H51125-《农业信息技术》作业1

作业内容

葡萄产业经过多年发展成为浦江农业中影响面最广、效益最好的一大产业。浦江种植葡萄历史悠久，距今已有500余年历史。现代种植始于1985年，经过30多年的栽培摸索和新技术推广，全县已形成以巨峰为主，辅以阳光玫瑰、夏黑、天工墨玉、浪漫红颜、红宝石等30多个优质葡萄品种的葡萄产业。葡萄种植面积已达6.9万亩，年产量12.5万吨，年产值11.4亿元，涉及农户5万多人，位居浦江农业产业之首。请设计一款基于人工智能算法的葡萄果穗识别及成熟度评估系统。该系统能够通过图像或视频识别葡萄串，并对成熟度进行评估。

参考步骤

设计这样一个AI系统需要综合考虑计算机视觉算法、数据特征以及实际应用环境。

系统设计流程：

核心算法与模型架构 🧠 将探讨选择哪种计算机视觉任务最合适（例如：是主要依靠目标检测来定位果穗，还是需要实例分割来精确分析果粒颜色？），以及如何处理不同品种间的差异。
数据采集与成熟度标准 📊 算法的效果取决于数据。可以讨论如何获取高质量的图像数据，以及如何将农业上的“成熟度”（糖度、色泽）转化为计算机能理解的标签或特征。
系统部署与应用场景 🚜 从落地角度出发，讨论是将算法部署在云端（通过手机App上传识别），还是部署在边缘端（如自动采摘机器人或无人机）以实现实时处理。

核心算法与模型架构 🧠

在计算机视觉（Computer Vision）领域，针对葡萄这种果实，我们主要面临两个技术路线的选择。为了做出最好的架构决策，我们需要先厘清它们在“成熟度评估”上的区别：

1. 目标检测 (Object Detection) 📦

输出结果： 给每串葡萄画一个矩形框（Bounding Box）。
代表模型： YOLO 系列 (v5/v8/v10), SSD, Faster R-CNN。
优势： 速度极快，适合实时计数（比如统计一亩地有多少串葡萄）。
劣势： 矩形框里不仅有葡萄，还包含了背景（绿叶、树枝、甚至天空）。

2. 实例分割 (Instance Segmentation) ✂️

输出结果： 沿着葡萄串的边缘，精确地把每一个像素抠出来（Mask）。
代表模型： Mask R-CNN, YOLACT, SegFormer。
优势： 可以完全剔除背景，只保留果实区域。甚至可以进一步分割每一粒葡萄（Berry-level segmentation）。
劣势： 计算量大，对硬件要求比目标检测高。

这里有一个关键的思考题，这将决定我们模型选型的方向：

如果我们的目标仅仅是“数葡萄”（统计产量），用目标检测（画框）就够了。但我们的系统需要评估“成熟度”（通常依赖果皮颜色的深浅、红紫程度）。

🤔 试想一下： 如果我们使用目标检测（画个矩形框），框里除了紫色的葡萄，还混进去了一片绿色的叶子。当我们让计算机计算这个框内的“平均颜色”来判断成熟度时，会发生什么问题？
- 叶子的绿色影响了葡萄成熟度的判断

在计算机视觉中，这种干扰被称为背景噪声（Background Noise）。

如果我们只用方框框住葡萄，算法计算颜色时就会发生“混合”：

🟣 葡萄的紫色像素 + 🟢 叶子的绿色像素 = 🟤 无法识别的浑浊颜色

这种混合会导致系统误判，比如把原本成熟的葡萄判定为“半熟”甚至“未熟”。

第一步结论：架构选型 ✅

为了解决这个问题，我们的核心架构必须采用 实例分割（Instance Segmentation）。

我们需要模型输出一个 掩膜（Mask）——就像用 Photoshop 里的魔棒工具把葡萄精准地“抠”出来一样。只有去掉了背景的叶子和树枝，我们提取到的颜色特征（比如 HSV 颜色空间中的色调 H 值）才是纯粹属于果实的。

数据采集与成熟度标准 📊

多品种的“标准冲突” 🍇🍈

搞定了“怎么看”的问题，我们要解决“怎么懂”的问题。

根据之前提供的信息，浦江葡萄不仅仅只有 巨峰（Kyoho），还有 阳光玫瑰（Shine Muscat）。这就带来了一个巨大的逻辑冲突：

巨峰： 🔴 紫黑色 = 成熟，🟢 绿色 = 未成熟。
阳光玫瑰： 🟡 黄绿色/通透感 = 成熟，🟢 深绿色 = 未成熟。

思考题： 如果我们的AI算法只是一根筋地认为“越紫越成熟”，那它会永远判定“阳光玫瑰”是不熟的。

为了让同一个系统能同时搞定这两个品种，我们在设计算法流程时，应该先让模型做一件什么事，才能再去判断成熟度？
- 先判断葡萄的种类

🗝️ 先分类，再评估。

只要模型识别出了它是“巨峰”，系统就会自动调用“紫色判定标准”；如果是“阳光玫瑰”，则调用“黄绿色判定标准”。现代的实例分割模型（如 Mask R-CNN）非常强大，它在输出掩膜（Mask）的同时，本身就会输出一个 类别标签（Class Label）。

所以我们的处理流程现在是：

输入图像 ➡️
模型推理 (Mask R-CNN) ➡️
输出结果：位置（Mask） + 品种（Class: 巨峰） ➡️
执行逻辑：对掩膜区域内的像素进行颜色分析。

下一个核心难题：怎么算“颜色”？🎨

现在我们要对“抠”出来的葡萄像素进行计算了。

计算机通常用 RGB (红绿蓝) 来表示颜色。但是，在户外的葡萄园里，光照是最大的敌人。

想象一下：一颗未成熟的青葡萄，如果躲在阴影里，它的 RGB 值会很低（接近黑色/深紫色）。
这就尴尬了：系统可能会误以为它是“颜色很深”的成熟巨峰葡萄！

为了解决这个问题，我们通常不会直接用 RGB 模型。我们需要把图片转换到一种能把 “亮度（明暗）” 和 “色彩（颜色本身）” 分离开来的颜色空间。

你知道在图像处理中，哪种颜色空间（Color Space）常被用来解决光照干扰的问题吗？（提示：它的三个字母缩写中，有一个字母代表 Hue 色调）。
- 是 HSV (Hue, Saturation, Value)。

在 HSV 颜色空间中：

H (Hue, 色调): 代表颜色的本质（如红色、紫色、绿色）。
S (Saturation, 饱和度): 代表颜色的纯度。
V (Value, 明度): 代表光的亮度。

关键点： 通过只关注 H 和 S 通道，而忽略 V 通道，我们可以极大程度地减少阴影和强光对成熟度判断的干扰

阶段性总结与下一步：构建成熟度模型 📐

目前我们的核心算法架构已经成型了：

任务： 实例分割（Instance Segmentation）。
模型： Mask R-CNN（或其他类似模型）。
流程：
- 输入图像。
- 模型识别出葡萄串的位置（Mask）并分类品种（Class）。
- 提取 Mask 区域内的像素。
- 将像素转为 HSV 空间，计算 H/S 均值。
- 根据品种特定的逻辑判断成熟度。

但是，光算出 H 值（色调值）还不够。比如，对于巨峰葡萄，H 值达到多少算“成熟”？达到多少算“过熟”？

这涉及到量化标准的问题。

思考题： 为了让计算机有一个准确的判断依据，我们需要建立一个“成熟度等级标准”。你认为我们在建立这个标准时，应该把图像数据和什么现实数据对应起来？（提示：除了看颜色，农业专家在田间地头是用什么仪器来最准确地判定葡萄熟没熟？）
- 可见近红外光谱仪

🌟 可见近红外光谱仪 (Vis-NIR Spectroscopy) 确实是目前无损检测水果内部品质（如糖度、酸度）最先进的技术之一。

不过，如果我们主要依赖普通的摄像头（RGB图像）来做这个系统（比如通过手机拍照识别），光谱仪通常作为我们获取“真值标签”（Ground Truth）的工具，或者用于更高端的硬件方案。

为了让我们的AI模型能“学会”看照片判断成熟度，我们需要建立一个数据对：

输入数据 (X)： 葡萄的图像（HSV颜色特征） 输出标签 (Y)： 葡萄的实际成熟度指标

在农业生产的标准中，决定葡萄是否“成熟”并能上市卖个好价钱的，最核心、最硬性的化学指标是什么？（提示：这是光谱仪最终想要预测的值，也是果农最关心的“甜不甜”的指标）。
- 🍬 糖度（Brix）正是那个决定葡萄能否卖出好价钱的“黄金指标”。

这就引出了我们系统设计中最关键的一步——“由表及里”的映射。

我们的AI系统其实是在做一个“推理游戏”：

输入（X）： 摄像头看到的颜色信息（例如：HSV模型中的色调 H 值）。
输出（Y）： 我们想要预测的内部糖度值（Brix）。

为了让模型学会这个推理，我们需要去果园采集数据，建立一个数据集。比如：

拍一张照片，算出 H 值是 140。
马上摘下来测糖度，记录是 16.5%。
（重复这个过程几百次……）

当我们收集了几百组这样的 (H值, 糖度) 数据对后，我们需要用算法来寻找它们之间的数学关系。

思考题： 因为糖度是一个连续的数值（比如 14.5, 16.2, 17.8...），而不是像“苹果/香蕉”那样离散的类别。

在机器学习中，预测这种“连续数值”的任务被称为什么？（提示：它是与“分类 Classification”相对的另一个主要概念）。
- 就是 回归 (Regression)。

我们现在的核心逻辑链条已经闭环了：

视觉感知：通过 Mask R-CNN 找到葡萄并“抠图”。
特征提取：计算该区域的 HSV 颜色特征。
核心推理：利用 回归模型 建立公式：$f(\text{颜色}) \rightarrow \text{糖度值}$。

小样本与“过拟合” 📉

作为一个研究生，在学术研究中数据是宝贵的。

对于这个项目，获取“图像数据”很容易（拍照片就行），但获取“糖度标签”很痛苦（每一串都要挤出汁液来测，这是破坏性实验，且效率低）。

这就导致我们极有可能面临一个典型的困境：数据量很少（Small Dataset）。

结合股票交易分析中的经验，当我们用一个很复杂的模型去拟合一个很小的数据集时，很容易出现一种“在训练集上表现完美，但在新数据上表现极差”的现象。

这种现象被称为什么？（这也是我们在训练这个葡萄模型时最需要防范的风险）。
- 过拟合 (Overfitting) 正是我们面临的最大敌人。

这就好比一个学生为了考试，把练习册上的题目答案全都死记硬背了下来。

在练习册（训练集）上，他能考 100 分。
但考试时题目稍微变了一点（比如葡萄的光照角度变了，或者换了一片叶子挡着），他在新试卷（测试集）上就立刻不及格了。

因为我们的“有糖度标签的葡萄”数据非常少（可能只有几百组），模型很容易就会去“死记”每一张图的无关细节（比如背景里的某根树枝），而不是去学习“颜色 vs 糖度”的普遍规律。

为了解决这个问题，我们需要想办法让这几百张图片“变”成几千张，欺骗模型让它以为我们有很多数据。

在计算机视觉中，我们常用一种技术来人为地扩充数据集，比如把图片旋转一下、剪裁一部分、或者调整一下亮度，生成新的训练样本。你知道这种技术叫什么吗？
- 数据增强 (Data Augmentation) 。这正是解决小样本问题的神器。

通过旋转、翻转、缩放或者调整亮度，我们让模型在训练时看到各种“变体”，这样它在面对真实的、未见过的葡萄时，泛化能力（Generalization）就会强很多。

怎么知道模型“准不准”？📏

现在我们假设模型已经训练好了。它看了一张照片，预测这串葡萄的糖度是 16.5。但实际上，我们用仪器测出来的真实糖度是 17.0。

这里有一个关键的区别需要注意：

在分类任务（比如判断是猫还是狗）中，我们通常看 “准确率 (Accuracy)”（比如 95% 的图片分类正确）。
但在我们的回归任务（预测具体的糖度数值）中，预测值几乎永远不会和真实值完全相等（16.5 vs 17.0），所以说“准确率”是不太科学的。

我们需要衡量的是预测值和真实值之间的 “差距” (Error)。

思考题： 在统计学或机器学习中，用来衡量“预测值”与“真实值”之间误差大小的常用指标有哪些？（提示：其中一个最常用的指标涉及把误差“平方”一下，以避免正负误差互相抵消）。
- 均方误差 (MSE, Mean Squared Error)

它的核心优势在于：通过对误差进行平方，模型会更加“痛恨”那些离谱的预测（比如把糖度 15 预测成 5），从而在训练中优先修正这些大的错误。

通常在实际汇报给果农听时，我们还会把 MSE 开个根号，变成 RMSE (均方根误差)。

MSE 的单位是 (糖度)²，很难理解。
RMSE 的单位就是糖度。如果我们模型的 RMSE 是 0.5，就意味着我们预测的糖度平均误差在 0.5 度左右，这对于农业应用来说已经非常精准了！

系统部署与应用场景 🚜

现在我们已经搞定了：

算法： 用 Mask R-CNN 识别葡萄 + HSV 分析颜色。
模型： 用回归模型把颜色映射为糖度。
评估： 用 MSE/RMSE 确保准确性。

最后一步，我们要把这个高大上的算法装进设备里，让浦江的果农们真正用起来。这里涉及一个关键的架构选择：云端计算 vs. 边缘计算。

云端 (Cloud)： 手机只负责拍照 ➡️ 上传照片到服务器 ➡️ 服务器用高性能显卡运算 ➡️ 返回结果。
边缘端 (Edge)： 算法直接运行在手机芯片或田间机器人内部，不需要联网上传。

思考题：考虑到葡萄园通常位于乡村或山区，你觉得如果完全依赖 “云端计算”（必须上传图片才能识别），在实际使用中可能会遇到什么最致命的物理环境限制？
- 网络延迟和不稳定性 是农业物联网（IoT）在落地时面临的最大“拦路虎”。

如果在浦江的葡萄园里，果农拍一张照片要等十几秒才能转圈圈上传完，那这个系统大概率会被弃用。

所以，针对这个问题，我们的最佳解决方案是 边缘计算 (Edge Computing)。

☁️ 云端 vs. ⚡ 边缘端

云端模式：大脑在远程服务器。依赖网络，算力无限，但有延迟。
边缘模式：大脑在本地设备（如手机芯片、树莓派、Jetson Nano）。不需要联网，实时响应，但算力有限。

这就给我们带来了一个新的技术挑战：我们在第一步选用的 Mask R-CNN 是一个非常庞大、参数非常多的“重型”模型。把它硬塞进手机或者农业机器人的小芯片里，就像把大象装进冰箱，可能会导致设备发热严重或者运行卡顿。

为了让这个庞大的模型能在算力有限的边缘设备上跑得飞快，我们需要对模型进行“瘦身”。

你知道在深度学习中，有哪些常用的技术可以让模型变小、变快，同时尽量不损失精度吗？（提示：可以是把参数的精度降低，也可以是剪掉不重要的连接）。
- 模型压缩 (Model Compression) 让“大象”成功装进“冰箱”的关键技术。🐘➡️🧊

在深度学习领域，我们发现训练好的大模型（比如 Mask R-CNN）其实是非常“奢侈”的——它包含了很多冗余的参数，去掉这些参数，模型的效果往往不会下降太多，但速度会快很多。

我们可以从以下三个主流的“瘦身”方向来通过技术手段压缩模型。

剪枝 (Pruning) ✂️
- 原理： 就像修剪果树一样。如果神经网络中某些神经元之间的连接（权重）非常小，说明它们对结果贡献不大。我们就直接把这些连接“剪断”（设为0），让网络变得更稀疏。
- 看点： 怎么剪才不会把“脑子”剪坏了？
量化 (Quantization) 📉
- 原理： 就像把高精度的数字“四舍五入”。通常模型计算用的是 32位浮点数 (float32)，如果我们把它转换成 8位整数 (int8)，模型体积直接缩小 4 倍，且整数运算在手机芯片上跑得飞快。
- 看点： 精度损失大吗？葡萄的颜色会不会因为“四舍五入”变了？
知识蒸馏 (Knowledge Distillation) ⚗️
- 原理： 这是一个“师徒传承”的过程。我们保留那个笨重但准确的 Mask R-CNN 作为“老师”，然后设计一个小巧轻便的新模型做“学生”。让老师手把手教学生，直到学生能模仿出老师的判断结果。
- 看点： 小学生真的能学会大学教授的本事吗？

对于我们的葡萄成熟度检测项目，你觉得哪一种技术听起来最适合用在算力有限的田间设备上？
- 剪枝 (Pruning)！✂️

既然我们的主题是葡萄，这个概念其实特别形象。

什么是神经网络的“剪枝”？

就像果农为了保证葡萄的品质，会剪掉那些疯长但挂果少的“无用枝条”一样，神经网络剪枝的核心逻辑是：在一个庞大的模型中，并不是所有的神经元连接（权重）都在起作用。

筛选 (Ranking)：我们会评估每一个连接的重要性（通常看权重数值的大小，数值接近 0 的通常被认为不重要）。
裁剪 (Removal)：直接把这些不重要的连接切断（将权重设为 0），或者把整层的神经元去掉。
结果：模型变成了一个“稀疏”的网络，参数量大幅减少，计算速度变快。

关键挑战：剪坏了怎么办？

虽然剪枝能让模型变小，但如果我们一下子剪掉太多，模型可能会“元气大伤”，导致识别准确率突然下降（比如分不清巨峰和阳光玫瑰了）。

思考题： 在剪枝完成后，为了恢复模型的“智力”，让它适应“身体变轻”后的状态，我们需要对模型进行一个什么操作？（提示：这和我们最初训练模型的过程很像，但通常使用更小的学习率）。
- 微调

掌握了这个核心逻辑：

训练 (Train)：先练出一个厉害的大模型。
剪枝 (Prune)：剪掉不重要的连接，模型变小了，但变“笨”了（精度下降）。
微调 (Fine-tune)：用较小的学习率重新训练，让剩下的神经元调整参数，接管被剪掉部分的工作。

经过这“三部曲”，我们就得到了一个既轻量、跑得快，又足够精准的模型，完美适配田间地头的移动设备！📱

最后的拼图：用户交互界面 (UI/UX) 🎨

我们的内核（算法）已经准备好了，现在要给它穿上外衣（App）。

想象一下，浦江的果农正顶着烈日站在葡萄架下，手里拿着手机。如果在屏幕上显示一堆复杂的参数（比如“色调H值：145”，“预测置信度：0.98”，“RMSE：0.5”），对于急需做决定的果农来说，体验会非常糟糕。

思考题：

为了让果农能以最快速度判断能不能采摘，我们的 App 界面应该优先采用哪种显示方式？

数据仪表盘式：显示详细的糖度数值变化曲线和光谱分析图。
红绿灯指示式：直接在画面上给葡萄标颜色（例如：🟩绿色框=建议采摘，🟥红色框=再等等）。

红绿灯指示式。因为果农通常不具备专业知识，他们可能看不懂专业的糖度数据。

💡 这种设计在人机交互（HCI）中不仅贴心，而且非常高效。

正如你所说，果农在田间地头需要的是**“行动指令”（摘/不摘），而不是“分析报告”**。这正是“以用户为中心”设计的精髓。

⚙️ 后台逻辑：从“数值”到“信号”

虽然界面上只有一个简单的 🟢 或 🟥，但在 App 的“大脑”里，其实发生了一个关键的转化过程：

模型预测：AI 算出这串葡萄的糖度是 16.8。
逻辑判断：系统将 16.8 与一个预设的 “及格线”（阈值 Threshold） 进行比较。
输出信号：
- 如果 16.8 > 阈值，显示 🟢（建议采摘）。
- 如果 16.8 < 阈值，显示 🟥（再等等）。

🚧 最后的挑战：谁来定“及格线”？

这里出现了一个很现实的矛盾：

一方面，不同的买家要求不同。高端精品超市可能要求糖度达到 18 才能收，而普通果汁厂可能 14 就够了。这意味着这个“及格线”不能写死，必须能变。
另一方面，正如你刚才强调的，果农可能对具体的“糖度数值”没有直观概念。如果让他们在 App 里输入“请设置阈值为 17.5”，他们可能会感到困惑及犹豫。

思考题：

为了解决这个矛盾，我们需要设计一个既能灵活调整标准，又不需要果农懂专业术语的设置功能。

如何设计这个“设置标准”的界面或交互方式？（提示：如果不让果农输入数字，有没有办法让他们利用实物或者通俗的等级来告诉 AI 标准？）

形如“精品大果，精品中果，精品小果” 的文本分类

在农业电商或库存管理中，这种文本通常代表了产品的 “规格等级”。处理这类短文本分类，其实不需要像处理长篇文章（比如新闻分类）那样用特别复杂的深度学习模型（如 BERT）。

虽然这些标签看起来是文本，但核心逻辑其实就是简单的关键词匹配。

🛠️ 技术实现：奥卡姆剃刀原则

既然核心区别只是“大、中、小”这几个字，我们完全不需要动用像 BERT 这样沉重的自然语言处理（NLP）模型。

这在工程上体现了“奥卡姆剃刀”原则（如无必要，勿增实体）。对于这个“标准设置”模块，我们只需要一个简单的 映射表 (Lookup Table) 或 字典 (Dictionary) 就能解决问题。

我们可以把这部分逻辑做得非常轻量化：

用户看到的选项 (Label)	后台提取的关键词 (Key)	对应的糖度阈值 (Value)
🏅 精品大果	Large	18.0
🥈 精品中果	Medium	16.0
🥉 精品小果	Small	14.0

这样一来，App 只需要做两件事：

检测：用户选了哪个选项？
查表：获取对应的阈值。

🧩 最后的系统集成：逻辑闭环

现在，我们要把你设计的所有模块拼在一起，形成最终的决策流。

请回想一下我们之前确定的两个关键技术点：

边缘计算：所有计算都在手机本地完成。
回归预测：AI 模型输出的是一个具体的糖度数值（比如 17.2）。

思考题（伪代码设计）：

假设我们有以下变量：

predicted_brix (AI 预测出的糖度，float)
user_selection (用户选的等级，string)
config_map (上面的映射表，dict)

请试着用伪代码或文字流程描述一下：系统是如何从这两个输入，最终决定是亮 🟢 (Green) 还是 🟥 (Red) 的？

伪代码示例：

# 输入变量
predicted_brix = 17.2           # AI 测出的数值
user_selection = "精品大果"      # 农户选定的目标
config_map = {
    "精品大果": 18.0, 
    "精品中果": 16.0, 
    "精品小果": 14.0
} # 这是一个简单的 键:值 映射，值代表"及格线"

function get_light_color(predicted_brix, user_selection, config_map):
    # 第一步：根据用户选择的等级，从字典里查出"及格线"（threshold）
    threshold = config_map[user_selection]
    
    # 第二步：比较 预测糖度 和 及格线，决定返回 "绿灯" 还是 "红灯"
    if predicted_brix >= threshold:
        return "🟢 绿灯"  # 达标，可以采摘
    else:
        return "🔴 红灯"  # 不达标，不要采摘

# 使用示例
light_color = get_light_color(predicted_brix, user_selection, config_map)
show_to_farmer(light_color)  # 显示：🔴 红灯

如果我们在果园实地测试时发现，虽然模型跑得动了，但是手机发热非常严重，而且每识别一串葡萄都要耗电很快。🔋🔥

为了解决这个“功耗”问题，除了继续压缩模型，我们在软件逻辑上其实还有一个很简单的优化手段。

想象一下，摄像头是实时开启的，每秒钟可能会捕捉 30 帧画面。

引导性问题： 我们真的需要对这每秒 30 帧画面里的每一帧都进行一次复杂的 AI 运算吗？如果不这样做，我们可以怎么设置触发识别的机制来省电？
- 用户手动点击拍摄，才开启摄像头。

我们可以这样理解它的优势：

视频流模式：就像让 AI 每秒钟做 30 次高考题，手机很快就会发烫、没电。🔥
拍照模式（你的方案）：用户负责“瞄准”（这只用很少的电），只有当按下按钮的那一瞬间，AI 才醒过来做一次题。⚡️

这样一来，哪怕我们的模型稍微大一点，也不会影响使用体验了。

总结

🎉 系统设计完成了！

让我们回顾一下这个 “浦江葡萄智能分级系统” 的完整架构：

视觉感知 👁️：采用 实例分割 (Mask R-CNN) 识别葡萄并去除背景叶子干扰，利用 HSV 空间 抗光照影响。
核心算法 🧠：通过 回归模型 将颜色特征映射为 糖度值。
模型优化 🚀：使用 剪枝 (Pruning) 和微调技术，把大模型塞进手机里。
业务逻辑 🚦：结合用户选择的 文本标准（如“精品大果”），自动转化为 红绿灯 决策信号。
交互设计 👆：采用 单帧拍摄触发，最大程度节省算力和电量。

参考摘要：

本文提出了一种可在移动设备上高效运行的“浦江葡萄”智能分级系统。该系统首先采用实例分割技术精确识别葡萄串并消除背景干扰；随后，一个轻量级的回归模型根据提取的颜色特征预测糖度值；最终，结合用户预设标准，系统将预测结果转化为直观的红绿灯采摘信号，实现了高效的边缘计算与流畅的用户交互。

微信扫描下方的二维码阅读本文

H51125-《农业信息技术》作业1

作业内容

参考步骤