基于增量手工特征融合的鱼类鲜度分类提升

鱼类鲜度准确评估仍是食品行业的主要挑战，直接影响产品质量、市场价值和消费者健康。传统的感官评估本质上是主观的、不可一致的，且难以在不同情境下标准化，往往受限于微妙的、物种依赖的腐败线索。为解决这些限制，我们提出了一种基于手工特征的方法，通过系统性地提取和增量融合互补描述符，包括color statistics、跨多个color space的直方图以及如Local Binary Patterns（LBP）和Gray-Level Co-occurrence Matrices（GLCM）等纹理特征，从鱼眼图像中提取这些特征。该方法从完整图像中捕获全局色彩变化，并从ROI片段中捕获局部退化，从而独立评估其在评估鲜度方面的有效性。在Freshness of the Fish Eyes（FFE）数据集上进行的实验表明，该方法有效：在标准的train-test设置下，LightGBM分类器达到了77.56%的准确率，较之前的深度学习基线的63.21%提高了14.35%。在增强数据下，人工神经网络（ANN）达到了97.49%的准确率，超越了之前的最佳水平的77.3%，提高了20.19%。这些结果表明，经过谨慎设计的手工特征在战略性处理后，能够提供一种稳健、可解释且可靠的解决方案，用于自动化鱼类鲜度评估，为实际应用中的食品质量监控提供了宝贵的见解。