摘要
自动化餐食检查对于提高食品安全、质量保障和生产效率具有重要意义。然而，基于视觉的检查仍面临挑战，因为盒装餐食包含多个相邻的食物项目，其形状不规则、分量大小不一、外观相似，而油亮的表面可能引入镜面反射，降低图像质量。本研究提出了一种基于视觉的多目标识别与定量缺陷分析框架，用于处理复杂的餐食图像，并以中式午餐盒作为代表性测试样本。该框架整合了感兴趣区域（ROI）提取、固定网格区域特征表示、深度神经网络（DNN）分类、洪水填充后处理以及经验食物数量阈值。首先使用霍夫变换提取午餐盒ROI，然后通过中值滤波抑制反射噪声。将ROI划分为6×6个区域，从中提取RGB、HSV和CIE Lab*颜色分量的均值与标准差，并使用DNN进行分类。随后应用洪水填充细化分类结果，并采用特定类别的经验阈值识别缺失的食物项目与分量不足的情况。异物被检测为额外的异常类别。在评估的实验条件下，所提出的框架实现了96.45%的整体图像分类率（CR）、97.76%的缺陷图像检测率（1?β）、5.34%的正常图像误报率（α）以及0.82%的缺陷图像误分类率（γ）。涉及光照变化、两种具有不同食物组合的午餐盒配置以及基于传送带的图像采集的敏感性实验，进一步证明了该框架在评估的实验室与原型条件下的可行性与稳定性。这些研究结果支持了所提出的轻量级框架用于代表性盒装餐食视觉质量检查的可行性，但仍需在更多餐食类型、污染物种类及工业生产环境中进行更广泛的验证。
