基于改进Unet的多场景水果图像分割与分类研究

基于改进Unet的多场景水果图像分割与分类研究摘要随着智慧农业的快速发展，基于计算机视觉的水果品质检测与产量评估成为研究热点。然而，自然环境下的水果图像存在光照不均、枝叶遮挡、重叠粘连等复杂干扰，传统图像分割模型难以兼顾精度与效率。本文针对多场景水果图像分割任务，构建了包含8类常见水果、3种成熟度及多种干扰场景的高质量数据集，并对Unet模型进行了系统性改进。首先，将骨干网络替换为ResNet50与MobileNetV3，增强特征提取能力；其次，在跳跃连接层集成CBAM注意力机制，聚焦重叠与小尺寸水果的特征；最后，优化解码器通道结构以平衡计算效率。实验结果表明，改进后的模型在测试集上达到了91.6%的mIoU，推理速度较原始Unet提升23%，在重叠水果与低光照场景下表现尤为优异。本文提供了完整的代码实现与详细的实验分析，为农业视觉检测任务提供了有效解决方案。关键词：水果图像分割；Unet；注意力机制；多场景数据集；智慧农业1. 引言1.1 研究背景与意义水果产业的自动化管理是智慧农业的重要组成部分。利用计算机视觉技术对果园中的水果进行识别、定位与成熟度分析，有助于实现精准采摘、产量预估与品质分级。近年来，深度学习尤其是卷积神经网络在图像分割领域取得了突破性进展，为水果图像分析提供了强大工具。然而，真实果园环境极其复杂：光照条件变化剧烈、果实常被枝叶遮挡、多个果实相互重叠、表面存在污渍或病虫害痕迹。此外，不同水果的尺寸差异大（如蓝莓与苹果），同