1.一种基于图像处理的红枣缺陷识别分类方法，其特征在于，包括：获取预设大小的红枣原始图像，将所述红枣原始图像转化为HSI格式图像，并提取所述HSI格式图像的S分量红枣图像；

基于直方图空间转换和空间重构对所述S分量红枣图像进行图像增强，得到间距图像；

对所述间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景，得到红枣S分量图；

对所述红枣S分量图进行阈值分割，并对分割后的图像进行中值滤波处理，得到带红枣边缘的初始缺陷区域二值图像；

去除所述初始缺陷区域二值图像的红枣边缘，得到中间缺陷区域二值图像，并转化所述中间缺陷区域二值图像为R、G、B三通道图像；

根据所述R、G、B三通道图像与所述红枣原始图像，得到缺陷区域彩色图像；

提取所述缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值；

输入所述颜色特征值、所述形状特征值和所述纹理特征值至机器学习模型，输出红枣缺陷类别。

2.根据权利要求1所述的基于图像处理的红枣缺陷识别分类方法，其特征在于，所述基于直方图空间转换和空间重构对所述S分量红枣图像进行图像增强，得到间距图像，包括：确定所述S分量红枣图像每个像素点的灰度值，用加权均值滤波器对所述S分量红枣图像处理，确定每个像素点的加权均值，用自适应滤波器对所述S分量红枣图像进行处理，确定每个像素点的自适应值；

以每个像素点的所述灰度值、加权均值和自适应值为坐标轴，建立初始三维空间直方图；

根据所述每个像素点灰度值、加权均值和自适应值三者的大小关系，得到更新灰度值、更新加权均值和更新自适应值；

以所述更新灰度值、更新加权均值和更新自适应值为坐标轴，重新建立目标三维空间直方图；

计算所述目标三维空间直方图中每个像素点所在分割平面到原点的间距，并进行归一化处理将间距转化为间距图像。

3.根据权利要求2所述的基于图像处理的红枣缺陷识别分类方法，其特征在于，所述根据所述每个像素点灰度值、加权均值和自适应值三者的大小关系，得到更新灰度值、更新加权均值和更新自适应值，包括：

若所述像素点灰度值在灰度值、加权均值和自适应值三者之中处于最小值，则对像素点灰度值重新计算，得到更新灰度值；

若所述像素点加权均值在灰度值、加权均值和自适应值三者之中处于最小值，则对像素点加权均值重新计算，得到更新加权均值；

若所述像素点自适应值在灰度值、加权均值和自适应值三者之中处于最小值，则对像素点自适应值重新计算，得到更新自适应值。

4.根据权利要求1所述的基于图像处理的红枣缺陷识别分类方法，其特征在于，所述对所述间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景，得到红枣S分量图，包括：

通过Otsu自适应阈值分割所述间距图像，得到红枣二值图像；

对所述红枣二值图像进行填充、二值反转得到红枣掩膜图像；

将所述红枣掩膜图像与所述S分量红枣图像相加，得到去除背景的红枣S分量图。

5.根据权利要求1所述的基于图像处理的红枣缺陷识别分类方法，其特征在于，所述对所述红枣S分量图进行阈值分割之前，还包括：确定灰度缺陷区域转换的灰度范围和斜率参数；

根据所述灰度范围和所述斜率参数，对所述红枣S分量图进行分段性灰度变换，突出感兴趣灰度缺陷区域，衰减不感兴趣灰度缺陷区域，以增强所述红枣S分量图。

6.根据权利要求4所述的基于图像处理的红枣缺陷识别分类方法，其特征在于，所述去除所述初始缺陷区域二值图像的红枣边缘，得到中间缺陷区域二值图像，包括：采用Canny算子对所述红枣掩膜图像进行边缘检测，得到红枣边缘二值图像；

构建正方形结构元素对所述红枣边缘二值图像进行膨胀处理；

将膨胀处理后的红枣边缘二值图像与所述带红枣边缘的初始缺陷区域二值图像相加；

对相加后的图像进行中值滤波去噪处理，得到中间缺陷区域二值图像。

7.根据权利要求1所述的基于图像处理的红枣缺陷识别分类方法，其特征在于，所述根据所述R、G、B三通道图像与所述红枣原始图像，得到缺陷区域彩色图像，包括：确定所述红枣原始图像的R、G、B分量图；

将所述红枣原始图像的R、G、B分量图分别与所述R、G、B三通道图像相加融合，得到缺陷区域彩色图像。

8.根据权利要求7所述的基于图像处理的红枣缺陷识别分类方法，其特征在于，所述提取所述缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值，包括：确定所述缺陷区域彩色图像的R、G、B分量图的各个均值作为颜色特征值；

采用预设数量的不变矩组作为形状特征值；

利用灰度共生矩阵在所述缺陷区域彩色图像的S分量中提取纹理特征值。

9.根据权利要求1所述的基于图像处理的红枣缺陷识别分类方法，其特征在于，所述输入所述颜色特征值、所述形状特征值和所述纹理特征值至机器学习模型之前，还包括：采集预设数量的所述颜色特征值、所述形状特征值和所述纹理特征值；

确定所述颜色特征值、所述形状特征值和所述纹理特征值对应的红枣缺陷标签类别；

按照预设比例，将所述红枣缺陷标签类别划分为训练集、验证集和预测集；

对所述训练集、所述验证集和所述预测集进行模型训练，构建机器学习模型。

10.一种基于图像处理的红枣缺陷识别分类装置，其特征在于，包括：获取模块，用于获取预设大小的红枣原始图像，将所述红枣原始图像转化为HSI格式图像，并提取S分量红枣图像；

图像增强模块，用于基于直方图空间转换和空间重构对所述S分量红枣图像进行图像增强，得到间距图像；

背景去除模块，用于对所述间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景，得到红枣S分量图；

分割模块，用于对所述红枣S分量图进行阈值分割，并对分割后的图像进行中值滤波处理，得到带红枣边缘的初始缺陷区域二值图像；

转化模块，用于去除所述初始缺陷区域二值图像的红枣边缘，得到中间缺陷区域二值图像，并转化所述中间缺陷区域二值图像为R、G、B三通道图像；根据所述R、G、B三通道图像与所述红枣原始图像，得到缺陷区域彩色图像；

提取模块，用于提取所述缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值；

类别输出模块，用于输入所述颜色特征值、所述形状特征值和所述纹理特征值至机器学习模型，输出红枣缺陷类别。