Selective Spatio-Temporal Fruit Inspector (S$^2$FI): A Mamba-based Framework for Rotational Fruit Quality Assessment

📄 arXiv: 2610.12868v1 📥 PDF

作者: Hao Tian, Jie Hu, Guoqi Shan, Fan Wang, Wenzhuo Zhang, Youshan Zhang

分类: cs.CV

发布日期: 2026-10-09

备注: ICONIP 2026

💡 一句话要点

提出S$^2$FI框架以解决果蔬分拣效率低下问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 果实分拣 深度学习 时空特征提取 自动化农业 低成本解决方案

📋 核心要点

  1. 现有的果蔬分拣方法面临高成本和低效率的双重挑战，尤其是小型和中型种植者。
  2. 本研究提出了一种基于深度学习的轻量化果实分拣系统S$^2$FI，结合3D卷积编码器与Mamba基础网络，旨在提高分拣效率。
  3. 实验结果显示，S$^2$FI在准确性、速度和实用性方面均优于对比基线，展现出良好的实际应用潜力。

📝 摘要（中文）

全球果蔬行业面临严重的后期分拣挑战，尤其是小型和中型种植者。大型智能分拣系统成本高昂，而人工分拣效率低、标准不一致且劳动需求高。为弥补昂贵设备与低效人工之间的差距，本研究开发了一种低成本、高效率、轻量化的深度学习驱动果实分拣系统，适用于小型和中型种植者。我们提出了选择性时空果实检查器（S$^2$FI）架构，结合了3D卷积编码器与Mamba基础网络，能够高效提取时空特征，自适应加权果实旋转过程中的信息帧，并以线性复杂度建模长距离依赖，减少运动模糊和遮挡。实验结果表明，该方法在准确性、效率和实用性之间取得了最佳平衡，超越了对比基线。

🔬 方法详解

问题定义：本论文旨在解决小型和中型果蔬种植者在后期分拣过程中面临的高成本和低效率问题。现有的智能分拣系统价格昂贵，而人工分拣效率低且标准不一致，导致资源浪费。

核心思路：论文提出的S$^2$FI架构通过结合3D卷积编码器与Mamba基础网络，能够高效提取果实的时空特征，并在果实旋转过程中自适应加权信息帧，从而提高分拣的准确性和效率。

技术框架：S$^2$FI的整体架构包括数据采集模块、特征提取模块和决策模块。数据采集模块通过双传送带和弯轨设计实现快速部署，特征提取模块利用3D卷积网络提取时空特征，决策模块则基于提取的特征进行果实质量评估。

关键创新：该研究的主要创新在于提出了一种新颖的时空特征提取方法，能够以线性复杂度建模长距离依赖，显著减少运动模糊和遮挡问题，与传统方法相比具有明显优势。

关键设计：在网络结构上，S$^2$FI采用了3D卷积层以捕捉时空信息，损失函数设计上则考虑了分拣准确性与效率的平衡，确保模型在实际应用中的有效性。实验中使用的果实质量视频数据集包含6460个样本，为模型训练和评估提供了丰富的数据支持。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，S$^2$FI在测试集上实现了最佳的准确性与效率平衡，超越了对比基线，具体性能数据未详细提供，但整体提升幅度显著，展示了其在实际分拣中的应用潜力。

🎯 应用场景

该研究的潜在应用领域包括小型和中型果蔬种植者的自动化分拣系统，能够有效提高分拣效率，降低人工成本，提升果蔬的市场竞争力。未来，该技术有望推广至更广泛的农业自动化领域，推动智能农业的发展。

📄 摘要（原文）

The global fruit and vegetable industry confronts severe post-harvest sorting challenges for small and medium-scale growers. Large intelligent sorting systems are too costly, while manual sorting suffers from low efficiency, inconsistent standards, and high labor demand. To bridge this gap between expensive equipment and inefficient manual work, this study develops a low-cost, high-efficiency, lightweight fruit sorting system driven by deep learning, suitable for small and medium growers. We propose the Selective Spatio-Temporal Fruit Inspector (S$^2$FI) architecture, which combines a 3D convolutional encoder with a Mamba-based backbone.It efficiently extracts spatiotemporal features, adaptively weighs informative frames during fruit rotation, and models long-range dependencies with linear complexity, reducing motion blur and occlusion. The hardware uses a dual-conveyor and curved rail design, supporting household power, fast deployment, and lightweight embedded deployment to improve affordability. We also built a conveyor-based fruit quality video dataset with 6,460 samples. Experiments on the held-out test set show that our method achieves the best trade-off among accuracy, efficiency, and practicality, outperforming the compared baselines on the test set, achieving an excellent balance of accuracy, speed, and practicality for real-world sorting.