基于Matlab和机器学习的水果缺陷分选实战

接手这个项目之前，我一直觉得水果分选不是什么高科技：无非是传送带上拍张照片，把颜色不对、形状不对的果子踢出去。真等动手做起来才发现，问题多得很。同一批苹果，早上采的和下午采的底色都不一样；运输出来的轻微碰伤前期根本看不出颜色变化，等到了客户手里才发黑；还有果皮上的蜡质高光，反光点能直接把相机参数带偏。单纯用阈值分割，调一组参数只能在一堆果子里活下去，换一批样本就崩。后来我把方案改成“图像特征提取 + 机器学习分类器”，全程用Matlab做原型验证，总算是把缺陷水果分选这件事从玄学变成了工程。这套流程做下来，我觉得值得整理成一篇完整的记录。

1. 先厘清边界：分选问题到底要解决什么

很多人一听到“缺陷检测”就想着用深度学习把病害区域框出来。但在实际产线上，尤其是中小规模的加工厂，问题往往更简单也更直接：他们只需要把果子分成“能卖的”和“不能卖的”，最多再加一档“可以降级处理”。所以我在项目一开始做的事，不是让模型去数有几个虫眼，而是和需求方把标准和优先级定下来。

1.1 缺陷类型和检测难点的初步拆解

常见的水果缺陷大体分几类：机械损伤（磕碰、挤压、划痕）、病理缺陷（腐烂、霉变、果锈）、虫害（虫眼、蛀洞）、还有形态异常（畸形、裂果）。每一类在图像上的表现完全不同。磕碰伤早期在颜色上变化很小，可能只是轻微凹陷，光线一变就看不见；腐烂区域则是从一个小点开始向外蔓延，颜色不均匀，边缘模糊；划痕是线状结构，形状细长；果锈这类表面纹理变化，颜色和正常果皮差别不大，但质感不一样。

这就意味着，单一特征很难覆盖所有缺陷。颜色特征对腐烂和褪色敏感，但对早期碰伤基本无效；纹理特征能抓住果皮表面粗糙度变化，却容易受果实品种影响；形状特征又能排除一些畸形果，但对斑点类缺陷无能为力。所以特征融合是必须的，而不是找到某一个“神奇特征”然后一劳永逸。

检测难点的第二个维度是环境。产线不是实验室，自然光和日光灯混在一起，传送带背景颜色可能跟果皮接近，果子还会滚动旋转，同一个缺陷在不同姿态下的形状会有很大变化。假如只采集“摆正了拍”的样本，训练出来的模型到了现场几乎没法用。项目一开始我吃过大亏就是在这里：用固定角度拍摄的图做测试准确率有98%，换成传送带随机角度一测，直接掉到82%。后来才把空间翻转和旋转增强加进去。

1.2 为什么传统阈值分割在这里不够用

传统机器视觉做人机分选，最经典的做法是在某个颜色空间里做阈值分割。比如把RGB转换到HSV或者Lab，然后在色调通道上设一个区间，把超出区间的像素标记为缺陷。这在单一背景、恒定光源下很有效，也是很多教科书里的入门案例。但真实水果分选要面对的信息不是一块简单的色块，而是一颗果实的局部区域。

原因有几层。第一，果皮的颜色不是均匀色，不同品种、不同成熟度、甚至同一颗果子的阴阳面都存在连续的渐变，阈值只能画一条硬线，很容易把正常的深色区域归为缺陷。第二，高光导致的过曝区域在HSI空间里会拉低饱和度，而这些区域的色调值不稳定，用固定阈值没法稳定识别。第三，阈值分割没有形状和纹理的概念。一块碰伤可能颜色只深了一点点，面积也不大，但是在固定阈值下它可能和果萼阴影混在一起，只有加入形态学先验才能分开。

机器学习方法不一样的地方在于，它用多个特征共同构造一个分类边界，而不是靠一两个通道的绝对数值。同样是碰伤，颜色特征给一个弱的信号，纹理特征给一个弱的信号，形状特征再给一个提示，三个弱信号合并起来，分类器就能学出一个比“颜色等于某个值”稳健得多的判断边界。这是它在缺陷水果分选里能站住脚的根本原因。

2. 数据准备与标注：整个项目最容易翻车的地方

模型训练花的时间其实不长，真正把进度拖慢的，是数据。我得说实话，如果你打算在Matlab里跑通这条流程，请把七成精力放在数据采集和标注上。模型好不好，一开始就由数据决定了。很多刚接触机器学习的开发者想不明白，觉得算法才是核心，结果数据标的乱七八糟，后面怎么调都救不回来。

2.1 图像采集阶段就要考虑产线约束

相机选型不用刻意追求超高分辨率，关键是要让最小的目标缺陷在图像上至少占据几个像素。比如你要求检测1毫米的瑕疵，视野宽度是100毫米，相机分辨率是1000像素，那么1像素对应0.1毫米，理论上够了，但要考虑运动模糊和镜头畸变，实际最好让最小缺陷占5个像素以上，也就是分辨率再大两到三倍。

光源是另一个高优先级问题。水果表面多半有蜡质或绒毛，容易产生镜面反射。刚开始我用了环形LED直射光，拍出来的苹果每个都有两个刺眼的白点，那个区域的颜色信息完全丢失，触发了大量误报。后来参考果品行业常见做法，改用低角度漫射光并加偏振镜，才把高光压下去。如果是在传送带场景，还必须注意曝光时间要短，否则运动模糊会抹掉细小的划痕。一个比较稳的参数组合是：曝光时间控制在1/1000秒以内，相机离果面30-40厘米，光圈调小一点保证景深够用，传送带速度不要超过每秒0.5米。

数据集划分也要讲究。同一颗果实多次拍摄的图像，应该全部放进同一个集合，要么都在训练集，要么都在测试集。否则模型在训练阶段“见过”某一颗果子的不同角度，测试时又碰到同一颗果子的另一个角度，造成数据泄露，测试准确率虚高。很多项目报告里写的99%准确率就是这么灌水灌出来的，一到现场就露馅。

2.2 标注规范、样本均衡和数据增强

标注本身不复杂，但要有统一规范。Matlab自带的Image Labeler可以用来框选缺陷区域，也可以直接用文件夹方式：把正常果实和缺陷果实的整图分别放在train/normal、train/defect里，用图像级标签做分类。对于分选需求，整图级二分类往往已经足够，不需要做像素级分割。但是要明确一条标注规则：一张图只要存在任意一处明显缺陷，就标记为缺陷类，不要因为缺陷小就犹豫。标准不一致，标签噪声会严重影响模型效果。

类别不平衡是这个项目里几乎必然遇到的问题。正常果实数量多，缺陷果实数量少，比例可能到10比1。如果直接训练，分类器会倾向于把所有样本都判成正常，因为这样正确率也高。解决思路有三种：一是对缺陷样本做重采样，把少数类复制几份；二是对多数类做欠采样，但会丢失信息；三是做离线数据增强，对缺陷样本进行旋转、平移、缩放、亮度抖动，然后在训练中过采样。实测下来，先用数据增强把缺陷样本数量补到正常样本的六到七成，再配合SVM的代价敏感学习，效果最好。

数据增强在Matlab里可以自己写，也可以直接用图像增强工具函数。旋转角度最好覆盖±30度，因为传送带上的果实姿态随机；亮度抖动范围设在±15%左右，模拟不同光照；水平翻转和轻微缩放也可以加。要注意的是，增强只能用于训练集，测试集必须保持现场采集的原始分布，否则评估结果不真实。我习惯在增强之后人工抽样看几十张图，确认增强没有把缺陷特征给扭曲掉。

3. 特征工程：从像素到可学习向量的核心环节

机器学习分类器输入的不是图像本身，而是一个固定长度的特征向量。特征工程的任务，就是想办法把图像里的物理差异量化成数值。这一步做得好不好，直接决定分类器的上限。传统机器学习领域有句话叫“Garbage in, garbage out”，特征就是那个输入。

3.1 颜色特征：从RGB转换到HSV和Lab

RGB是最原始的颜色表示，但它三个通道之间相关性强，而且受光照强度影响很大。同样是红色苹果，暗处拍出来的R值可能和亮处的G值差不多。所以更合适的做法是把图像转换到HSV或Lab色彩空间。

HSV中H表示色相，跟亮度关系小，适合用来区分果皮颜色异常；S表示饱和度，腐烂区域往往伴随饱和度降低；V表示明度，高光和暗影都反映在V上。Lab色彩空间的a分量在绿色和红色之间变化，对于苹果这类红色水果红，很容易判断成熟度和底色偏差。我常用的流程是：

% 读取图像并转换到HSV空间 img = imread('sample.jpg'); hsvImg = rgb2hsv(img); H = hsvImg(:,:,1); S = hsvImg(:,:,2); V = hsvImg(:,:,3); % 统计H通道基础指标 hMean = mean(H(:)); hStd = std(H(:)); hP95 = prctile(H(:), 95); hP05 = prctile(H(:), 5);

这里之所以用分位数而不是最大最小值，是因为单个像素噪声很容易让最大值失真。取5%到95%的分位数，能描述主要像素的分布，过滤掉极端反光点。对S和V通道也同样统计均值、标准差和分位数，这样一个果实就能得到一组颜色描述子。缺陷区域在颜色上通常表现为色相偏移、饱和度异常或明度突变，这三类信息必须一起喂给分类器。

3.2 纹理与形状特征：捕捉颜色看不出的问题

早期碰伤和果锈这种缺陷，颜色变化很弱，但表面纹理会有明显的粗糙度变化。灰度共生矩阵是一种经典的纹理描述方式。Matlab里用graycomatrix和graycoprops可以快速计算对比度、能量、相关性和同质性。对比度反映纹理的深浅差异，能量反映纹理的均匀性，相关性反映纹理方向性。对果实缺陷来说，正常果皮纹理相对均匀，能量较高；碰伤区和腐烂区纹理杂乱，对比度上升，能量下降。

局部二值模式同样常用。它的核心思想是给每个像素点周边做二进制编码，统计整个图像中不同编码模式的频率直方图。Matlab从某个版本开始提供了extractLBPFeatures，可以直接得到LBP特征向量。如果版本较低，也可以自己写一个函数，网上类似实现很多，但要注意边界像素处理。

% 灰度图像上的GLCM特征 grayImg = rgb2gray(img); offset = [0 1; -1 1; -1 0; -1 -1]; % 四个方向 glcm = graycomatrix(grayImg, 'Offset', offset, 'Symmetric', true); textureStats = graycoprops(glcm, {'Contrast','Correlation','Energy','Homogeneity'});

形状特征也是不可忽略的一环。在特征提取之前，需要先把果实区域从背景中分割出来，最简单的做法是用Otsu阈值分割或者K-means把图像分成前景和背景，然后取面积最大的连通域作为果实。随后用regionprops计算面积、周长、离心率、致密性等几何属性。圆形度可以这样算：circularity = 4*pi*Area/(Perimeter^2)。正常果实的圆形度接近1，畸形果或严重裂纹果的圆形度会明显下降。把这些形状指标和颜色、纹理特征拼接在一起，就得到了每张图像的特征向量。

3.3 特征标准化和降维

不同特征量纲差别很大：面积可能是几千，色相均值是0到1，对比度可能是几万。这种差异会让SVM在高维空间里被量纲大的特征主导。所以训练前必须做Z-score标准化，让每个特征均值为0、标准差为1。Matlab里一句[X, mu, sigma] = zscore(X)就搞定。训练时保存mu和sigma，预测时用同样参数对测试数据做标准化。

特征数量要控制。如果只有几十个特征，通常不需要降维。但如果把LBP的全部直方图bin都纳入，维度可能到几百，这时候可以做PCA或者用relieff选择有效的特征子集。我实际走下来，颜色统计量大约五六个、GLCM四个、LBP二三十个、形状三四个，总共不超过五十维，配合样本量几百张，已经足够训练出稳定的模型。特征越多越要小心过拟合，模型在训练集上表现好不代表在明天新采的果子上表现好。

4. 分类器训练与评估：选择合适的机器学习算法

有了特征向量和标签，接下来就是选分类器。Matlab的Statistics and Machine Learning Toolbox里提供了SVM、随机森林（TreeBagger）、决策树、KNN、朴素贝叶斯、判别分析等多种选择。我没有一开始就全试一遍，而是先定了两个主力候选：SVM和随机森林。

4.1 SVM和随机森林怎么选

SVM的优势在于小样本下泛化能力强，尤其在高维空间里，它只依赖支持向量来构建边界，不容易被远处无关样本干扰。它的核心参数是核函数、BoxConstraint和KernelScale。核函数我用的是RBF高斯核，因为它能刻画非线性边界，对特征之间的关系没有强线性假设。BoxConstraint控制误分类惩罚，越大越容易过拟合；KernelScale控制核的宽度，越小越能拟合复杂边界但也越容易过拟合。

随机森林的思路正好相反，它是一堆决策树的集成。每棵树在数据子集和特征子集上随机训练，最后对输出做投票。它对特征相关性和异常值没有那么敏感，还能量化每个特征的重要性。在样本不均衡的时候，随机森林通常比普通SVM表现得稳。但它的模型文件偏大，预测速度稍慢，不过在单张图片级别完全够用。

下面是一个简单的对比表，我在选型时主要参考这几个维度：

我在实际项目里的选择是：先用SVM做主线，因为它在Matlab里的接口清晰、超参搜索方便，而且模型小，容易部署；随机森林作为交叉验证的对比项，用来确认SVM的性能没有异常。如果换一个数据规模更大的场景，我会更倾向于随机森林，或者直接考虑深度学习。

4.2 Matlab训练流程、交叉验证和超参搜索

SVM训练代码很简单。假设特征矩阵是X（每一行是一张图的特征向量），标签是Y（0表示正常，1表示缺陷），可以这样训练：

% 拟合并做5折交叉验证 rng(42); SVMModel = fitcsvm(X, Y, ... 'KernelFunction', 'rbf', ... 'BoxConstraint', 1, ... 'KernelScale', 'auto', ... 'Standardize', true, ... 'ClassNames', [0 1]); CVSVMModel = crossval(SVMModel, 'KFold', 5); loss = kfoldLoss(CVSVMModel); fprintf('5折交叉验证错误率: %.2f%%\n', loss * 100);

如果第一版效果不够好，可以用贝叶斯优化自动搜索超参数。Matlab的fitcsvm支持OptimizeHyperparameters选项，但要注意搜索过程会反复训练模型，样本量大的时候会等很久。为了节省时间，我会固定核函数为RBF，只优化BoxConstraint和KernelScale两个参数，目标函数是交叉验证损失。

optimizedSVMModel = fitcsvm(X, Y, ... 'KernelFunction', 'rbf', ... 'OptimizeHyperparameters', {'BoxConstraint','KernelScale'}, ... 'HyperparameterOptimizationOptions', struct(... 'AcquisitionFunctionName', 'expected-improvement-plus', ... 'MaxObjectiveEvaluations', 30, ... 'Kfold', 5));

评估阶段不要只看准确率。在分选场景里，漏掉一个坏果流出到市场，比误杀一个好果的代价大得多。所以我更关心召回率，也就是所有真实缺陷样本中有多少被正确识别出来。用confusionchart可以清楚展示混淆矩阵，然后手工计算精确率、召回率和F1分数。精确率是机器判定为缺陷的样本中有多少真的是缺陷；召回率是确实有缺陷的样本中有多少被判出来。分选系统的目标通常是高召回率，即使牺牲一点精确率，让误杀率稍微高一点，也比漏检亡羊补牢强。如果需要调整阈值，SVM默认阈值是0.5，可以通过fitcsvm的ScoreTransform和predict输出来调整。

5. 实际部署与现场调试：从正确率到稳定性的距离

模型在实验台上跑出95%的准确率，只代表故事刚开了个头。现场环境的变化会让精度掉得你怀疑人生。我在这部分要写的是如何把一个看上去还行的模型，变成一个真正能在产线上连续工作的分选逻辑。

5.1 打包部署方案与实时性预算

Matlab模型部署有几个可选路线。如果工厂的工控机装了Matlab运行环境，可以通过Application Compiler打包成独立程序，界面做成简单的实时检测窗口。如果后续要嵌入到小型设备里，可以用MATLAB Coder将特征提取和SVM预测的代码转换成C/C++，部署在ARM板卡或工业计算机上。我建议从一开始就把特征提取和分类器封装成独立函数，输入是图像路径或图像矩阵，输出是标签和置信度，这样后续不管走哪条部署路线都方便。

实时性要提前算好。比如传送带速度是每秒0.5米，相机视野宽度是30厘米，那么每张图有效时间大约是0.6秒。图像采集、预处理、特征提取和分类加起来必须小于这个时间。传统特征提取加SVM通常在几十毫秒内完成，压力不大。如果用深度学习做端到端检测，单张图在普通CPU上可能到几百毫秒，必须上GPU，否则跟不上产线。这也是我坚持用传统机器学习的一个重要原因：成本低，部署简单。

5.2 现场最常见的两类翻车问题和修复方法

第一个翻车点是高光。水果表面有一层天然蜡质，进入分选现场后，光源角度和输送带振动会让高光位置不断变化。高光区域的像素几乎饱和，颜色特征完全失真，SVM可能把这些区域当成异常。应对办法有两种：一种是在光源设计阶段加偏振片，物理上消除镜面反射；另一种是在算法上检测高光区域，如果高光占比过高，就把该区域从特征统计中剔除，或者单独把高光比例作为一个特征加入模型，让模型学会处理它。

第二个翻车点是品种和产地的底色变化。同一批模型的测试数据是某个产地的红富士，下一次来的是山东栖霞产的，颜色更红更深，模型的误报率立刻就上去了。这说明模型并不是学会了“缺陷是什么”，而是记住了“当前数据里缺陷长什么样”。解决办法不是重新开发，而是维护一个增量样本库。现场每次人工抽检发现误报或漏检，就把对应图片归档，每周重新训练一次模型，测试集里保留一批固定样本来验证模型是否回退。这比一次性交付模型然后甩手不管要实用得多。

5.3 一条更稳妥的迭代路线

如果现在让我重新做一个水果分选项目，我不会急着堆特征或者直接套深度网络。我会先搭一个最小闭环：用最基础的颜色和形状特征训练一个SVM，放到几段真实视频里跑一跑，看看失败案例集中在哪。是光线问题，还是标注问题，还是特征不足以区分？根据失败案例再决定加纹理特征、调超参数、或者换模型。每一个调整都用历史回归测试集验证，避免修好一个错引出另一个错。

最后分享一个习惯：我在每轮实验后都会保留一份模型配置文件，里面记录特征列表、采集日期、图像预处理参数、分类器参数、测试集组成和混淆矩阵结果。这样过了两个月再打开项目，还能快速复现当时的实验，而不是面对着十几个不同版本的脚本发呆。做工程不是写论文，可复现性和鲁棒性才是真正让分选项目从实验室走向产线的关键。