农产品分选线上的AI检测到底能不能打，我用一个真实项目给大伙儿验证了一遍。这条产线我前后跟了一个多月，从方案设计、数据采集、模型训练一路干到产线部署，最终的结果比预期还稳：检测速度从原来人工目检为主的混线状态提升了3倍以上，漏检率从6%~8%直接压到1.5%以下。这篇文章不吹方案，只复盘这一路怎么选型、怎么训练模型、怎么排坑，给准备上农产品AI检测的同行一个完整可参考的实战样本。

1. 项目背景与目标拆解：为什么非要上AI检测

1.1 传统人工目检的瓶颈，比想象中更严重

农产品检测这个事，听起来简单，做起来全是细节。我这次做的项目是一家水果初加工企业的柑橘分选线，主要检测碰压伤、霉变、腐烂、果梗残留这几类瑕疵。以前的流程是果品从分选机上来之后，经过一条皮带，靠几个老师傅站在工位旁边用肉眼快速挑出坏果。

产线的物理节拍是1秒过5个果左右，人工目检在这种速度下根本反应不过来。老师傅平均一个人一分钟能仔细看大概60到80个果，但产线速度提上去之后，实际就是“看一眼抓一把”，漏检率常年游走在6%~8%，赶上产地阴雨天气多、病虫害多发的时候，漏检率能冲到10%以上。企业最怕的不是多雇几个人，而是漏检的坏果流入市场，客诉和退货带来的损失远比人工成本大得多。

更麻烦的是质量问题不可追溯。人工挑出来的坏果随手一扔，没有记录，没有标准，同一个批次在不同班次、不同工人手里挑出来的标准可能完全不一样。产量越大越混乱，管理成本高，客户的信任度也会被一点点消耗掉。

1.2 我们定的三个硬指标和验收口径

这次项目的目标不能用“上AI、提效率”这种空话糊弄，必须在一开始就把验收标准钉死。我们和甲方反复对齐后，定下了三个核心指标，后面所有技术决策都围绕这三条展开：

• 检测节拍：单相机工位检测速度不低于每秒4个果，合计整线处理速度比人工+半自动混线提升至少2倍，目标3倍；
• 漏检率：从现有的6%左右降到2%以下，这是质量问题，属于红线指标；
• 误检率：控制在3%以内。误检率太高也不行，把好果当坏果踢出去，损耗变大，产线上会被骂死。

漏检率和误检率的定义，项目一开始我们就和甲方确认清楚了，避免验收的时候扯皮。漏检率=未检出的实际缺陷果数量 ÷ 抽样中真实缺陷果总数量 × 100%。误检率=被误判为缺陷的健康果数量 ÷ 全部抽样果数量 × 100%。

2. 方案选型与整体思路：为什么视觉AI能行

2.1 传统图像处理算法为什么搞不定农产品

立项调研的时候，我们最先考虑的不是深度学习，而是传统图像处理方案，毕竟开发成本低、部署轻。但实测下来发现，农产品表面太不“规矩”了。柑橘表面的颜色纹理复杂，不同品种、不同成熟度、不同产地的果皮底色差异很大。新鲜伤疤和老疤痕在灰度图和RGB图上看，边界模糊，传统的阈值分割、边缘检测、形态学处理，连最基础的缺陷区域分割都很难稳定完成。

以碰压伤为例，刚发生的碰压伤在果皮上只是一小块颜色加深的区域，和正常的果皮颜色过渡非常平滑，局部对比度极低。用固定阈值一类的算法去测，要么全部漏掉，要么把大量正常果皮上的斑点、花斑误判成缺陷。表面反光也是个头疼问题，柑橘果皮自带一层蜡质，在光照下形成高光区域，传统算法很容易在高光边缘产生假边界，误检率直接失控。

所以方案最终还是锁定在深度学习视觉模型上。深度学习模型对纹理、颜色、形态的抽象能力远强于手工特征，能学到“碰压伤虽然颜色接近果皮，但纹理走向和局部梯度特征不同”这类潜层规律。简单说，传统算法是在拿尺子量“标准的圆”，AI是在学“什么样的圆受过伤”，后者更适合农产品这种非标对象。

2.2 硬件选型：相机、光源、算力怎么配

硬件选型这块，我踩了好几个坑，先说结论：农产品产线检测，光源比相机重要，算力比模型大小重要。

• 相机：用的彩色工业相机，分辨率500万像素，帧率不低于30fps。柑橘这类圆形水果，单个果径在60到90mm，500万像素在单果尺寸上进行缺陷识别完全够用。太高分辨率的相机反而拖累处理速度，没必要。
• 镜头：配的是16mm定焦工业镜头，焦距定死，光圈优先保证景深覆盖果体表面弧面，防止边缘失焦。
• 光源：这套系统最难的点就在光源。柑橘是球形表面，直射光会产生大面积高光反射，影响缺陷识别。我们试了环形光、条光、同轴光，最后选了暗场反射加双侧条形光的组合，让光线尽量均匀铺开，同时把高光区域控制在果体边缘很小范围内。后续实测发现，光源角度差一度，漏检率可能差一个百分点。
• 工控机：用的是高性能工控机加独立GPU，模型推理放在GPU上跑。CPU扛模型推理在工业场景下基本不可行，后面详说。

2.3 检测任务清单和判定标准的对齐

农产品缺陷的类型非常多，不能眉毛胡子一把抓。我们和企业品控团队反复确认，把检测目标收敛为四类核心缺陷：霉变、腐烂、碰压伤、果梗残留。

这几类的优先级也不一样。霉变和腐烂属于严重缺陷，漏检就是质量事故，优先级最高，判定标准从严；碰压伤是常规缺陷，允许轻伤，但不允许重度碰伤和渗汁；果梗残留属于外观等级问题，判定标准松一些。

这里有个经验：检测范围和品控标准一定要在启动项目前写清楚。如果一开始不把缺陷分级、判定尺度确认清楚，后面模型训练、调试阈值时就会反复推翻重来，浪费至少一周时间。

3. 数据准备与模型训练：项目最重的工程量

3.1 样本采集：必须去产线真实环境下拍

模型训练绕不开数据，而农产品检测项目最容易翻车的地方恰恰是数据采集阶段。很多人图省事，用手机在办公室拍几张坏果照片，或者直接在网上找图库，这种数据训练出的模型，到了产线基本就是废的。

工业相机、暗场光、皮带运动状态，这些条件下的成像效果和手机完全不同。产线环境里果体在快速移动，有运动模糊，有背景干扰，有灰尘颗粒，这些噪声在真实环境下很常见，但如果训练数据里没有这些噪声，模型就学不会区分“瑕疵”和“环境噪声”。所以我在项目里坚持要求，样本采集必须到产线上做，直接架好相机和光源，用和正式运行一致的参数拍摄，把所有真实环境中的干扰因素拍进去。

我们总共采集了2万多个柑橘样本，连续拍了四天，覆盖不同批次的果实。采集回来的图像再经过筛选和清洗，去除模糊、遮挡、异常光照的图像，最后剩下约18000张可用图像。

3.2 标注规则的制定比标注本身更关键

标注这个环节看着简单，其实特别容易被低估。我见过很多项目败在标注不规范上：同样一个缺陷，这个人框了，那个人没框，或者有的人把整果框进去，有的人只框局部，模型训练出来之后表现飘忽不定。

我们定了这么几条标注规则：一是必须按缺陷类别单独打标签，不能标注“坏果”这种大而全的类别；二是单个果上有多个缺陷时，每个缺陷单独标注，不允许合并框；三是只标缺陷区域，不标整个果子；四是争议样本由品控人员最终裁决，标注员不能自行决定。

此外还补充了一个关键策略：对严重缺陷样本做了超额标注，比如霉变和腐烂类，我们要求优先保证全量标注，哪怕样本再少，也不能漏标。后来模型的表现证明了这一步非常值，因为漏标一个严重缺陷样本，模型就可能在推理时把一个腐烂果当成好果放过去。

3.3 模型选型与训练参数：轻量级YOLO足够用

模型选型上，我们测试了多个分割和检测网络。农产品缺陷识别有两个技术路径：一是检测框，二是分割掩码。分割掩码的定位精度更高，但部署速度慢；检测框的速度快，对硬件要求低。经过权衡，我最终选了基于YOLO架构的目标检测模型，采用小体量版本，在GPU上推理时延控制在20毫秒以内。

很多人非要上复杂的大模型，觉得准确率高。但工业产线的现实很残酷：推理速度不达标，准确率再高也白搭。我们用YOLO小模型加合理的训练策略，mAP50就能做到93%以上，完全够用。

训练参数的关键项我直接列一下：

• 输入分辨率：640x640，和工业相机原始ROI区域匹配；
• 训练轮次：200轮，早停在30轮无增益时触发；
• 优化器：SGD配合余弦退火调度器；
• 批大小：32；
• 数据增强：Mosaic增强、HSV扰动、随机翻转、随机旋转少量角度。

Mosaic增强对农产品检测特别有效，因为单张图像里果实数量有限，Mosaic把多张图拼接成一张，相当于在一张图里同时提供多个果的上下文信息，模型对密集场景和小目标的适应能力明显提高。

3.4 阈值调优：置信度、NMS、类别权重的配合

训练完模型之后，很多新手直接拿去部署，结果漏检率压不下去，误检率又高得离谱。问题多半出在推理阈值没有结合实际产线场景调优。

我们做了一轮系统性的阈值扫描实验。在验证集上，分别调整置信度阈值和NMS的IoU阈值，画出了漏检率和误检率的权衡曲线。默认置信度阈值是0.5，但在这个项目里，默认值表现并不理想。把置信度阈值降到0.3之后，漏检率明显下降，而误检率上升幅度还在可控范围内；进一步降到0.2，漏检率改善不明显，误检率却大幅上升，果断放弃。最终采用0.3作为主阈值。

为了平衡不同缺陷类别的偏置，我们给严重缺陷类（霉变、腐烂）设置了较低的类别置信度阈值，比如0.25，确保这类缺陷优先检出；给果梗残留设置了更高的0.4，降低误检率。这个策略不用重新训练模型，纯推理侧调整就能立竿见影。

这里有一个训练细节要提醒：严重缺陷样本天然少，类别不均衡会导致模型对少数类的学习和检出能力偏弱。除了常规的类别权重设置，我们还对严重缺陷的样本做了过采样和额外的旋转缩放增强，保证模型见过足够多的变化。

4. 部署到产线的实操过程与速度优化

4.1 部署环境的三大块：采集、推理、剔除联动

整个系统部署到产线后，核心链路是相机采集图像、GPU推理、剔除机构动作三块。采集端由工业相机和光电传感器触发，果体经过光电位置时触发相机抓拍，避免连续运行时的无效帧浪费算力。推理端运行在工控机GPU上，模型输入640x640的图像，输出缺陷类别和位置框。剔除端接到PLC信号，当推理结果命中缺陷类别时，PLC延时控制气嘴吹掉坏果。

光电传感器触发这个细节特别值得说。一开始我们没接光电触发，相机一直连续拍摄，GPU算力被大量无果图像占用，推理队列堆满，速度根本提不上来。后来改了触发逻辑，只有果体通过检测区域时才抓拍一帧，GPU负载立刻降下来一大截。

4.2 速度卡在3倍关口时的三个优化手段

项目前期实测，节拍在每秒3个果左右就是上不去了，离每秒4个果的目标还差一截。逐个排查后，发现瓶颈不在模型推理本身，而在整条数据链路。

第一个瓶颈是图像解码。工业相机直接输出高分辨率原始格式图像，传出来后由CPU做解码和预处理，这一步耗掉了将近30毫秒，比GPU推理本身还慢。我们把原始格式换成压缩率适中的无损压缩格式传输，解码时间降了一半。

第二个瓶颈是预处理里的几何变换。输入图像需要做缩放和填充到640x640，默认实现每次新建内存，反复分配释放。改成预分配缓存，多线程并行执行缩放和归一化，预处理耗时从15毫秒压到5毫秒以下。

第三个瓶颈是推理没有用TensorRT加速。我们起初用模型原生的推理接口跑，速度虽然能接受，但距离目标节拍差一口气。转成TensorRT FP16精度后，推理时延从22毫秒降到11毫秒，整整快了一倍。对于中小企业，不需要上昂贵的高端显卡，一张常规算力级别的GPU就能轻松应对。

4.3 整线节拍实测：3倍+不是吹出来的

优化完毕后，我们做了连续三天的满负荷实测。产线以1.0米/秒的皮带速度运行，单相机检测工位的实际处理能力达到每秒5个柑橘，整线的分选吞吐量比原来的“人工+半自动混线”状态提升了3.2倍。漏检率方面，每天随机抽检1000个过检果，人工复核缺陷，三天的漏检率分别为1.6%、1.4%、1.2%，平均值约1.4%。误检率稳定在2.5%左右。

对比数据我整理成了下表，方便直观参考：

5. 常见问题与排查技巧实录

5.1 漏检率一直降不下来，问题出在哪

如果模型训练完，漏检率还是高，先别急着加数据或换模型，按优先级排查下面几个点：

• 光源是否均匀覆盖整个视野。我调试时就遇到过曝光不均的问题，果体走向定位在暗角，缺陷特征直接丢失。解决办法是调整光源角度，并增加遮光罩减少环境光干扰。
• 运动模糊是否严重。皮带速度过快时，曝光时间太长会导致果体边缘发虚，细小缺陷被糊掉。把曝光时间从800微秒缩短到500微秒后，图像清晰度明显改善。
• 旋转严重缺陷的样本比例是否不足。腐烂和霉变的早期样品很难识别，如果训练数据里早中期样本太少，模型只能学会晚期严重腐烂，漏检率自然压不下去。补拍一批早期霉变样本，重新训练后改善明显。

5.2 误检率过高，别急着调高置信度阈值

误检率高，大部分人会直接调高阈值，但很容易把漏检率又带上去。正确做法是先从数据侧找原因。我遇到过误检集中在某几个批次果上的情况，原因出在数据增强做得不够，模型对特定背景图案特别敏感。检查后发现产线皮带上有固定纹理和小水渍，模型把这些当成了缺陷。解决办法是把干净的皮带图像加入训练集，并标注为背景类别，让模型学会忽略背景，误检率直接降了一个百分点。

5.3 现场长期运行的维护坑

农产品产线环境比较恶劣，粉尘、水汽、震动都不可忽视。镜头表面隔三差五就会被尘土遮掩，即便肉眼看不到，成像质量也在缓慢下降。我们配置了一个简单的定期清洁流程，每4小时用气枪清洁一次镜头和光源，并在软件里写了图像清晰度监测指标，一旦整体图像锐度下降超过设定值就报警。这招救过一次大问题：某次光源角度被维护工人碰到，导致光源分布异常，如果不是清晰度监测报警，可能整个白班都要抱着问题数据跑。

5.4 经验速查表

写在最后的实战体会

这套系统上线后跑了一个多月，给我最大的感受是：农产品AI检测并不是一个“模型训练完就能躺赢”的活，真正决定成败的是对产线场景的理解和数据闭环的建设。举个实际的例子，模型跑起来之后，我们每天都会把当天检出结果和人工复检结果做对比，每周抽一天把模型漏检的图像找出来，补进训练集做增量训练。这个滚雪球式的数据闭环，才是漏检率能持续稳定在1.5%以下的核心原因。

另外一个建议给准备上项目的同行：一定要在项目早期就把“标准”这个东西想清楚。标准不只是技术团队内部的指标，更要是品控团队、产线操作工、设备维护人员都能统一理解的判定口径。这个对齐工作花的时间，会在调试阶段加倍还回来。

如果你也正在做类似的分选产线改造，希望这篇实战记录能帮你少踩几个坑。农产品质检的想象空间很大，从柑橘到苹果、土豆、番茄，从分选线到采收、仓储环节，只要把底层方案吃透，换产品只是数据层面的问题，算法和工程链路是可以复用的。