基于计算机视觉的定量分析方法#
在 Ceresia Vision，我们开发了一套客观的水果质量分析系统，依托 计算机视觉 与 深度学习 技术。该过程将数字图像转化为可测量、可处理的数据，通过 语义分割 模型实现。
该流程主要包括两个阶段：
- 模型训练： 使用专家逐像素标注的大量水果图像数据集。每个像素都被归类为水果健康、腐烂、叶片、枝条、地面等类别。利用这些数据训练 卷积神经网络 (CNN)，使其能够自动区分这些类别。
- 推理： 在客户现场运行时，训练好的模型接收新的图像并进行推理，在毫秒级生成一张“分割掩码”，将原始图像的每个像素归类到学得的类别中。该掩码是计算我们指标的基础。
基于此分割，我们定义了两个主要指标：
Ceresia 卫生指数 (ISC)#
Ceresia 卫生指数 (ISC) 是一个定量指标，取值范围标准化，表示一批水果的综合健康状态，旨在以单一数值概括原料的总体健康程度。
该指数直接从模型生成的分割掩码计算，等于被归类为“健康水果”像素与水果总像素的比例。任何缺陷（腐烂、机械损伤、病害、过熟或过生）都会降低该指数。
公式为：
$$ ISC = \left( 1 - \frac{\sum P_{\text{defectos}}}{\sum P_{\text{fruto total}}} \right) \times 100 $$其中：
- \(\text{defectos}\) 为标记为缺陷的水果像素。
- \(\text{fruto total}\) 为所有水果像素的总和。
ISC 越接近 100，表示批次越健康；较低的值表明存在大量缺陷。
Ceresia 采收指数 (IRC)#
采收质量指数 (IRC) 用于评估收获过程的效率和细致程度。它量化批次中 异物（MND）的存在，如叶片、枝条、茎或泥土。低 IRC 可能意味着采收过于粗暴或处理不当。
该指数通过比较水果像素和异物像素数量得到。
公式为：
$$ IRC = \left( 1 - \frac{\sum P_{\text{cuerpos extra\u00f1os}}}{\sum P_{\text{fruto total}} + \sum P_{\text{cuerpos extra\u00f1os}}} \right) \times 100 $$其中：
- \(\text{cuerpos extra\u00f1os}\) 为标记为叶片、枝条等的像素。
- 分母表示收集到的所有相关材料的总和。
IRC 越接近 100，表示采收越干净、质量越高。监控该指数可帮助客户评估采收实践并优化进入工厂原料的质量。