1. 课程导入与系统概览

农产品从田间到餐桌，外观是消费者判断品质的第一道门槛。苹果表面的碰伤、柑橘果皮的霉斑、马铃薯的绿皮与芽眼、大米中的黄粒与垩白，这些缺陷不仅影响售价，更可能对应内部品质劣变甚至食品安全风险。传统人工分选依赖工人长时间注视传送带上的果实，存在主观性强、疲劳后漏检率高、标准难以统一等问题；而基于机器视觉的自动检测系统能够以稳定的判定标准、毫秒级的节拍对每个个体进行成像与判别，把"看得准"和"看得快"同时做到。

本课程围绕"如何构建一套可落地的农产品表面缺陷视觉检测系统"展开。需要先明确一个基本认识：视觉检测不是单一算法问题，而是一条从光照与成像到图像预处理、缺陷分割与识别、分级决策，再到执行机构动作的完整链路。任何一个环节失配，都会在最终分选结果上放大为误判。因此本章先建立系统全景，再逐章深入各环节。

视觉检测系统的基本组成

一套典型的农产品表面缺陷检测系统可划分为五个功能层。第一层是物料输送与定位：通过皮带、辊筒或果杯将农产品单列化、等间距排列，保证每个个体在成像工位有确定的姿态与位置。第二层是成像单元：由工业相机、镜头、光源与遮光罩构成，负责获取稳定、可重复的图像。第三层是图像处理与决策单元：运行预处理、缺陷检测与分级算法，输出等级或剔除信号。第四层是执行单元：气动喷嘴、拨杆或分道机构，根据决策结果将不合格品导入相应通道。第五层是人机交互与数据管理：显示实时画面、统计分级结果、记录缺陷样本，供参数调整与追溯。

其中成像单元最容易被低估。以苹果表面碰伤检测为例，碰伤区域与正常果皮在颜色上差异微弱，但在特定角度掠射光下会呈现明显的镜面反射差异。若采用普通环形光正面照射，碰伤几乎不可见；改用低角度条形光或偏振成像后，缺陷对比度显著提升。这说明光源方案往往比算法更决定检测上限。课程后续会给出不同品类（苹果、柑橘、番茄、马铃薯、大米）的典型光源与相机选型思路。

从"看得见"到"判得准"：三个关键判断

在动手搭建之前，需要先回答三个工程判断。其一是缺陷类型与可成像性：颜色类缺陷（霉斑、绿皮、黄粒）在可见光下通常有较好对比度；几何类缺陷（畸形、裂口）依赖轮廓与纹理；而碰伤、内部褐变等"隐性缺陷"往往需要特定波段（如近红外）或偏振、多角度成像才能稳定呈现。其二是检测节拍与分辨率：若输送速度为 0.5 m/s、单果直径约 80 mm，则每个果实在视场内停留约 160 ms，扣除触发与传输开销，算法必须在数十毫秒内完成处理，这直接约束了模型复杂度与图像分辨率的选择。其三是误判代价的对称性：把好果判为坏果造成浪费，把坏果判为好果造成质量事故，二者代价不同，因此分级阈值不能简单取 0.5，而应结合品类与客户要求调整。

举个可操作的示例：假设检测苹果碰伤，相机分辨率 500 万像素、视场覆盖 300 mm × 200 mm，则空间分辨率约为 0.13 mm/像素，足以分辨毫米级的碰伤边缘。若碰伤面积阈值设为 30 像素（约 0.5 mm²），低于该面积视为噪声不判缺陷，可有效抑制果点、灰尘引起的误报。这类"分辨率—阈值—误报率"的联动关系，是后续参数调试章节的核心内容。

课程学习路径与实战项目

课程按"基础—成像—算法—系统—实战"推进。基础部分讲清农产品表面光学特性与缺陷分类体系；成像部分深入光源、镜头、相机选型与触发同步；算法部分从传统图像处理（阈值分割、形态学、纹理特征）过渡到深度学习分割与分类，并强调小样本条件下的数据增强与迁移学习；系统部分覆盖输送同步、剔除时序、误判分析与产线集成；最后以一个完整的苹果表面缺陷分选实战项目贯穿，从需求定义、样本采集、标注规范、模型训练、阈值整定到上线验证，形成闭环。

需要强调的是，视觉检测系统的验收标准不是"算法在测试集上的准确率"，而是"在真实产线节拍下、面对当季不同批次物料时的稳定分级一致性"。因此课程中的示例数据均标注为教学假设，实际项目中必须以现场采集的样本重新整定参数，并通过连续运行统计漏检率与误检率，才能判断系统是否真正达标。