PDF 摘要：【目的】苹果在销售过程中，其表皮的损伤情况会直接影响果实的经济价值。运用相机采集苹果表皮的损伤图像，对获取到的图像进行分类和数据预处理，基于迁移学习的方法对苹果表皮损伤进行直接分级研究，为提高苹果表皮损伤分级效率进而更好地指导苹果采收后的分类售卖提供理论依据。【方法】首先对采集到的富士和丹霞两个苹果品种图像进行对比度调整、旋转、翻转、添加噪声等11种批量操作，将数据集扩充到9360张，同时对扩充后的样本集统一调整为224×224像素。针对预处理好的数据集，选取5种20MB以下的轻量化卷积神经网络在相同超参数设置条件下进行初始化训练、引入迁移学习训练以及在迁移学习基础上增加冻结网络层权重3种方法进行训练对比。【结果】5种网络初始化训练后的测试精度仅为56.32%~71.98%；基于迁移学习的MobileNet-v2模型最终训练精度达99.04%，在轻量级卷积神经网络中，比表现性能最差的EfficientNet-b0模型最终训练精度高18.79%；在基于迁移学习的MobileNet-v2模型基础上冻结不同模块参数，得出模型选择冻结至第1个卷积模块到Bottleneck3-1模块时均可在缩短模型训练时间的基础上提高模型验证精度，其中在冻结到Bottleneck3-1模块时比基于迁移学习的MobileNet-v2模型训练时间缩短了29.32%，同时验证精度提高了0.93%，测试精度提升了1.12个百分点达91.58%，检测单张图片所用平均时间为0.14s，网络大小为8.15MB，可以满足快速识别需求。【结论】基于迁移学习加冻结训练的MobileNet-v2模型具有较好的鲁棒性和分级性能，可为移动终端和嵌入式设备在苹果损伤直接分级方面提供技术参考。