《Smart Agricultural Technology》：A Low-Cost Embedded Machine Learning-Based Acoustic Sensing Device for On-Tree Jackfruit Maturity Classification
編輯推薦：
針對傳統菠蘿蜜成熟度評估依賴主觀經驗、缺乏客觀標準導致采收質量不一的問題，本研究開發了一套低成本、手持式、集成機器學習的聲學傳感設備，可直接在果樹上對菠蘿蜜進行無損檢測。研究采集了1080個來自三個成熟階段（未熟、成熟、過熟）的敲擊聲信號，并提取了包括峰值頻率、譜質心和梅爾頻率倒譜系數在內的28個頻域特征。評估的多種機器學習模型中，支持向量機（SVM）表現最佳，測試集準確率達92.3%。所有模型在設備上的處理時間均小于1秒，具備實時性。該設備總成本約35美元，為現場水果成熟度評估提供了一個低成本、實用且可擴展的解決方案。
在南亞和東南亞的熱帶果園里，碩大的菠蘿蜜（Artocarpus heterophyllus Lam.）高懸枝頭。判斷它們的成熟度，對于農戶來說，是一門融合了經驗、感覺甚至些許玄學的技藝。敲一敲聽聲音，看一看表皮顏色和棘突硬度，再結合果實著生后的天數，經驗豐富的種植者能估摸個大概。然而，這種主觀判斷方法受評估者經驗、品種、地域和天氣影響很大，常常導致采收決策不一致，果實品質參差不齊，既影響市場價值，也增加了采后損失。特別是在熱帶供應鏈中，儲存和運輸條件本就苛刻，過早或過晚采收更是雪上加霜。因此，開發一種客觀、無損且能在田間直接使用的成熟度評估工具，對于提升菠蘿蜜產業效率和品質至關重要。
以往的研究者們嘗試過多種非破壞性技術，如光學光譜、成像和聲學/振動傳感。其中，聲學方法因其成本低、硬件簡單且能通過敲擊分析果實內部機械特性（如硬度），展現出獨特優勢。不過，現有研究多是在實驗室可控環境下，對已采收的固定果實進行實驗，開發的模型在真實、多變的果園環境中魯棒性（穩定性）不足。更重要的是，大多數研究集中于信號處理和分類精度，卻較少考慮田間部署所需的系統級要求，如計算復雜度、處理延遲、硬件限制、設備成本和易用性。對于實際的農業應用而言，理想的傳感系統必須是低成本的、便攜的、手持的且節能的，以便于農民，特別是資源有限的地區農民采納。這正是本研究的切入點。
為了實現這一目標，一個來自越南的研究團隊在《Smart Agricultural Technology》期刊上發表了一項創新研究。他們開發并驗證了一個將硬件設計、田間數據采集和計算高效的嵌入式機器學習模型集于一體的聲學傳感設備，首次實現了對樹上菠蘿蜜的實時成熟度評估。簡單來說，研究人員設計并制作了一款手持設備，它集成了微控制器、聲學傳感器、顯示屏和電池等所有必要模塊，總硬件成本僅約35美元。利用這款設備，他們直接在越南湄公河三角洲的一個菠蘿蜜果園里，對樹上果實進行敲擊錄音，采集了來自“泰國菠蘿蜜”品種的三個成熟階段（未熟、成熟、過熟）共1080個音頻樣本。每個果實分別在頂部、中部和底部三個位置進行敲擊錄音，以研究敲擊位置的影響。隨后，他們從這些音頻信號中提取了28個頻域特征，包括峰值頻率、譜質心和梅爾頻率倒譜系數，并使用五種經典的機器學習模型（判別分析、決策樹、支持向量機、K-近鄰算法和淺層神經網絡）進行分類。
主要技術方法簡述：
本研究主要應用了以下關鍵技術：1. 硬件系統集成設計：基于ESP32-S3微控制器，集成了INMP441 MEMS麥克風、OLED顯示屏、存儲卡和電源管理等模塊，制成總成本約35美元的便攜式聲學傳感設備原型。2. 在樹數據采集協議：直接在果園中，使用農民常用的塑料柄刀作為敲擊工具，對附著在樹上的菠蘿蜜進行音頻信號采集，采樣頻率為16 kHz。3. 聲學特征提取：對采集的時域音頻信號應用快速傅里葉變換（FFT）轉換到頻域，并提取峰值頻率、譜質心和26維梅爾頻率倒譜系數（MFCCs）共28個特征。4. 嵌入式機器學習模型開發與優化：使用Optuna工具對五種傳統機器學習模型（DA， DT， SVM， KNN， NN）進行超參數優化，并在設備上部署和評估其性能及計算效率。
研究結果：
3.1 設備操作驗證
通過對比已知頻率的純音信號，驗證了設備的錄音和頻率分析功能是可靠的，測量頻率與參考頻率的平均誤差僅為0.7 Hz。
3.2 敲擊位置對聲學特征魯棒性的影響
通過方差分析發現，大多數（平均84.5%）提取的聲學特征在不同敲擊位置間沒有統計學上的顯著差異，表明該方法對敲擊位置的變化具有較好的魯棒性。因此，后續分析將所有位置的數據合并。
3.3 不同成熟階段的聲學信號分析
分析表明，峰值頻率隨著果實成熟而顯著降低：未熟果實最高（中位數約348 Hz），成熟果實次之（約328 Hz），過熟果實最低（約235 Hz）。同時，頻譜的復雜性（次要峰的數量和幅度）隨著成熟度增加而增加。這反映了果實組織逐漸軟化、內部結構異質性增加的過程。
3.4 分類模型評估
3.4.1 模型性能評估
在所有模型中，支持向量機（SVM）在測試集上取得了最佳的綜合性能，準確率達到92.3%，精確度、召回率和F1分數（綜合評價指標）均超過92%。混淆矩陣顯示，大多數誤分類發生在相鄰的成熟階段之間（如未熟被誤判為成熟），這是果實成熟過程連續漸變特性的體現。
3.4.2 模型效率評估
將模型部署到設備上后，所有模型的處理時間（特征提取+推理）均小于1秒（約883-889毫秒），證實了其實時操作的能力。支持向量機的模型大小適中（約84 kB），在性能和效率間取得了良好平衡。
3.5 討論
3.5.1 與其它研究的比較
與之前報道的光譜、視覺或聲學方法相比，本研究的設備首次同時實現了樹上測量、實時決策、設備端機器學習和低成本（35美元）獨立設備設計，其92.3%的準確率具有競爭力。雖然并非最高精度，但其集成性和實用性是主要優勢。
3.5.2 對實際部署的啟示
該設備緊湊輕便（210克），對敲擊位置變化不敏感，處理快速，成本低廉，非常適合農戶在實際果園環境中使用，有助于做出及時、準確的采收決策。
3.5.3 局限性與未來工作
研究基于單一品種和單一地理區域的數據，未來需要擴展到更多品種和不同環境條件以驗證其普適性。同時，需要進行長期的環境耐久性評估。
研究結論與意義：
本研究成功展示了一種集成的低成本便攜式聲學傳感設備，它結合了嵌入式機器學習，能夠在果園條件下對菠蘿蜜進行無損的成熟度分類。聲學特征揭示了清晰的成熟度依賴模式，而敲擊位置的影響有限。支持向量機被證明是最佳的實時分類模型。該設備成本低、處理快、易于使用，為現場水果成熟度評估提供了一個切實可行的解決方案。更重要的是，該研究提出的框架（硬件設計、特征提取、輕量級模型部署）具有很強的可擴展性，有望應用于其他通過敲擊聲評估成熟度的水果（如椰子、西瓜、榴蓮等），推動精準農業中低成本、智能化傳感工具的發展。
