La prédiction de la maturité des fruits (FRP) est une tâche de vision par ordinateur agricole fondée sur la classification, qui a suscité un grand intérêt en raison de ses nombreux avantages dans la gestion précollecte et postcollecte. Une prédiction précise et en temps réel de la maturité des fruits peut être réalisée grâce à des techniques d’analyse hyperspectrale basées sur l’apprentissage automatique ou l’apprentissage profond. Toutefois, des défis subsistent, notamment la faible disponibilité de données étiquetées et le manque de méthodes robustes généralisables à différents capteurs hyperspectraux et types de fruits, ce qui peut compromettre l’efficacité des approches basées sur les images hyperspectrales. À cette fin, ce papier présente Fruit-HSNet, une architecture d’apprentissage automatique spécifiquement conçue pour la classification hyperspectrale de la maturité des fruits. Fruit-HSNet intègre un module d’extraction de caractéristiques spatio-spectrales basé sur la transformation de Fourier et la signature spectrale du pixel central, suivi d’une fusion de caractéristiques apprenables et d’un classificateur optimisé pour la classification de la maturité. L’architecture proposée a été évaluée à l’aide du jeu de données DeepHS Fruit, le plus grand ensemble de données réelles étiquetées publiquement disponible pour la prédiction de la maturité des fruits, comprenant cinq types de fruits différents — avocat, kiwi, mangue, kaki et papaye — capturés à divers stades de maturité par trois caméras hyperspectrales distinctes. Les résultats expérimentaux montrent que Fruit-HSNet surpasse significativement les méthodes existantes d’apprentissage profond, des modèles de base aux modèles d’état de l’art, avec une amélioration de 12 %, atteignant ainsi une nouvelle précision globale d’état de l’art de 70,73 %.