水果新鲜程度检测数据集：从标注、训练到边缘部署的完整指南

简介这份水果新鲜程度检测数据集面向计算机视觉学习者与目标检测实践者聚焦水果新鲜与腐坏状态的识别任务可用于训练和验证 apple、bad apple、banana、bad banana 四类目标的检测模型适合课程设计、算法练手及小规模实验对比。资源包共 1192 个文件包含 397 张 jpg 原始图像、397 个 xml 标注文件与 398 个 txt 标注文件两种标签格式分别存放于独立文件夹便于适配 YOLO 与 Pascal VOC 等不同训练框架压缩包整体约 15.19MB体量轻便、易于快速加载与调试。目前已有 1437 人学习下载说明该数据集在同类任务中具备一定参考价值。读者可借助它完成数据读取、格式转换、模型训练与检测结果可视化等完整流程并对照公开的检测结果示例直观理解四类目标的标注差异与识别难点为后续扩充数据或迁移到更复杂场景打下基础。1. 水果新鲜程度检测数据集从烂果分拣到货架期预测一套数据能撑起多少事做过生鲜分拣线的人都知道水果新鲜度这件事最坑的地方在于——它不是一个非黑即白的标签。同一批苹果有的刚摘三天有的已经放了十天肉眼看着都还行但货架期差了一倍。你拿一个二分类模型去判“新鲜/腐烂”产线上根本没法用因为真正值钱的是中间那一段“还能放几天”的灰度区间。水果新鲜程度检测数据集要解决的就是把这个灰度区间用图像和标注固定下来让模型能学到从外观到内部品质的映射关系。它适合三类人做视觉分拣设备的工程师、研究农产品采后品质的团队、以及想用公开数据快速验证检测方案的个人开发者。数据集本身不复杂难的是怎么选、怎么标、怎么训、怎么把模型塞进实际产线。2. 水果新鲜程度检测数据集到底标了什么标签体系与采集口径2.1 新鲜度标签的三种主流定义方式拿到一个水果新鲜程度检测数据集第一件事不是跑模型而是看它的标签怎么定义的。目前常见的做法有三种按天数分档、按理化指标分档、按人工感官分档。按天数分档最直接比如香蕉采后第1天、第3天、第5天、第7天各拍一轮标签就是天数。这种标法适合做货架期预测但问题是不同批次的水果初始状态不一样第3天的香蕉可能比另一批第5天的还熟。按理化指标分档更硬核测硬度、可溶性固形物、失重率、色差然后聚类成几个等级。这种标签最可靠但采集成本高一般只有科研数据集会这么干。按人工感官分档最便宜找几个人按标准图卡打分但一致性差不同标注员之间能差出两个等级。我一般建议如果目标是做分拣设备用天数分档加人工复核就够了如果要做采后生理研究必须上理化指标。混合标法也常见——先按天数采再对每个样本测一个硬度值作为回归目标这样一套数据既能做分类又能做回归。2.2 采集设备与光照条件的控制要点水果新鲜度检测对光照极其敏感。同一个苹果在暖光下拍出来偏红在冷光下偏青模型很容易把色温当成新鲜度特征去学。常见做法是固定光源色温在5000K到6500K之间用漫射板消除高光背景用中性灰或白色。相机方面手机拍也不是不行但白平衡要锁死不能开自动。工业场景一般用RGB相机加一个环形光源成本不高重复性够用。采集角度也要固定。苹果的梗洼和萼洼区域最容易看出萎蔫如果只拍侧面模型学不到这些关键区域。我一般会每个样本拍三个角度正上方、侧面45度、底部。如果是长条形水果比如香蕉还要加一个弯曲内侧的视角因为那是最早出现黑斑的地方。注意采集时一定要记录环境温湿度。温度高的时候水果呼吸强度大同样的天数30度环境下的香蕉比20度环境下的熟得快得多。不记录这个后面模型泛化能力会很差。2.3 数据集规模与类别平衡的实操建议很多人问多少张图够用。如果只做二分类新鲜/不新鲜每类500张就能出baseline。但如果要做多级新鲜度分类比如5个等级每级至少300张而且等级之间的边界样本要故意多采一些。边界样本就是那种“看着像第3天又像第4天”的这些样本对模型学会区分细微差异最关键。类别不平衡是常态。新鲜的水果总是比腐烂的多因为腐烂的放不久。解决办法不是简单复制少数类而是分层采样先按等级分层再在每个等级内按品种分层。如果某个等级实在少可以用数据增强但增强要克制——旋转15度、亮度微调可以翻转和大幅裁剪会破坏新鲜度相关的纹理特征。3. 从零构建一个可训练的水果新鲜度数据集标注、清洗与格式转换3.1 标注规范分类标签与回归标签怎么打分类标签好办一个文件夹一个等级。回归标签麻烦一点因为你要给每张图一个连续值比如“剩余货架期天数”。这个值怎么来如果是按天数采的直接填天数就行。但要注意天数是从采摘时刻算还是从入库时刻算必须统一。我见过一个数据集一半样本从采摘算一半从入库算差了整整两天模型训出来完全没法用。标注文件建议用CSV每行包含文件名、品种、采集天数、存储温度、硬度值如果有、新鲜度等级、剩余货架期。这样后面做分类、回归、多任务学习都方便。不要用文件夹名当唯一标签文件夹名没法承载多个标签。import pandas as pd import os # 假设图片按 品种/等级/ 存放文件名包含采集天数 data [] root fruit_dataset for variety in os.listdir(root): for grade in os.listdir(os.path.join(root, variety)): grade_path os.path.join(root, variety, grade) for fname in os.listdir(grade_path): # 文件名格式: day03_001.jpg day int(fname.split(_)[0].replace(day, )) data.append({ filepath: os.path.join(grade_path, fname), variety: variety, grade: grade, day: day, # 剩余货架期 总货架期 - 已存放天数总货架期按品种设定 shelf_life_remaining: max(0, 10 - day) # 假设总货架期10天 }) df pd.DataFrame(data) df.to_csv(labels.csv, indexFalse) print(df.head())这段代码做的是把文件夹结构里的隐式标签抽出来生成一个显式的CSV。关键参数是shelf_life_remaining的计算逻辑这里假设总货架期10天实际要根据品种改。比如草莓可能只有5天苹果能到30天。这个值直接决定回归任务的目标设错了后面全错。3.2 图像清洗去除重复、模糊与背景干扰采回来的图不能直接用。第一遍清洗去重复用感知哈希pHash算相似度汉明距离小于5的视为重复只留一张。第二遍去模糊用拉普拉斯方差阈值一般设在100左右低于这个值的图大概率是手抖了。第三遍去背景干扰如果背景里出现了其他水果或者标签纸要么裁掉要么重拍。import cv2 import numpy as np from imghash import phash # 需要安装 imghash 库 def is_blurry(image_path, threshold100): img cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) return cv2.Laplacian(img, cv2.CV_64F).var() threshold def find_duplicates(image_paths, max_dist5): hashes {} duplicates [] for p in image_paths: h phash(p) for existing_h, existing_p in hashes.items(): dist bin(h ^ existing_h).count(1) if dist max_dist: duplicates.append(p) break else: hashes[h] p return duplicatesis_blurry里的阈值100不是绝对的手机拍的图普遍比工业相机软可以降到60。find_duplicates里的max_dist5意味着允许轻微差异比如同一张图的不同压缩率。如果数据集里同一水果拍了多张这个逻辑会把它们当重复去掉所以要先确认采集时有没有连拍。3.3 格式转换从原始文件夹到YOLO/COCO/自定义DataLoader如果你的任务是分类文件夹结构就够了。但如果要做检测——比如在传送带上框出每个水果再判新鲜度——就需要转成检测格式。YOLO格式要求每张图一个txt每行是class_id x_center y_center width height坐标归一化到0到1。COCO格式是JSON结构更复杂但支持更多任务。import json import os from PIL import Image def convert_to_yolo(labels_df, output_dir): os.makedirs(output_dir, exist_okTrue) classes sorted(labels_df[grade].unique()) class_to_id {c: i for i, c in enumerate(classes)} for _, row in labels_df.iterrows(): img Image.open(row[filepath]) w, h img.size # 假设水果居中框占图像80%区域实际要用标注工具画 x_center, y_center 0.5, 0.5 bw, bh 0.8, 0.8 label_path os.path.join( output_dir, os.path.basename(row[filepath]).replace(.jpg, .txt) ) with open(label_path, w) as f: f.write(f{class_to_id[row[grade]]} {x_center} {y_center} {bw} {bh}\n) with open(os.path.join(output_dir, classes.txt), w) as f: f.write(\n.join(classes))这段代码里的框坐标是假设水果居中的实际必须用LabelImg或CVAT手动画。我写出来是为了说明格式长什么样。classes.txt的顺序必须和训练时的类别索引一致否则模型学出来的类别会全错位。转换完一定要抽几张图可视化检查我见过有人把宽高写反了训出来的框全是竖条。4. 训练水果新鲜度模型的参数怎么设backbone选择、增强策略与损失函数4.1 分类任务ResNet还是EfficientNet输入分辨率怎么定水果新鲜度分类的baselineResNet50和EfficientNet-B0都能跑。ResNet50参数多小数据集容易过拟合EfficientNet-B0参数少但输入分辨率敏感。我的经验是如果数据集少于5000张用EfficientNet-B0输入224x224如果超过10000张ResNet50上到320x320能多涨两个点。不要一上来就上ViT水果新鲜度的判别特征更多是局部纹理和颜色分布卷积归纳偏置还是有优势的。输入分辨率有个坑很多数据集原图是4000x3000直接resize到224会把黑斑、霉点这些关键细节抹掉。正确做法是先裁出水果区域再resize。如果水果在图中占比不到30%先做检测再分类别硬resize。import torch import torchvision.transforms as T from torchvision.models import efficientnet_b0 # 训练增强只做温和的几何和颜色变换 train_transform T.Compose([ T.RandomResizedCrop(224, scale(0.8, 1.0)), # 裁剪比例不能太激进 T.RandomHorizontalFlip(p0.5), T.ColorJitter(brightness0.1, contrast0.1, saturation0.1, hue0.02), T.ToTensor(), T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) # 验证集不做增强只resize和归一化 val_transform T.Compose([ T.Resize(256), T.CenterCrop(224), T.ToTensor(), T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) model efficientnet_b0(pretrainedTrue) model.classifier[1] torch.nn.Linear(1280, 5) # 5个新鲜度等级RandomResizedCrop的scale下限设0.8不要用默认的0.08。水果新鲜度对全局颜色分布敏感裁得太狠会把背景里的传送带颜色带进来模型会学偏。ColorJitter的hue只给0.02给大了会把黄色香蕉变成绿色标签就错了。4.2 回归任务剩余货架期预测的损失函数与评估指标如果标签是剩余货架期天数这就是回归任务。损失函数用MSE或HuberHuber对异常值更稳。评估指标不要只看MAE还要看“±1天准确率”——预测值和真实值差不超过1天的样本占比。产线上这个指标比MAE更有意义因为差0.5天和差1.2天在实际分拣里可能是一个动作的区别。import torch.nn as nn class ShelfLifePredictor(nn.Module): def __init__(self, backbone): super().__init__() self.backbone backbone self.head nn.Sequential( nn.Linear(1280, 256), nn.ReLU(), nn.Dropout(0.3), nn.Linear(256, 1) # 输出剩余天数 ) def forward(self, x): features self.backbone(x) return self.head(features).squeeze(-1) criterion nn.HuberLoss(delta1.0) # delta1表示误差小于1天时用MSE大于1天用MAEHuberLoss的delta设1.0意思是误差在1天以内按平方算超过1天按线性算。这样模型不会因为几个标错的天数样本把整体带偏。训练时学习率用1e-4backbone用1e-5分层学习率比统一学习率稳。4.3 多任务学习同时做分类和回归的共享backbone实际产线往往既要判等级又要估天数。多任务学习共享backbone两个head分别输出。关键是损失权重分类损失和回归损失量级不一样直接相加会让回归主导。常见做法是给分类损失乘2回归损失乘1或者用不确定性加权。class MultiTaskModel(nn.Module): def __init__(self, backbone): super().__init__() self.backbone backbone self.class_head nn.Linear(1280, 5) self.reg_head nn.Linear(1280, 1) def forward(self, x): feat self.backbone(x) return self.class_head(feat), self.reg_head(feat).squeeze(-1) # 训练循环里 cls_logits, reg_pred model(images) cls_loss nn.CrossEntropyLoss()(cls_logits, cls_labels) reg_loss nn.HuberLoss(delta1.0)(reg_pred, reg_labels) total_loss 2.0 * cls_loss 1.0 * reg_loss权重2:1不是固定的要看验证集上两个任务的收敛情况。如果分类准确率上不去加大分类权重如果回归MAE降不下来加大回归权重。但别频繁调调一次至少跑5个epoch再看。5. 水果新鲜度检测的避坑与排查标注、训练、部署各阶段的翻车记录5.1 标注阶段等级边界模糊导致模型学不会现象训练集准确率能到95%验证集只有60%混淆矩阵显示第2级和第3级互相错分严重。原因标注时第2级和第3级的定义太模糊不同标注员对同一张图的判断不一致。模型学到的是标注噪声不是真实特征。解决重新定义等级标准用理化指标做锚点。比如第2级硬度在5到7kg/cm²第3级在3到5kg/cm²先测硬度再定级。如果没法测找三个人独立标只保留三人一致的样本不一致的要么扔掉要么重新讨论。5.2 训练阶段背景泄露让模型走捷径现象模型在测试集上表现很好但换一个背景拍就完全失效。原因采集时新鲜样本和不新鲜样本用了不同的背景板模型学会了认背景而不是认水果。解决把所有样本的背景统一或者用分割模型先把水果抠出来再训练。更彻底的做法是训练时做背景替换增强随机贴到不同背景上强迫模型关注水果本身。5.3 训练阶段类别不平衡导致少数类召回率极低现象腐烂样本的召回率只有40%大量腐烂果被判成新鲜。原因腐烂样本只占总数的10%交叉熵损失被多数类主导。解决用Focal Loss或者给少数类加权。加权系数设为多数类样本数除以少数类样本数但不要超过10超过10容易导致多数类欠拟合。也可以过采样少数类但过采样后要做更强的增强否则过拟合。5.4 部署阶段光照变化导致产线误判率飙升现象实验室里准确率92%搬到产线上掉到70%。原因产线光源和实验室不一样色温、亮度、角度都变了。模型对光照变化没有鲁棒性。解决训练时加入强光照增强比如随机调整gamma、模拟不同色温。部署前在产线上采一批图做微调哪怕每类只有50张也能把准确率拉回来10个点以上。5.5 部署阶段推理速度跟不上传送带节拍现象模型精度够但单张推理要200ms传送带每秒过5个水果根本来不及。原因用了ResNet50加320分辨率没做任何优化。解决换EfficientNet-B0或MobileNetV3输入降到224用TensorRT或ONNX Runtime加速。如果还不行做模型剪枝或量化INT8量化一般能提速2到3倍精度掉1个点左右。实在不行就上小模型加知识蒸馏用大模型教小模型。6. 把水果新鲜度模型推到产线边缘量化、蒸馏与一个验证技巧模型训出来只是第一步真正难的是让它在一个几百块钱的边缘设备上跑起来。我一般会走两条路先试量化不行再蒸馏。量化用PyTorch的torch.quantization或者ONNX Runtime的INT8操作不复杂但要注意校准集的选择——校准集必须覆盖所有新鲜度等级否则量化后的激活范围会偏。import torch.quantization as quant # 动态量化适合LSTM和Linear层多的模型 model.eval() quantized_model quant.quantize_dynamic( model, {torch.nn.Linear}, dtypetorch.qint8 ) torch.save(quantized_model.state_dict(), quantized.pth)动态量化对卷积层没用只量化Linear层所以对EfficientNet这种卷积为主的模型提速有限。要量化卷积层得用静态量化需要校准数据跑一遍前向。# 静态量化需要校准 model.qconfig torch.quantization.get_default_qconfig(fbgemm) model_prepared torch.quantization.prepare(model) # 用校准集跑100到200张图 for images, _ in calib_loader: model_prepared(images) model_quantized torch.quantization.convert(model_prepared)校准集不能只用新鲜样本必须每个等级都有。我见过有人只用新鲜果校准结果量化后腐烂果的激活值全被截断召回率直接归零。如果量化后精度掉太多就上知识蒸馏。用大模型ResNet50的输出作为软标签小模型MobileNetV3同时学硬标签和软标签。温度参数T设3到5软标签损失权重设0.7。蒸馏出来的小模型一般比直接训的小模型高2到3个点。验证模型有没有真正学到新鲜度特征我有个土办法把测试集里的图按时间顺序排列看模型预测的剩余货架期是不是单调递减。如果模型真的学到了预测值应该随着实际天数增加而下降。如果预测值上下乱跳说明模型在靠背景或随机特征猜。这个技巧比看准确率更能暴露问题因为准确率会被类别不平衡掩盖。我自己的习惯是每训完一个模型先不看准确率先画一张预测值对真实天数的散点图。散点如果沿着对角线分布说明模型靠谱如果散成一团准确率再高我也不敢用。这个习惯帮我省过好几次返工。希望帮到你。本文还有配套的精品资源点击获取