A Comprehensive Review of Deep Learning and Computer Vision Techniques for Fruit Quality Assessment and Classification
系统综述深度学习与计算机视觉在水果品质评估与分级中的全流程方法。
综述图像采集到分割、特征提取及CNN、ViT、Vision Mamba等模型与公
深度学习显著提升水果分析精度与鲁棒性，但光照、遮挡和小样本仍是主要瓶颈。
可探索自监督与轻量化模型在复杂果园遮挡、小样本场景下的边缘实时部署。
系统性综述覆盖CNN、ViT、Vision Mamba等前沿方法，信息量足，但期刊权威性一般且偏学术综述，公共价值有限，适合主题聚合而非每日精选头条。
水果图像分析已成为精准农业中的一个重要研究领域，借助计算机视觉和人工智能（AI）的进步，实现了果实自动分类、品质分级、成熟度估计、病害诊断、产量预测和智能采收。成像技术、大规模基准数据集和深度学习的最新进展显著提升了自动化水果分析系统的准确性、鲁棒性和可扩展性。本综述对用于水果图像分析的图像处理和AI技术进行了全面而系统的回顾。内容涵盖完整的图像分析流程，包括图像采集、预处理、增强、颜色空间变换、分割、特征提取和手工纹理描述符。此外，综述了传统机器学习算法以及最先进的深度学习架构，包括卷积神经网络（CNN）、视觉Transformer（ViT）和视觉Mamba模型，用于果实识别、品质评估、病害检测、成熟度估计和目标检测等应用。同时总结了公开可用的基准数据集、评价指标和性能比较策略，以便对现有方法进行客观评估。此外，本综述讨论了关键研究挑战，包括光照变化、遮挡、复杂果园环境、标注数据集有限、计算复杂度和域适应，并重点介绍了新兴研究趋势，如自监督学习、多模态学习、可解释AI、轻量级深度网络、基础模型和面向实时部署的边缘智能。通过提供方法、数据集、评价协议、挑战和未来研究方向的统一综述，本综述为开发面向精准农业的智能且可扩展的水果图像分析系统的研究人员和实践者提供了全面的参考。