一个项目里就吃过这个亏。训练和测试来自同一批橘子，准确率96%，自我感觉很好。结果换了一批不同产地的橘子，准确率直接掉到82%。后来把所有数据按采集日期重新划分训练集与测试集，准确率就稳定在90%左右。这个90%虽然比96%低，但它才是真实水平。

6. 从实验室到分选线：让人头疼的是工程问题

模型在电脑上跑通只是第一步，真正上线之后你才会发现，算法本身的难度可能只占30%，剩下70%都是工程问题。这里挑三个最典型的展开说。

6.1 推理速度与硬件部署

先算一笔时间账。假设分选线传送带速度是1米/秒，相机视野覆盖20厘米，那么一颗果子从进入视野到离开视野只有0.2秒。如果你的系统还要在判定后控制机械机构把缺陷果推出去，留给算法的时间还要再砍一半，大概100毫秒。而且这100毫秒里包含图像采集、传输、推理、输出控制信号的整个链路。

SVM方案在这种场景下优势明显，单张图像特征提取加预测能在CPU上跑到几十毫秒以内。CNN方案就看硬件了，在嵌入式设备上跑小型网络也要几十毫秒，再加预处理时间就逼近极限。所以如果产线速度很快，优先选轻量网络，比如只保留两三个卷积层的极小网络，或者用深度可分离卷积结构，推理速度能大幅提升。

Matlab的部署链路是把训练好的模型导出，然后用GPU Coder生成C++代码，再交叉编译到工控机或嵌入式板卡。我建议在项目一开始就确认目标硬件，不要让算法在开发机上跑得飞快，到了产线硬件上才发现推理时间严重超标。

6.2 光源、背景、遮挡：产线环境的隐形变量

同一套训练集里的图片如果是在实验室环境拍的，到了工厂环境很容易出现三个问题。

一是环境光干扰。工厂车间的顶灯、窗户自然光都会影响成像，要装遮光罩把相机和检测区域围起来，保证检测区域的光照只来自可控光源。二是果体表面反光。表面光亮的苹果和打过蜡的水果会反射光源，形成高光区块，被模型误认成白色霉斑。解决方法是改用漫射光源，或者在预处理里把高光区域的像素做校正处理。三是果与果之间的遮挡。如果相机视野里同时出现两颗果，边缘交错，背景分割就很容易出错。这种情况要么调整物理结构让果子单颗通过，要么改用检测模型而不是分类模型。

这些事不少是到了现场才发现的。有一次项目调试时，传送带表面有一层淡淡的水渍，导致背景分割时饱和度阈值把部分背景误当成前景，间接影响了特征提取的质量。调整后加了除水装置才恢复正常。小结一下，任何“环境变化”都可能影响视觉系统的表现，在现场跑之前留出充足的联调时间。

6.3 模型上线后的维护闭环

模型上线不是结束，而是新一轮数据积累的开始。真实产线上被误判的样本是宝贵的训练资源。我建议在分选线后端加一个复核环节，定期把误检和漏检的图像回收回来，由质检人员打标签，累积一段时间后补充进训练集，做增量训练或迁移学习。

具体做法是每两周或者每月导出一批误判样本，人工复核后并入原数据集，重新训练模型并对比新旧模型在验证集上的表现。如果新模型没有提升，就检查是不是标注出了分歧；如果提升了，再部署到产线。这个节奏不需要太频繁，但是必须坚持，因为新季节、新品种的水果外观变化非常快，一个模型在另一个产季往往就不适用了。

还有一个容易忽略的细节是做好版本管理。模型文件、训练代码、数据集的版本要记录清楚，否则几个月后回来看自己当初的模型，完全不知道当时用的什么参数、什么数据训出来的。我在项目里会为每个版本建一个文件夹，包含训练脚本、网络结构定义、训练时的关键指标截图，以及模型文件的哈希值。

做这类项目，我最大的体会是：算法本身不是瓶颈，数据质量、评估方式和工程细节才是。你在Matlab里花一晚上写出来的分类器，可能比很多团队花一个月搭出来的深度学习框架更实用。先把数据准备扎实，把评估指标和业务目标对应起来，再用最小的模型跑通整个流程，最后再考虑上复杂方案，这条路是最稳的。