ABUAD Journal of Engineering Research and Development (AJERD)·9月12日 · 周六论文农业人工智能与决策模型阅读 0
Quality Assessment of Scotch Bonnet Pepper (Capsicum Chinense Jacq) Using Image Processing Techniques
Babatunde Olayinka Oyefeso · Rotimi Rufus Dinrifo · Oladapo Oyedeji
ABUAD Journal of Engineering Research and Development (AJERD)DOI 10.53982/ajerd.2026.0903.06-j开放获取 PDF ↗
论文解读
71接近精选线
速览
用图像处理和CNN/SVM/逻辑回归对苏格兰帽椒进行好坏二分类质量分级。
方法
455张多成熟度辣椒图像，提取尺寸、几何、颜色、表面均匀性特征，训练CNN、SV
发现
CNN准确率达97%，显著优于逻辑回归80%和SVM78%，验证自动图像分析可替代人工质检。
机会点
可扩展到多等级细粒度分级、多品种泛化及田间实时轻量化部署研究。
影响力14
信息增量20
专业深度16
信源权威12
时效性9
基于CNN的辣椒品质自动分级研究，97%准确率且对比SVM与逻辑回归，方法清晰、结论可靠，对农产品智能分选有参考价值，但属细分作物应用，影响范围有限。
原文摘要
苏格兰帽椒（Capsicum chinense）是全球广泛种植的经济作物，因其独特的烹饪用途和高营养价值而备受青睐。然而，传统的人工检测方式主观性强、速度慢且劳动强度大，难以满足消费者对优质产品日益增长的需求。为解决这一问题，本研究提出了一种基于计算机视觉的框架，旨在实现辣椒分级过程的自动化。研究使用包含455张图像的数据集对卷积神经网络（CNN）、支持向量机（SVM）和逻辑回归进行了训练和测试，该数据集涵盖了辣椒多个成熟阶段的图像。这些算法通过分析提取的物理属性（包括尺寸、几何形状、色泽和表面均匀度），将作物分为二元质量类别（“优质”与“劣质”）。模型性能采用标准指标进行量化评估，即精确率、召回率、F1分数和总体准确率。研究结果表明，尽管所有分类器均达到了可接受的基准水平，但深度学习CNN模型表现更为优异，准确率达到97%，优于逻辑回归的80%和支持向量机的78%。最终，这些结果验证了自动化图像分析系统融入现代农业流程的可行性，为人工质量控制提供了一种稳健且可扩展的替代方案。