PRINCE算法：基于SAM模型与双迁移学习的密集米粒图像精准分类新框架

本文提出了一种针对高相似性密集米粒图像的精准识别分类引擎（PRINCE），通过引入Segment Anything Model（SAM）实现零样本语义分割，结合双层过滤器（D-Filter）进行形态完整性校准与神经网络筛选，并采用双迁移学习与微调策略（D-FTL）对12种视觉难辨稻米品种实现高精度分类（加权F1值82.29%，AUC达0.99），为智能烹饪与粮食质检提供创新解决方案。

　　

亮点（Highlights）

• •

  稻米图像采集装置：开发新型高分辨率米粒图像采集设备，为后续分析提供可靠数据基础。

• •

  PRINCE架构：设计PRINCE框架有效解决米粒图像中的遮挡与品种间相似性问题。

• •

  多阶段图像增强算法：整合亮度归一化、白平衡与自适应对比度增强技术，显著提升系统在光照不均与色偏场景下的鲁棒性。

• •

  SAM模型应用：首次将Segment Anything Model（SAM）应用于米粒分析领域，实现多形态掩码的密集米粒零样本语义分割。

• •

  形态与神经分类算法：开发基于形态定量分析的Filter-I算法与基于神经网络分类的Filter-II算法，实现完整米粒掩码检测与品种精准识别。

• •

  双迁移学习（D-FTL）：采用双迁移学习与微调策略增强纹理特征提取能力，减少过拟合现象，支持高精度稻米品种分类。

结论（Conclusion）

本文提出了一种面向高遮挡堆叠场景的PRINCE稻米分类引擎。该架构整合了全面图像预处理算法，并引入双迁移微调学习（D-FTL）策略以增强纹理特征提取、减少背景干扰、提升泛化能力并抑制过拟合。D-Filter模块包含两个组件：Filter-I通过形态量化验证米粒掩码完整性，Filter-II通过神经网络筛选完整掩码图像。实验表明，PRINCE在12种高相似性稻米品种分类中达到加权F1-score 82.29%与AUC 0.99的优异性能，为智能粮食评估与烹饪优化提供了创新技术框架。