Classification of various types of fruits and identification of the grading of fruit is a burdensome challenge due to the mass production of fruit products. In order to distinguish and evaluate the quality of fruits more precisely, this paper presents a system that discriminates among four types of fruits and analyzes the rank of the fruit-based on its quality. Firstly, the algorithm extracts the red, green, and blue values of the images and then the background of images was detached by the split-and-merge algorithm. Next, the multiple features (30 features) namely color, statistical, textural, and geometrical features are extracted. To differentiate between the fruit type, only geometrical features (12 features), other features are used in the quality evaluation of fruit. Furthermore, four different classifiers k-nearest neighbor (k-NN), support vector machine (SVM), sparse representative classifier (SRC), and artificial neural network (ANN) are used to classify the quality. The classifier has been contemplated with four different databases of fruits: one having 4359 color images of apples; out of which 2342, are with various defects, second having 918 color images of avocado out of which 491 are of with various defects, third having 3805 color images of banana out of which 2224 are with various defects, and fourth having 3050 color images of oranges out of which 1590 are with various defects. The system performance has been validated using the k-fold cross-validation technique by considering different values of k. The maximum accuracy achieved for fruit detection is 80.00% (k-NN), 85.51% (SRC), 91.03% (ANN), and 98.48% (SVM) for k = 10.The classification among Rank1, Rank2, and defected maximum accuracy is 77.24% (k-NN), 82.75% (SRC), 88.27% (ANN), and 95.72% (SVM) achieved by the system. SVM has seen to be more effective in quality evaluation and results obtained are encouraging and comparable with the state of art techniques.

中文翻译：

---

通过机器学习对多种水果进行自动检测和分级

由于水果产品的大量生产，对各种类型的水果进行分类和确定水果的等级是一项艰巨的挑战。为了更准确地区分和评估水果的质量，本文提出了一种区分四种水果并基于其质量分析水果等级的系统。该算法首先提取图像的红色，绿色和蓝色值，然后通过拆分合并算法分离图像的背景。接下来，提取多个特征（30个特征），即颜色，统计，纹理和几何特征。为了区分水果类型，在水果的质量评估中仅使用几何特征（12个特征）和其他特征。此外，四个不同的分类器k最近邻（k-NN），支持向量机（SVM），稀疏代表分类器（SRC）和人工神经网络（ANN）用于对质量进行分类。已经考虑到分类器具有四个不同的水果数据库：一个数据库具有4359个苹果彩色图像；另一个数据库具有4359个苹果彩色图像。其中2342个具有各种缺陷，第二个具有918个鳄梨彩色图像，其中491个具有各种缺陷，第三个具有3805个香蕉彩色图像，其中2224个具有各种缺陷，第四个具有3050个彩色图像。其中有1590个橙子有各种缺陷。通过考虑k的不同值，已使用k倍交叉验证技术验证了系统性能。水果检测的最高准确度为：80.00％（k-NN），85.51％（S​​RC），91.03％（ANN）和98.48％（SVM）稀疏代表分类器（SRC）和人工神经网络（ANN）用于对质量进行分类。已经考虑到分类器具有四个不同的水果数据库：一个数据库具有4359个苹果彩色图像；另一个数据库具有4359个苹果彩色图像。其中2342个具有各种缺陷，第二个具有918个鳄梨彩色图像，其中491个具有各种缺陷，第三个具有3805个香蕉彩色图像，其中2224个具有各种缺陷，第四个具有3050个彩色图像。其中有1590个橙子有各种缺陷。通过考虑k的不同值，已使用k倍交叉验证技术验证了系统性能。水果检测的最高准确度为：80.00％（k-NN），85.51％（S​​RC），91.03％（ANN）和98.48％（SVM）稀疏代表分类器（SRC）和人工神经网络（ANN）用于对质量进行分类。已经考虑到分类器具有四个不同的水果数据库：一个数据库具有4359个苹果彩色图像；另一个数据库具有4359个苹果彩色图像。其中2342个具有各种缺陷，第二个具有918个鳄梨彩色图像，其中491个具有各种缺陷，第三个具有3805个香蕉彩色图像，其中2224个具有各种缺陷，第四个具有3050个彩色图像。其中有1590个橙子有各种缺陷。通过考虑k的不同值，已使用k倍交叉验证技术验证了系统性能。水果检测的最高准确度为：80.00％（k-NN），85.51％（S​​RC），91.03％（ANN）和98.48％（SVM）已经考虑到分类器具有四个不同的水果数据库：一个数据库具有4359个苹果彩色图像；另一个数据库具有4359个苹果彩色图像。其中2342个具有各种缺陷，第二个具有918个鳄梨彩色图像，其中491个具有各种缺陷，第三个具有3805个香蕉彩色图像，其中2224个具有各种缺陷，第四个具有3050个彩色图像。其中有1590个橙子有各种缺陷。通过考虑k的不同值，已使用k倍交叉验证技术验证了系统性能。水果检测的最高准确度分别为80.00％（k-NN），85.51％（S​​RC），91.03％（ANN）和98.48％（SVM）已经考虑到分类器具有四个不同的水果数据库：一个数据库具有4359个苹果彩色图像；另一个数据库具有4359个苹果彩色图像。其中2342个具有各种缺陷，第二个具有918个鳄梨彩色图像，其中491个具有各种缺陷，第三个具有3805个香蕉彩色图像，其中2224个具有各种缺陷，第四个具有3050个彩色图像。其中有1590个橙子有各种缺陷。通过考虑k的不同值，已使用k倍交叉验证技术验证了系统性能。水果检测的最高准确度为：80.00％（k-NN），85.51％（S​​RC），91.03％（ANN）和98.48％（SVM）第二个具有918个鳄梨彩色图像，其中491个具有各种缺陷，第三个具有3805个香蕉彩色图像，其中2224个具有各种缺陷，第四个具有3050个橙子彩色图像，其中1590个具有各种缺陷。通过考虑k的不同值，已使用k倍交叉验证技术验证了系统性能。水果检测的最高准确度为：80.00％（k-NN），85.51％（S​​RC），91.03％（ANN）和98.48％（SVM）第二个具有918个鳄梨彩色图像，其中491个具有各种缺陷，第三个具有3805个香蕉彩色图像，其中2224个具有各种缺陷，第四个具有3050个橙子彩色图像，其中1590个具有各种缺陷。通过考虑k的不同值，已使用k倍交叉验证技术验证了系统性能。水果检测的最高准确度为：80.00％（k-NN），85.51％（S​​RC），91.03％（ANN）和98.48％（SVM）通过考虑k的不同值，已使用k倍交叉验证技术验证了系统性能。水果检测的最高准确度为：80.00％（k-NN），85.51％（S​​RC），91.03％（ANN）和98.48％（SVM）通过考虑k的不同值，已使用k倍交叉验证技术验证了系统性能。水果检测的最高准确度为：80.00％（k-NN），85.51％（S​​RC），91.03％（ANN）和98.48％（SVM）k  =10。系统实现的Rank1，Rank2和有缺陷的最大准确性分类为77.24％（k-NN），82.75％（SRC），88.27％（ANN）和95.72％（SVM）。SVM已被证明在质量评估方面更有效，并且获得的结果令人鼓舞，并且可以与最新技术相媲美。