تنبؤ نضج الفواكه (FRP) هو مهمة في مجال الرؤية الحاسوبية الزراعية تعتمد على التصنيف، وقد لاقت اهتمامًا كبيرًا بفضل فوائدها الواسعة في مجال الزراعة، سواءً في إدارة ما قبل الحصاد أو ما بعد الحصاد. يمكن تحقيق تنبؤ دقيق وفي الوقت المناسب بنضج الفواكه باستخدام تقنيات تصنيف الصور فوق البنفسجية المستندة إلى التعلم الآلي/التعلم العميق. ومع ذلك، تظل التحديات مثل نقص البيانات المُعلَّمة والافتقار إلى أساليب قوية قادرة على التعميم على أنواع مختلفة من الكاميرات فوق البنفسجية وأنواع الفواكه، تُعدّ عوائق تُضعف فعالية نماذج التنبؤ المبنية على الصور فوق البنفسجية. وللتغلب على هذه التحديات، تقدّم هذه الورقة بنية مسمّاة Fruit-HSNet، وهي بنية تعلّم آلي مصممة خصيصًا لتصنيف نضج الفواكه باستخدام الصور فوق البنفسجية. تدمج Fruit-HSNet وحدة استخراج الميزات المكانية-الطيفية المستندة إلى تحويل فورييه وتوقيع الطيف المركزي للبؤرة، تليها عملية دمج ميزات قابلة للتعلم، بالإضافة إلى تصنيف مُحسَّن مخصّص لتمييز درجات النضج. تم تقييم البنية المقترحة باستخدام مجموعة بيانات DeepHS Fruit، وهي أكبر مجموعة بيانات عامة متاحة مسبقًا تحتوي على صور فوق بنفسجية حقيقية مُعلّمة لتنبؤ نضج الفواكه، وتشمل خمسة أنواع مختلفة من الفواكه (الأفوكادو، الكيوي، المانجو، الكاكي، والبابايا)، تم التقاطها باستخدام ثلاث كاميرات فوق بنفسجية مختلفة في مراحل نضج متعددة. أظهرت النتائج التجريبية أن Fruit-HSNet تتفوّق بشكل كبير على النماذج الحالية للتعلم العميق، من النماذج الأساسية إلى أحدث النماذج المتطورة، بتحسّن بنسبة 12%، محققةً دقة إجمالية قياسية جديدة بلغت 70.73%.