你如果在果蔬加工、产后处理或者农产品检测这块待过，大概都会遇到同一个头疼事：怎么又快又稳地把带病斑、有损伤、卖相差的果子挑出去。靠人工肉眼分选，效率低不说，标准还飘忽不定，同一个果农上午挑的和下午挑的判据都不一样。近几年机器学习在工业视觉里铺得越来越开，水果分选也顺理成章成了热门落地点。我这次把一个比较完整的缺陷水果分选算法链路用Matlab完整跑了一遍，从图像采集到特征提取，再到分类器训练和性能评估，整个流程走下来，踩了不少坑、也攒了不少可以直接抄作业的经验。这篇就专门聊聊这个项目怎么做、每个环节为什么这么设计、以及实测中那些文档里不会明说的细节。
这个项目适合谁？一种是做农产品智能检测方向的学生或研究人员，手里攒了一批水果图像但不知道特征怎么提、分类器怎么选；另一种是做产线视觉方案的工程师，想把算法从实验室搬到实际分选场景里。不管你是哪种，这篇文章给的思路、代码框架和调参经验，基本可以帮你少走一半弯路。
1. 项目思路拆解：为什么选机器学习而不是“死规则”
1.1 传统人工分选和阈值法的局限
先聊一个本质问题：水果缺陷检测到底难在哪。拿苹果来说，常见的缺陷包括碰压伤、霉心病、水心病、日灼斑、虫眼，甚至保鲜库里拿出来的果子还有发软和表皮皱缩。不同毛病长得不一样，同一个毛病在不同品种、不同成熟度、不同光照条件下拍出来也不一样。你要是写死一套规则，比如“R通道小于100就算坏斑”，那晴天拍的和阴天拍的同一颗果子都可能给出完全相反的判断。
人工分选的问题是标准一致性。一个分选工位上一个班次要拣几千个果子，前半小时还能保持警觉，往后注意力一分散，漏检率就上来了。而且企业对分选结果还需要可追溯、可量化的指标，人工只能靠抽检，数据回收基本没法做。
1.2 机器学习方案的核心逻辑
换成机器学习，思路就变了：不去手工定义“什么样算坏果”的硬规则，而是用一批标注好的样本，让分类器自己去学“好果和坏果在特征空间里的分界长什么样”。本质上就是把“规则判断”换成“样本驱动”，只要特征提取得当、标注靠谱、训练集覆盖度够，算法对光照变化、品种差异的鲁棒性会比固定阈值好很多。
有一点得先说明白：这个项目选Matlab而不是Python，主要考虑是图像处理工具箱和统计工具箱特别成熟，尤其是图像分割、特征提取这块，很多函数是现成的，调试起来所见即所得。算法原型验证阶段，Matlab的效率和可读性比Python那一套OpenCV加scikit-learn的组合来得更快。工程化落地再考虑换C++或者Python重写，这是很常见的研发节奏。
1.3 整体流程设计
整个项目的技术链路可以拆成五段：图像采集与预处理、缺陷区域分割、特征提取与选择、分类器训练、性能评估。这个顺序不是随便排的，每一段的输出都是下一段的输入，前面欠的账后面全要还。我见过很多人急着调分类器参数，但预处理做得糙，结果分类精度卡在九成上下怎么都上不去——问题往往不在分类器，在前面。
实际建这个流程时，我用的方案是：采集端搭了简易的封闭光照箱，用恒定光源拍照，尽量把光照变量控住；预处理用灰度化和中值滤波去噪，再用背景分割把果实区域抠出来；缺陷分割用HSV色彩空间的阈值结合连通域分析；特征这块提取颜色、纹理、形状三组共几十维特征，再用PCA降维；分类器对比了SVM、随机森林和KNN三组，最后用交叉验证选参数，用混淆矩阵评估结果。下面每个环节展开说。
2. 图像采集与预处理：九成的坑都埋在这
2.1 采集环境搭建的实测要点
很多人拿到一批公开数据集就开始跑算法，但我这项目是从自建图像采集开始的，因为实际落地的分选系统一定要适配自己的产线光照条件。我用的是非常简陋但好用的方案：一个不透光的箱子，顶部开孔装了个环形LED光源，色温定在5500K左右，相机垂直朝下拍，背景板选了纯黑色亚克力。为什么用环形光源？因为单侧光源会在果实表面打出明显的镜面反射亮点，这个东西在后续分割时经常被误判成缺陷区域。环形光从四周均匀打过来，高光面积会小很多。
背景板选黑色，图的是后续分割省事。果实和背景的灰度差异拉大以后，最基本的Otsu阈值就能把果实区域切得比较干净。你要是用白背景，边缘的阴影反而会被错认成果实的一部分，特征计算全乱。
采集时我固定了相机曝光参数，不搞自动曝光。自动曝光会随着环境亮度变化整体调整增益，同一个果子的颜色在不同批次拍摄时会被拉伸或压缩，直接影响颜色特征的稳定性。这个细节特别重要，后面特征提取那部分你就理解了。
2.2 预处理的关键步骤
采集得到的原始图像是RGB彩色图，第一步转灰度。这里有一点要注意：直接用rgb2gray加权转换或者只取某个通道都可以，但对带明显红色表皮的果实，我实测R通道单独提取的表皮缺陷对比度比灰度图更好。你可以两个都试试，选缺陷区域和正常区域灰度差更大的那个作为后续输入，没有绝对标准。
去噪我用的中值滤波，窗口选的3×3。为什么不用高斯？因为高斯滤波是线性平滑，会把细小缺陷的边缘也磨掉；中值滤波在去噪时对边缘的保留效果好得多，在保持缺陷轮廓这件事上有天然优势。实测下来，在5×5窗口下小虫眼的细节就已经开始丢了，3×3是安全和速度的平衡点。如果你想在效率上再抠一点，可以先转灰度再去噪，没必要三个通道都做一遍滤波。
光照校正是预处理里最容易被跳过、但对最终精度影响最大的一步。我实测的方案是：在整个图像数据集里取一张无果实的背景图作为参考，然后把每张待测图和参考图做逐像素除法，消除光源在视场边缘的亮度衰减。这个操作实现起来就两三行代码，但能明显减少果实边缘区域因为暗角被误判成缺陷的情况。
2.3 缺陷区域分割的实操
分割的目的是把“果皮上的异常区域”从整体果实表面分离出来。我这里用了两步：先用灰度阈值结合形态学操作把整个果实从背景里抠出来，得到果实掩膜；再在果实掩膜内部做缺陷分割。
缺陷分割我尝试过两种路线。第一种是RGB三通道的阈值组合，比如病斑在R通道偏暗、在G通道偏亮这类经验规则。问题在于经验规则换个品种就得重新调，通用性差。第二种是我最终定下来的方案：把图像转到HSV色彩空间，重点关注S（饱和度）和V（明度）通道。实测下来，褐变、霉斑这类缺陷在V通道上和正常表皮的区分度最明显，日灼斑在S通道上异常突出。这背后的原因也好理解：缺陷区域的表面结构和含水率和正常区域不一样，导致亮度直方图和饱和度偏移。
分割出来以后一定会有一堆小噪点区域，比如果皮上的自然斑点、灰尘点。用面积阈值一次去噪：少于30个像素的连通域直接删掉。再配合一次形态学开运算，把细长的假阳性边缘断开。到这里，每个缺陷区域就都变成独立的连通域，可以进入特征提取环节了。
3. 特征提取：像素怎么变成分类器能听懂的“描述词”
3.1 为什么特征设计比分类器选择更决定上限
机器学习领域有句老话叫“垃圾进，垃圾出”，这句话放到水果分选场景里格外真实。分类器再强，你喂进去的特征要是没法区分好果和坏果，精度上限就在那儿摆着。我第一版跑出来的SVM准确率只有88%，后来发现是特征里混了几个在两类样本间完全没有区分度的维度，加上噪声，把分类界面带偏了。所以这个环节值得花最多心思。
特征设计的基本思路是把每个缺陷区域变成一组数值描述。按信息层次分三类：颜色特征、纹理特征、形状特征。在实际分选任务里，颜色特征往往是区分度最高的，因为绝大多数肉眼可见的缺陷都伴随显著的颜色变化；纹理特征用来对付那些颜色变化不明显、但表面质地异常的缺陷；形状特征则用来筛掉那些面积小、形态规则的假阳性噪点。
3.2 颜色特征：用均值、方差和通道组合
在HSV空间里，我对每个缺陷连通域统计了H、S、V三个通道的均值和标准差。这6个维度是基础，几乎每个缺陷区域都能靠它们拉开差距。在此基础上又加了两个比值特征：缺陷区域平均V值除以整果平均V值，缺陷区域平均S值除以整果平均S值。为什么加比值？因为绝对颜色值受光照强度影响很大，同样一个褐变斑，光线强一点V通道均值就上去了；但比值特征描述的是“缺陷区域相对果实基线的颜色偏离度”，这个相对量对光照强度的鲁棒性就好得多。这个设计思路值得记一下，它是把实验室算法往产线上推的关键。
Matlab里提取这些特征挺直接：
% 假设 defectMask 是二值缺陷掩膜，hsvImg 是HSV图像 defectPixels = find(defectMask); hChannel = hsvImg(:,:,1); sChannel = hsvImg(:,:,2); vChannel = hsvImg(:,:,3); features = [ mean(hChannel(defectPixels)), std(hChannel(defectPixels)), mean(sChannel(defectPixels)), std(sChannel(defectPixels)), mean(vChannel(defectPixels)), std(vChannel(defectPixels)), mean(vChannel(defectPixels)) / mean(vChannel(fruitMask)), mean(sChannel(defectPixels)) / mean(sChannel(fruitMask)) ];这里fruitMask是整果掩膜，defectPixels是缺陷区域索引。第一版我犯过一个低级错误：忘了把缺陷像素索引限制在果实掩膜内部，结果背景噪点也被算进特征里，有个样本的背景高光直接让它被判成严重缺陷。
3.3 纹理特征：灰度共生矩阵和LBP
先说哪些缺陷必须依赖纹理特征。水心病、果肉内部褐变这类问题，在颜色上和正常果肉差异很小，但表面会出现轻微的凹凸不匀，照片里表现为局部纹理紊乱。我用的是灰度共生矩阵（GLCM）里的对比度、能量、相关性和熵这4个统计量，配合局部二值模式（LBP）直方图。
GLCM的计算在Matlab里有现成函数graycomatrix，但有几个细节要注意。第一，GLCM的方向一般是0度、45度、90度、135度四个方向取平均，避免果实表面纹路方向带来的偏差。第二，灰度级数不用太大，实测16级就够，256级不仅算得慢，还会把噪声细节也编码进去。第三，窗口大小我用的是果实中心取一个固定大小的ROI，因为整个果实的表面曲率会导致纹理在边缘处被拉伸变形，全果统计会把曲率干扰当成纹理差异。
LBP我用的是圆形邻域算子，半径1、邻域8个点，这组参数在苹果表皮的纹理尺度上表现最稳定。半径再大会跨过多个表皮细胞单元，反而把正常组织的纹理差异放大。
3.4 形状特征与特征降维
形状特征相对简单但能解决实际问题。我提取了缺陷区域的面积占整果面积的百分比（这个直接对应缺陷严重程度）、缺陷区域的圆形度（4π×面积/周长²）、缺陷区域的主轴长度和质心位置。圆形度这个特征特别有用：真实的病斑和褐变区域形状往往不规则、有蔓延趋势，而灰尘、水滴造成的假阳性区域通常偏圆形，用这个特征一筛能少掉好几个误检。
特征加在一起有几十维，直接喂给分类器有两个问题：一是维度太高导致训练所需样本量指数上升，二是很多特征之间有相关性，分类器会把冗余信息当成独立证据。我用PCA做降维，保留累计方差贡献率95%的主成分，实测下来一般能降到8到12维，分类精度不降反升。这一点也好理解：去掉的维度基本都是噪声，分类器拟合更稳了。
PCA在Matlab里直接用pca函数：
[coeff, score, latent] = pca(featureMatrix); 保留主成分数 = find(cumsum(latent) / sum(latent) >= 0.95, 1); trainingFeatures = score(:, 1:保留主成分数);有一点特别提醒：PCA的变换矩阵要保存下来，测试的时候用同一个coeff矩阵对新样本做投影，不是对测试集单独重新算PCA。我第一版就是吃了这个亏，直接对测试集跑pca，相当于训练和测试用了两套坐标轴，结果全乱了。
4. 分类器构建与Matlab实现
4.1 数据集划分与标签体系
分类之前先聊数据集。我自建的这套小样本库里，好果样本300个，常见缺陷样本分六类各几十个，总共500多个样本。这里就暴露出一个前置问题：有的缺陷类型样本不到30个，分类器根本学不到足够泛化的分界。我的处理是把问题简化成二分类，也就是先解决“好果 vs 坏果”这个产线最关心的基本盘，六类缺陷统一归为坏果。分类病害类别的细粒度问题，等样本量攒够了再做增量。
数据集划分用的是分层抽样，保证训练集和测试集里好果坏果比例一致。我用的是70%训练、15%验证、15%测试。在Matlab里可以配合cvpartition实现，避免随机划分导致某类样本全挤到训练集里的尴尬。
4.2 三种分类器横向对比怎么选
我这边对比了三个分类器：SVM、随机森林、KNN。每个分类器都有自己适合的场景，没有绝对的好坏：
SVM的优点是决策边界稳定、小样本上表现好，尤其是我用RBF核之后，对特征空间里非线性的好果坏果分界拟合得很好。缺点是训练时需要对核参数和惩罚因子做搜索，调参比较费功夫。
随机森林的好处是几乎不用调参，默认参数就能拿到不错的结果，而且能输出特征重要性打分，方便回头做特征筛选。缺点是在小样本集上不如SVM精细，个别样本会被淹没在多数投票里。特征重要性这个附带产出物是独一份的，做特征筛选时帮助很大。我用它筛掉过两个贡献度几乎为零的形状特征，SVM精度反而回升了。
KNN思路最简单，但我实际测下来效果垫底。原因很简单：KNN依赖距离度量，但不同特征的数值量纲差很远，比如面积百分比是0到1的小数，而纹理对比度可能是十几的量纲，距离被大量纲特征主导了，必须做标准化才能救。做完标准化之后KNN的精度还是略低于前两者，而且预测时要遍历全部训练样本，实时性最差。分选产线一个果子的检测时间窗口通常只有几十毫秒，KNN这种惰性学习方法在部署阶段不太讨喜。
4.3 核心代码实现：SVM训练与预测
直接上一段我实测跑通的SVM训练代码，配合注释说明关键点：
% 读取已经提取好的训练特征和标签 trainData = trainFeatureTable(:, 1:end-1); trainLabel = trainFeatureTable(:, end); % 训练SVM分类器，这里使用RBF核 svmModel = fitcsvm(trainData, trainLabel, ... 'KernelFunction', 'rbf', ... 'BoxConstraint', 10, ... 'KernelScale', 2.1, ... 'Standardize', true, ... 'Crossval', 'off'); % 用验证集做预测 [predLabel, predScore] = predict(svmModel, valData); % 计算验证集准确率 valAccuracy = sum(predLabel == valLabel) / numel(valLabel) * 100; fprintf('验证集准确率: %.2f%%\n', valAccuracy);这里有几个参数说说为什么这么设。Standardize设成true非常关键，因为颜色特征和纹理特征的量纲差异很大，不标准化的话RBF核的距离计算会被大量纲特征主导。BoxConstraint是惩罚因子，我通过网格搜索在{0.1, 1, 10, 100}里选了10，这个值越大对训练样本的拟合越用力，但也越容易过拟合。KernelScale是RBF核的带宽参数，它控制着决策边界可以有多“弯曲”，这个值我用2.1，也是在交叉验证里扫出来的，取的是验证集精度曲线的峰值点。
有一点要提醒：fitcsvm训练二分类器时，默认把第一个出现的类别标签当作正类。如果你训练集里好果先出现，坏果后出现，那predict返回的label和score的“正类方向”就是好果。这在实际报表统计里会带来混乱，最简单的办法是训练前把标签标准化成+1和-1，然后明确用score的符号来判断。
4.4 超参数调优：网格搜索和交叉验证
调参这块我用了两层策略。第一层是用验证集粗调，第二层是对候选参数组合做5折交叉验证取平均精度。网格搜索的代价很高，特别是参数一多组合数就爆炸。我实测的建议是分两步走：先固定一个参数，单维度扫另一个，找到甜点区间，再在甜点区间里做2×2的精细搜索。RBF核的SVM最重要的两个参数就是BoxConstraint和KernelScale，按这个方法来，总共也就跑三十几次训练，完全在可接受范围内。
交叉验证的代码用fitcsvm自带的交叉验证开关更方便：
svmModelCV = fitcsvm(trainData, trainLabel, ... 'KernelFunction', 'rbf', ... 'Standardize', true, ... 'KernelScale', 'auto'); cvModel = crossval(svmModelCV, 'KFold', 5); cvLoss = kfoldLoss(cvModel); fprintf('5折交叉验证误差: %.2f%%\n', cvLoss * 100);KernelScale设成auto，让Matlab自动基于样本间距估计初始值，这样跑出来的结果往往已经有七八成的火候了，再手工微调就行。我经常给来问的人说，不要一上来就搞贝叶斯优化，那玩意在你连特征到底靠不靠谱都没验证清楚的时候，只是浪费计算时间。
5. 结果分析与性能评估
5.1 评价指标别只盯着准确率
分选场景里只报准确率真心不够。举个例子，如果好果占总样本的80%，那你啥也不学，全预测成好果就有80%的准确率。所以还要看召回率、精确率、F1分值和混淆矩阵。在水果分选里具体到语义就是漏检率和误检率：漏检是指坏果混进好果堆里，消费者买到烂果子，这是最砸口碑的问题；误检是把好果扔掉，这是纯成本流失。产线侧尽量压低漏检率，成本侧尽量管住误检率，这两个目标在统计上天然矛盾，实际操作时用偏置惩罚因子或调整分类阈值来平衡。
我这边SVM在测试集上的结果大概是：好果类精确率94.6%，召回率96.2%；坏果类精确率92.1%，召回率89.4%。在4:1的好坏果比例下，整体准确率93.3%。这个结果在初期版本里已经够用了，但如果想再上一步，就得靠增加样本量。
混淆矩阵在Matlab里直接用confusionchart画出来，能非常直观地看到集中误判的样本长什么样。我实测中发现误判的坏果样本集中在两类上：一类是轻微碰压伤且拍摄角度恰好遮住了缺陷区域，另一类是色泽偏暗的红苹果品种，颜色特征和褐变缺陷高度接近。这给我一个明确的方向：增加多角度拍摄或引入更多品种样本。
5.2 特征贡献度分析与消融实验
我额外做了一个小实验来验证各特征组的贡献度：分别只用颜色特征、只用纹理特征、只用形状特征来训练SVM，对比它们和全特征组合的精度差距。结果很有意思：只用颜色特征就已经能到88.7%的准确率，只用纹理特征只有76.4%，只用形状特征最低，不足70%。这印证了颜色特征是此任务的主要区分依据。但全特征组合能到93.3%，说明纹理和形状特性确实带来了边际增益，尤其是纹理特征对水心病这类隐蔽缺陷是不可替代的信号。
这种消融实验做一遍，你对整个系统的理解会深很多，写报告、跟同事解释、后续迭代都有据可依。
5.3 运行效率的实测数据
实验室里大家通常不太关心跑得慢不慢，但产线上很在意。我统计了我这台普通配置台式机上，单张图像从上到下完整跑完一遍的平均耗时：预处理和分割约25毫秒，特征提取约40毫秒，SVM预测不到1毫秒，加起来65毫秒左右，折算产能大概是每秒15个果子。这个速度离高产能产线还有些距离，但作为算法原型已经说明瓶颈不在分类器，而在前面的图像处理环节。真要做实时系统，特征提取部分可以改成GPU加速，图像缩放到合理分辨率也能砍掉不少时间。另外SVM预测本身几乎是免费的，这也验证了小样本场景下SVM确实比深度学习那种动辄毫秒级推理的方案更适合做轻量分选。
6. 踩坑记录与问题排查实录
6.1 采集一致性痛点
最让我头疼的坑之一，是不同批次拍摄的图片亮度有偏移。原因出在我中途给环形LED换了个驱动电源，虽然标称色温和亮度一样，实际光通量还是有细微差别。这个偏移单看图片人眼无感，但一进特征矩阵SVM的分界面就跟着漂移了。排查了一天才锁定原因，后面在采集流程里加了一步：每天采集前先拍一张标准色卡，计算校正系数，把所有图像统一归一化到标准亮度空间。这个成本极低，但对跨批次数据的稳定性帮助极大。
6.2 训练集样本不平衡
我的样本里好果远远多于坏果。坏果内部各类缺陷的数量也不均衡，褐变样本最多，日灼样本很少。一开始分类器对日灼的召回率很低，几乎全部漏检。解决办法不是说简单上采样或过采样就完了，我更建议针对稀缺缺陷类型去补拍真实样本，因为光靠算法生成仿真样本，细节上还是和真实缺陷有差距。补拍之外，训练时我给少数类样本加了更高的权重，让分类器在损失函数里更重视它们。这俩操作一起上，日灼的召回率从不到60%提到了接近85%。
6.3 过拟合
第一版SVM跑训练集准确率接近100%，通用测试集只有85%，典型的过拟合。诱因有两个：一是特征维度偏高而样本量只有几百个，模型有足够容量把训练样本背下来；二是核函数带宽选得过窄，决策边界在训练样本周围紧紧绕圈，换新样本就露馅。我把KernelScale从1.2调到2.4，再用PCA把特征缩到10维，过拟合就压住了。这里建议你做完特征降维和调参后，训练集和测试集精度差值控制在5个百分点以内，超过这个数基本就是在背书。
6.4 标注不一致问题
标注这个环节的坑比较隐蔽。我自己前期标注时，习惯把“轻微瑕疵也算坏果”，但小样本里有一部分果子上有很淡的果锈，我一开始标成好果，后来又觉得按产线标准该算坏果，来回改了两次。这种标注不一致会直接干扰分类器：同样的颜色特征一会儿对应好果标签一会儿对应坏果标签，分界面只能被强行拉到一个骑墙的位置。后面我定了一个标注规范文档，明确每一种缺陷的判定标准，还拍了标注示例图，这样就算换人来标也能保证口径一致。这件事看似和算法无关，实际比调参更能决定你的精度天花板。
6.5 实时性瓶颈定位
最后聊一下实时性优化。如果你打算把这个方案往产线上推，给我的经验是首先排查特征提取代码里的循环——Matlab里for循环遍历像素是大忌，能矩阵化就矩阵化。我第一版特征提取里有段遍历连通域的代码，单张耗时直接上到200毫秒，后来改成用regionprops批量统计，一下子砍到40毫秒。另外就是图像分辨率，不是越清晰越好，我实测从1200万像素降到300万像素，缺陷分割和特征提取的精度没有明显下降，但单帧耗时降了一半以上。产线场景要的是在够用精度下的极限速度，不是实验室里的全精度。
7. 项目复盘与扩展方向
整个项目跑完，我最深的一点体会是：水果分选本质上不是一个单纯算法问题，而是“光学环境+图像处理+特征设计+数据管理”的系统工程。算法精度上不去的，你去翻日志，大概率能追到某一批图片的光照异常或某个环节的标注口径漂移。我后来每个环节都留了版本记录，中间翻过几次车，翻车记录反而成了调参时最宝贵的参考。
如果要把这个项目往更深处扩展，我有三个明确的建议方向。第一是引入深度学习的尝试：在样本量充足的前提下，用预训练的CNN做特征提取器，替代手工特征，通常在缺陷类型多、形态复杂的场景下上限更高。第二是缺陷分类的细粒度化：二分类只是第一步，如果能区分褐变、碰压伤、腐烂、日灼等具体类型，对仓储决策帮助极大，比如碰压伤的果子可以转做即时销售，褐变的可以转做果汁原料。第三是多视角融合：单个视角总有盲区，搭一个传送带配多相机或者转盘式的采集系统，把多视角特征融合起来，对漏检率的压制会是质的提升。
最后分享一个实用小技巧：训练好的SVM模型，导出的时候记得顺手把PCA变换矩阵、特征索引顺序、图像预处理参数全部打包存成一个配置文件，别单独存模型文件。因为换环境部署时，重算一遍PCA或者搞错一列特征顺序都够你排查半天的。这种大坑，踩过一次自然就记住了。
