Machine Learning-Based Quality Control for Detecting Coffee Bean Defects: A Bibliometric Analysis

方法

Scopus 1630篇文献，VOSviewer、Bibliometrix、Bi

发现

CNN与YOLO是主流方法，实时部署与工业验证仍是主要瓶颈。

机会点

可研究轻量化CNN/YOLO与IoT边缘端实时检测及工业级验证的落地路径。

机器学习与计算机视觉的融合推动了咖啡加工行业自动化质量控制系统的进步。然而，工业规模的验证和实时实现仍然是智能咖啡豆缺陷检测面临的挑战。本研究旨在通过系统文献综述（SLR）和文献计量分析，识别研究趋势、技术发展和研究空白。数据检索自Scopus数据库，涵盖2023年至2026年的1630篇出版物，并使用VOSviewer、Bibliometrix和Biblioshiny进行分析。结果显示，2023年至2025年出版物数量呈增长趋势，机器学习、深度学习、人工智能和计算机视觉成为主导研究主题。关键词共现分析凸显了神经网络、支持向量机和自动检测技术的重要地位。文献综合进一步确定了卷积神经网络（CNN）和YOLO是咖啡豆分类与缺陷检测的相关方法。尽管取得了这些进展，实时部署、工业集成和模型验证方面仍存在挑战。本研究有助于识别研究空白，并提出面向智能质量控制系统的研究路线图，该系统融合机器学习、计算机视觉和物联网（IoT）技术，以支持工业4.0背景下高效、自动化的咖啡豆检测。