2. 果实成熟度等级标准与数据标注规范
视觉识别模型的输出质量，本质上由“标签定义得是否清楚”决定。如果同一张青转黄的柑橘图片，甲标注员标为“七成熟”、乙标为“八成熟”，模型学到的就是噪声。因此本节的核心任务不是写代码，而是建立一套可执行、可复核、可复现的成熟度等级标准与标注规范，让“成熟度”从主观经验变成可判读的视觉特征组合。
一、成熟度划分依据：从生理指标到视觉代理
成熟度划分通常有三类依据：生理生化指标（可溶性固形物、酸度、乙烯释放量、硬度）、时间指标（盛花后天数）和外观视觉特征（色泽、果面纹理、果蒂状态、果形饱满度）。视觉识别模型只能“看见”第三类，因此标注标准必须把前两类作为“金标准”锚点，再映射为可观察的视觉代理特征。
以柑橘类为例，可采用“色泽+果面+果蒂”三因子组合划分五级：
| 等级 | 色泽特征 | 果面与果蒂 | 参考生理锚点（示例） |
|---|---|---|---|
| L1 未熟 | 全果深绿，无转色斑 | 果面紧实，果蒂鲜绿凸起 | 可溶性固形物 < 7% |
| L2 初熟 | 绿色为主，转色面积 < 25% | 果蒂开始微黄 | 7%～8.5% |
| L3 半熟 | 转色面积 25%～60%，黄绿相间 | 果面略见油胞光泽 | 8.5%～10% |
| L4 适熟 | 转色面积 60%～90%，橙黄为主 | 果蒂环出现浅黄离层 | 10%～12% |
| L5 过熟 | 全果橙红，局部暗沉或失水 | 果蒂干缩、易脱落 | > 12%，硬度下降 |
表中生理锚点为教学示例，实际项目应以当地品种、产区和采收标准重新标定。关键原则是：每一级都必须能用一句话描述“看到什么就判为这一级”，且相邻等级之间存在可辨识的边界特征，例如“转色面积是否超过 25%”比“颜色是否偏黄”更可操作。
二、视觉特征定义：把形容词变成判读规则
标注规范中最容易出问题的是模糊形容词。应把“较黄”“略软”“基本成熟”替换为可判读的规则：
- 转色面积比例：以果实可见投影面积为分母，估算黄色/橙色区域占比，按 25%、60%、90% 三档切分，允许 ±5% 的判读容差。
- 色泽均匀性：区分“均匀转色”与“斑块状转色”，后者常见于向阳面先黄，需在标注备注中记录。
- 果蒂状态：鲜绿凸起、微黄、浅黄离层、干缩四态，作为独立辅助标签。
- 缺陷干扰：日灼、病斑、机械伤造成的变色不计入转色面积，需在标注时排除。
三、标注类别设计：分类、检测与辅助标签
类别设计要与模型任务匹配。若做成熟度分类，标签为 L1～L5 五个互斥类别；若做检测，则需同时标注果实边界框与等级；若后续要做分级采摘决策，还应增加“遮挡程度”“是否可采摘”等辅助标签。类别命名应使用稳定英文标识（如 L1_unripe、L4_mature），中文仅作显示名，避免因改名导致数据集版本混乱。
下图展示了一套“主标签+辅助标签+质量状态”的标注类别结构及其判读流向：
四、标注一致性控制：让差异可度量、可收敛
一致性控制不能只靠“培训一次”。可执行的做法是：先由 2～3 名标注员对同一批 100 张样本独立标注，计算等级判定的 Cohen's Kappa 系数；若 Kappa < 0.80，说明标准仍有歧义，需回到边界样本逐张讨论，补充判读细则后再测。对转色面积这类连续量，可计算标注值与复核值的平均绝对误差，控制在 5 个百分点以内。
边界样本是分歧的主要来源。建议建立“边界样本库”：把转色面积接近 25%、60%、90% 切点的图像单独归档，标注时强制进入复核队列，由组长终裁并记录理由。每轮标注结束后统计各等级的混淆矩阵，若 L3 与 L4 之间混淆率超过 15%，就应检查切点描述是否足够清晰，而不是简单归因于标注员不认真。
五、标注工具使用要点
常用工具包括 LabelImg、CVAT、Label Studio 等。以 CVAT 为例，实操要点是：先建立含 L1～L5 标签的项目并锁定标签集，避免标注中途增删类别；使用多边形或边界框时统一“紧贴果实可见轮廓、包含果蒂但不含枝叶”的规则；开启快捷键与自动保存，按“单张标注→自检→提交复核”的顺序推进。导出时选择 COCO 或 YOLO 格式，并在文件名中保留数据集版本号，例如 citrus_grade_v1.2，确保模型训练时可追溯标签来源。
综上，成熟度标准与标注规范的本质是把专家经验转写为“可判读的视觉规则+可度量的质量指标”。等级切点、判读顺序、辅助标签和一致性阈值四者配套，才能为后续模型训练提供干净、稳定、可复现的标签基础。