深度学习(Deep Learning，DL)由于其在学习分布式表示方面的熟练程度，已成为各个领域的关键建模工具。许多深度学习算法最近被提出并应用于农业无损检测(nondestructive testing，NDT)方法。本研究旨在回顾深度学习算法在无损检测中的最新应用，分析深度学习算法在特定无损检测中的应用，并强调它们的贡献和挑战。本文首先全面概述了在农产品评价中与深度学习相结合的各种无损检测技术，然后简要描述了它们在图像分类、目标检测、图像检索和语义分割等不同无损检测任务中的应用。其次，本研究解决了与数据收集和融合、模型复杂性、计算需求和鲁棒性相关的持续挑战。最后，展望了未来的研究方向，强调了新型神经网络架构和跨学科合作的潜力。本文综述了基于DL的无损检测技术在农产品检测中的应用现状，并对其发展前景进行了展望。

图1  迁移学习的基本进展。

图2  基于语义分割模型的疾病严重程度评价实例。

图3  基于DL的养分管理。在四个不同的生长阶段收集图像，每个地块捕获15张图像。为期两年的实验共采集图像8100张，空间分辨率为3888 × 5186像素，以原始格式图像质量存储。随机抽取70%的数据作为训练集，30%作为测试集。

图4  基于深度学习的表面缺陷检测。(a)和(c)中红线包围的区域表示大豆种子的缺陷范围，(b)和(d)中的热图反映了模型预测的缺陷区域的可能性，该区域的范围从蓝色到红色，对应于右侧图例所标记的0到1。选取1260颗具有代表性的大豆种子作为实验对象。在6个大豆类别中，每个类别选择210个样本进行数据收集(低亮度70个，中等亮度70个，高亮度70个)。从大豆的前、后、左、右、上、下6个表面共收集了7560张图像，其中7052张图像显示种子缺陷。训练集与测试集的大小之比为7:3，在训练过程中每3个epoch在训练集上对网络进行验证。

图5  基于DL的HSI蓝莓内伤缺陷检测结果。图片中第二至第五行不同的颜色代表不同类型的区域，该图展示了与传统方法相比，基于深度学习的模型与无损检测相结合检测内部缺陷的能力。在本研究中，构建的系统获取了1200张蓝莓图像，将图像随机分成训练集、验证集和测试集，训练集、验证集和测试集的比例为3:1:1，分别为720张、240张和240张。在整个测试集上达到了81.2%的最高准确率。

图6 基于DL的产量预测与估计。左图：研究地面车辆“虾”在苹果园中穿行，捕捉树木图像数据。在相机的视野中手动显示苹果的位置。右图：0.5公顷果园试验区的卫星视图。

图7  一维CNN模型在5类数据库上的训练趋势。