基于样本自适应增强的复杂背景下食品外观品质分级方法与流程

本发明涉及图像处理与分析，更具体地说，本发明涉及基于样本自适应增强的复杂背景下食品外观品质分级方法。

背景技术：

1、现有食品外观品质分级技术在实际应用中面临诸多挑战，尤其在复杂生产环境下表现不佳。传统方法多在实验室理想条件下开发，当应用于产线上具有复杂背景、非均匀光照和阴影干扰的实际环境时，食品前景分割常出现严重失准，导致瑕疵检测和品质评估结果不可靠。工业生产中的样本分布不均衡问题尤为突出，高品质产品通常占据绝大多数，而各类瑕疵样本数量稀少且分布零散，造成训练数据严重失衡，使分类模型偏向主导类别，对关键的低品质样本识别不敏感，增加了次品流入市场的风险。此外，传统方法往往依赖单一色彩空间或固定尺度的特征提取模式，无法全面捕捉多样化食品表面的复杂纹理变化和细微瑕疵特征，特别是对于表面结构复杂的产品，难以区分自然纹理与实际瑕疵。同时，缺乏有效的特征筛选机制导致特征维度冗余，不仅增加计算负担，还因引入冗余噪声而降低分类效果。在实际分级过程中，食品品质往往呈现连续渐变特性，相邻等级之间界限模糊，传统均匀间距分类器难以准确区分边界案例，导致分级结果不稳定，影响分拣和定价准确性。现有方法通常依赖预设的固定阈值进行判定，无法适应不同批次、季节和产地的食品特性变化，需要频繁人工调参，降低了系统可用性和一致性。针对样本不足问题的传统数据增强方法也存在明显缺陷，生成的样本常缺乏对瑕疵形态学特性的合理约束，产生违背自然规律的畸变瑕疵，反而干扰了模型学习过程。

2、鉴于此，本发明提出基于样本自适应增强的复杂背景下食品外观品质分级方法以解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：基于样本自适应增强的复杂背景下食品外观品质分级方法，包括：

2、获取复杂背景下的食品原始图像，对食品原始图像执行色彩空间变换，生成多通道色彩特征图；

3、对多通道色彩特征图逐像素计算局部邻域的梯度能量值，生成梯度能量图，基于梯度能量图的分布特性确定自适应分割阈值，提取食品前景掩膜；

4、在食品前景掩膜约束的前景区域内，逐像素计算与区域色彩基准的偏离度，将偏离度超过偏离阈值的连通区域标记为外观瑕疵区域，生成瑕疵区域分布图；

5、统计训练样本集中各品质等级的样本数量，识别数量低于预设均衡阈值的样本不足等级，对样本不足等级的样本基于瑕疵区域分布图中瑕疵的几何形态参数执行形态约束型增强变换，生成增强样本图像；

6、对原始训练样本与增强样本图像构成的扩充训练集，在食品前景掩膜内提取多尺度纹理特征，逐维度计算品质等级间的可分离度，抑制可分离度低于预设分离阈值的维度，构建精简品质特征描述；

7、基于精简品质特征描述计算各品质等级对之间的特征中心距离，依据特征中心距离差异化设定分类判定间距，训练得到加权间距品质判定模型；

8、对待测食品图像依序执行色彩空间变换、食品前景掩膜提取与精简品质特征描述提取，输入加权间距品质判定模型，输出品质等级结果。

9、本发明基于样本自适应增强的复杂背景下食品外观品质分级方法的技术效果和优点：

10、本发明提升了复杂实际环境下食品外观品质分级的可靠性与适用性。在实际生产线上，即使在光照不稳定、背景杂乱的条件下，依然能够准确提取食品前景并识别细微瑕疵，大幅降低了环境因素对分级结果的干扰。对于产业中普遍存在的样本不平衡问题，本发明通过智能样本增强机制，使模型对稀有瑕疵类型具备敏锐的识别能力，显著减少了高价值瑕疵样本的漏检率，有效防止不合格产品流入市场。通过智能筛选机制保留最具判别力的特征，大幅提升了分类效率与准确性，在有限计算资源下实现更高效的品质评估。对于食品行业最具挑战性的相似等级区分问题，本发明的差异化判别策略能够精确区分细微品质差异，为精准定价和分级提供了可靠依据。本发明的全自适应特性极大减少了人工参数调整的需求，能够无缝应对季节性变化和不同品种的食品特性差异，保持分级标准的一致性和可靠性。

1.基于样本自适应增强的复杂背景下食品外观品质分级方法，其特征在于，包括：

2.根据权利要求1所述的基于样本自适应增强的复杂背景下食品外观品质分级方法，其特征在于，所述对所述食品原始图像执行色彩空间变换，生成多通道色彩特征图，包括：

3.根据权利要求1所述的基于样本自适应增强的复杂背景下食品外观品质分级方法，其特征在于，所述对所述多通道色彩特征图逐像素计算局部邻域的梯度能量值，生成梯度能量图，基于所述梯度能量图的分布特性确定自适应分割阈值，提取食品前景掩膜，包括：

4.根据权利要求1所述的基于样本自适应增强的复杂背景下食品外观品质分级方法，其特征在于，所述在所述食品前景掩膜约束的前景区域内，逐像素计算与区域色彩基准的偏离度，将偏离度超过偏离阈值的连通区域标记为外观瑕疵区域，生成瑕疵区域分布图，包括：

5.根据权利要求1所述的基于样本自适应增强的复杂背景下食品外观品质分级方法，其特征在于，所述对所述样本不足等级的样本基于所述瑕疵区域分布图中瑕疵的几何形态参数执行形态约束型增强变换，生成增强样本图像，包括：

6.根据权利要求1所述的基于样本自适应增强的复杂背景下食品外观品质分级方法，其特征在于，所述在所述食品前景掩膜内提取多尺度纹理特征，包括：

7.根据权利要求1所述的基于样本自适应增强的复杂背景下食品外观品质分级方法，其特征在于，所述逐维度计算品质等级间的可分离度，抑制可分离度低于预设分离阈值的维度，构建精简品质特征描述，包括：

8.根据权利要求1所述的基于样本自适应增强的复杂背景下食品外观品质分级方法，其特征在于，所述基于所述精简品质特征描述计算各品质等级对之间的特征中心距离，依据所述特征中心距离差异化设定分类判定间距，训练得到加权间距品质判定模型，包括：

9.根据权利要求4所述的基于样本自适应增强的复杂背景下食品外观品质分级方法，其特征在于，所述对变换后的外观瑕疵区域与周围前景像素的拼接边界执行高斯加权过渡处理，包括：

10.根据权利要求7所述的基于样本自适应增强的复杂背景下食品外观品质分级方法，其特征在于，所述在基础分类损失函数中为每个品质等级对乘以对应的间距权重系数，包括：