摘要
果实成熟度预测（Fruit Ripeness Prediction, FRP）是一项基于分类的农业计算机视觉任务，因其在采前与采后管理中的广泛应用价值而受到广泛关注。借助基于机器学习/深度学习的高光谱图像分类技术，可实现准确且及时的果实成熟度预测。然而，受限于标注数据的稀缺性，以及现有方法在不同高光谱相机和多种果实类型之间缺乏泛化能力等问题，高光谱图像驱动的FRP性能常受到制约。针对上述挑战，本文提出了一种专为果实成熟度高光谱分类设计的机器学习架构——Fruit-HSNet。该架构融合了基于傅里叶变换与中心像素光谱特征的时空特征提取模块，随后通过可学习的特征融合机制与专为成熟度分类优化的分类器，实现高效特征表达与精准分类。所提出的Fruit-HSNet在目前最大规模的公开真实世界高光谱数据集——DeepHS Fruit数据集上进行了全面评估。该数据集包含五种不同水果（牛油果、猕猴桃、芒果、柿子、木瓜），在多个成熟阶段，由三种不同高光谱相机采集而成。实验结果表明，Fruit-HSNet显著优于现有各类深度学习方法，从基线模型到最先进模型均实现提升，整体准确率最高达到70.73%，创下新的技术标杆。