在該研究中，高光譜成像技術(shù)（HSI）主要應(yīng)用于三文魚(yú)地理來(lái)源溯源及真實(shí)性檢測(cè)。通過(guò)分析光譜和紋理數(shù)據(jù)，結(jié)合深度學(xué)習(xí)與數(shù)據(jù)融合策略，HSI成功實(shí)現(xiàn)了不同產(chǎn)地三文魚(yú)的精準(zhǔn)分類，并有效檢測(cè)出摻假現(xiàn)象，為水產(chǎn)品真實(shí)性鑒定提供了快速、無(wú)損且高效的解決方案。此外，研究開(kāi)發(fā)了一種基于HSI數(shù)據(jù)的智能云平臺(tái)，實(shí)現(xiàn)了實(shí)時(shí)分類，展示了該技術(shù)在食品溯源中的實(shí)際應(yīng)用潛力和擴(kuò)展性。這些成果凸顯了HSI在食品質(zhì)量檢測(cè)與多維數(shù)據(jù)分析領(lǐng)域的廣泛前景。

背景：

三文魚(yú)因其富含氨基酸、蛋白質(zhì)、不飽和脂肪酸等營(yíng)養(yǎng)成分，在全球備受歡迎。然而，由于不同地區(qū)的地理環(huán)境和生長(zhǎng)條件存在差異，不同產(chǎn)地的三文魚(yú)質(zhì)量和價(jià)格差異顯著，這使得其地理來(lái)源成為潛在的欺詐目標(biāo)。傳統(tǒng)的三文魚(yú)產(chǎn)地識(shí)別方法多依賴于對(duì)外觀（形狀、紋理和顏色）的人工觀察，但這種方法效率低下且耗時(shí)耗力。目前，農(nóng)產(chǎn)品溯源領(lǐng)域常用的方法包括穩(wěn)定同位素分析、感應(yīng)耦合等離子體質(zhì)譜法和多元素分析，但這些方法通常存在實(shí)驗(yàn)復(fù)雜、成本高昂以及對(duì)樣品造成不可逆損傷等問(wèn)題。因此，亟需探索一種快速、準(zhǔn)確且無(wú)損的三文魚(yú)地理來(lái)源識(shí)別方法。

高光譜成像（HSI）是一種快速且無(wú)損的檢測(cè)技術(shù)，能夠結(jié)合光譜和圖像數(shù)據(jù)進(jìn)行樣本分類，具有較高的分辨率和魯棒性。本研究基于HSI技術(shù)結(jié)合信息融合策略與深度學(xué)習(xí)模型，旨在解決三文魚(yú)的地理來(lái)源溯源問(wèn)題，為市場(chǎng)穩(wěn)定和食品安全提供技術(shù)支持。

實(shí)驗(yàn)設(shè)計(jì)

1.1材料與方法

本研究中四種新鮮的三文魚(yú)樣本來(lái)自中國(guó)的劉家峽地區(qū)、法羅群島的Bakkafrost以及成都通威三文魚(yú)有限公司。這些三文魚(yú)在捕獲后立即被去內(nèi)臟、放血并冷凍，使用無(wú)菌刀具去除頭部、尾部、皮膚和骨骼進(jìn)行處理。然后，每種三文魚(yú)被切成500份，每份尺寸為40×50×15 mm，重量為40±5 g。

本研究中，三文魚(yú)片的高光譜圖像是使用江蘇雙利合譜科技有限公司的“Gaia"高光譜分選機(jī)獲取。該系統(tǒng)包括一個(gè)Image-λ “Spectrum"系列高光譜相機(jī)（Image-λ-V10E-PS），兩套200W的鎢鹵燈光源，一個(gè)電動(dòng)控制的移動(dòng)平臺(tái)?！癎aia"高光譜分選機(jī)的光譜范圍從388-1036 nm，光譜分辨率為2.8 nm，每個(gè)像素點(diǎn)共有256個(gè)波段。在實(shí)驗(yàn)過(guò)程中，每種三文魚(yú)獲得了500張高光譜圖像。在采集樣本之前分別獲取高光譜圖像的黑白幀，以便對(duì)高光譜圖像進(jìn)行黑白校正。使用分析軟處理收集到的高光譜圖像以提取ROI獲取各樣本平均光譜值，采用二階統(tǒng)計(jì)方法從樣本中提取紋理信息。

為了從光譜數(shù)據(jù)中去除噪聲并防止數(shù)據(jù)失真，本實(shí)驗(yàn)采用了Savitzky-Golay平滑作為一種預(yù)處理方法，基于一系列實(shí)驗(yàn)和經(jīng)驗(yàn)考慮，將窗口大小設(shè)置為17。在本研究中，采用了LightGBM和GBDT算法來(lái)消除冗余和無(wú)關(guān)信息以提高模型效果。然后對(duì)集成機(jī)器學(xué)習(xí)模型（隨機(jī)森林、LightGBM和GBDT）、CNN-BiGRU深度學(xué)習(xí)模型、深度學(xué)習(xí)模型（MSADBO、CNN和BiGRU）三種模型結(jié)果進(jìn)行對(duì)比，得出*優(yōu)模型。同時(shí)，設(shè)計(jì)了一個(gè)自建的物聯(lián)網(wǎng)云平臺(tái)，以實(shí)現(xiàn)對(duì)不同三文魚(yú)地理來(lái)源的實(shí)時(shí)檢測(cè)。

1.2.結(jié)果

（1）不同類別三文魚(yú)片的光譜特性

使用HSI獲取了包括挪威三文魚(yú)、法羅群島三文魚(yú)、淡水彩虹鱒魚(yú)和智利三文魚(yú)四個(gè)類別三文魚(yú)樣本的光譜。圖1展示了這四種三文魚(yú)類別的平均光譜，可以觀察到這四種三文魚(yú)類別的整體光譜趨勢(shì)大致相似，但反射率值有所不同。然而，在大多數(shù)情況下，僅憑視覺(jué)是無(wú)法準(zhǔn)確區(qū)分三文魚(yú)類別的。因此，進(jìn)行有效的波段分析以提取相關(guān)信息，用于分類模型是必要的。

圖1. 四類三文魚(yú)的平均光譜

此外，還識(shí)別出幾個(gè)與不同官能團(tuán)相對(duì)應(yīng)的常見(jiàn)吸收峰。在可見(jiàn)光至近紅外光譜范圍（400-1000 nm）內(nèi)，光譜顯示出明顯的峰值和谷值，觀察到的吸收信息主要與樣本中有機(jī)大分子官能團(tuán)的基本振動(dòng)相關(guān)（例如，C-H、N-H、O-H和S-H）。在可見(jiàn)光區(qū)域（400-760 nm），在450 nm左右觀察到一個(gè)顯著的吸收峰，歸因于肌紅蛋白和總色素的吸收。在650-700 nm，觀察到高反射率，反映了三文魚(yú)的紅色光譜特征。在近紅外區(qū)域（700-1000 nm），在760 nm出現(xiàn)吸收峰，對(duì)應(yīng)于O-H伸縮振動(dòng)的第三泛音。此外，在980 nm觀察到輕微的下降，對(duì)應(yīng)于O-H伸縮振動(dòng)的第二泛音。這些觀察表明，樣本中光譜反射率的變化可以歸因于它們化學(xué)性質(zhì)的變化。換句話說(shuō)，不同品種的三文魚(yú)由于化學(xué)性質(zhì)的差異而表現(xiàn)出不同的反射率。總之，400-1000 nm可以表征三文魚(yú)肉質(zhì)的特性，為后續(xù)三文魚(yú)來(lái)源的追溯提供了理論基礎(chǔ)。

（2）特征變量貢獻(xiàn)分析

在全波段建模計(jì)算中，LGB和GBDT模型始終產(chǎn)生*穩(wěn)定的結(jié)果。因此，本研究?jī)H通過(guò)LGB和GBDT模型選擇重要波長(zhǎng)進(jìn)行分類。LGB和GBDT算法被用來(lái)對(duì)光譜和紋理融合模型的2133個(gè)變量進(jìn)行特征選擇，每個(gè)算法提取的前30個(gè)貢獻(xiàn)最大的特征變量被分別用于分析（見(jiàn)圖2）。對(duì)特征變量重要性的分析顯示，兩個(gè)模型的光譜特征變量更集中于650 nm，而紋理特征更集中于400-450 nm和700-800 nm的單波段灰度圖像。特別值得注意的是，在640-670 nm的光譜區(qū)域觀察到最高的貢獻(xiàn)率。從圖1可以看出，這些光譜區(qū)域主要與色素、蛋白質(zhì)和水分有關(guān)，導(dǎo)致三文魚(yú)片中高反射率，并突出了三文魚(yú)的光譜特性。

圖2.特征重要性分析結(jié)果：（a） LGB模型TOP30特征變量貢獻(xiàn)；（b） GBDT模型TOP30特征變量貢獻(xiàn)

（3）光譜建模分析

使用237個(gè)連續(xù)波段的光譜數(shù)據(jù)和傳統(tǒng)機(jī)器學(xué)習(xí)（ML）算法建立了三文魚(yú)溯源模型。數(shù)據(jù)預(yù)處理采用了SG平滑方法，窗口點(diǎn)數(shù)設(shè)置為17。利用LGB、RF、GBDT和STACK四種監(jiān)督模式識(shí)別方法對(duì)三文魚(yú)的地理來(lái)源進(jìn)行了區(qū)分。預(yù)測(cè)結(jié)果如圖3所示。

圖3.光譜模型的模擬結(jié)果。（a）原始數(shù)據(jù)ML算法的譜模型結(jié)果；（b）原始數(shù)據(jù)深度學(xué)習(xí)算法的光譜建模結(jié)果；（c）SG平滑后ML算法的光譜建模結(jié)果；（d）SG平滑算法的譜模型結(jié)果后深度學(xué)習(xí)算法的譜模型結(jié)果

從模型結(jié)果可以看出，傳統(tǒng)的ML模型、集成學(xué)習(xí)模型和深度學(xué)習(xí)模型在測(cè)試集上的分類準(zhǔn)確率表現(xiàn)出令人滿意的穩(wěn)定性，結(jié)果保持在87%到93%之間。此外，經(jīng)過(guò)SG平滑處理后，所有模型的準(zhǔn)確率都有所提高，在訓(xùn)練集上提高了0.1%到3.2%，在測(cè)試集上提高了0.2%到4.3%。這一現(xiàn)象可以歸因于SG平滑有效地糾正了原始光譜中的曲率和偏移。另一方面，在CNN-BiGRU模型中，改進(jìn)的正弦算法注入了*的全局探索和局部開(kāi)發(fā)能力，顯著提升了模型的分類性能，整體準(zhǔn)確率比優(yōu)化前提高了0.5%到4.3%。值得注意的是，在基于光譜數(shù)據(jù)的ML模型結(jié)果中，集成學(xué)習(xí)模型表現(xiàn)突出，以訓(xùn)練集95.8%和測(cè)試集93%的準(zhǔn)確率展示了最佳的分類性能。然而，與ML模型相比，深度學(xué)習(xí)模型在基于光譜數(shù)據(jù)的分類任務(wù)中表現(xiàn)不佳。這是因?yàn)樯疃葘W(xué)習(xí)需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，但在處理低維數(shù)據(jù)時(shí)更容易出現(xiàn)過(guò)擬合。

（4）紋理模型分析

本研究基于8個(gè)選定的特征紋理信息建立了三文魚(yú)的紋理分類模型。為了消除光譜數(shù)據(jù)維度的差異，特征紋理信息經(jīng)過(guò)了歸一化預(yù)處理，以確保數(shù)據(jù)的一致性。采用與光譜模型相同的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法區(qū)分三文魚(yú)的地理來(lái)源。如圖4所示，經(jīng)過(guò)歸一化處理后，所有模型的準(zhǔn)確率都有所提高，訓(xùn)練集上的提高范圍從0.7%到13.1%，測(cè)試集上的提高范圍從2.7%到15.1%。這種提高可以歸因于高維高光譜圖像中熵評(píng)估的復(fù)雜性和無(wú)序性，因此歸一化紋理信息有助于減少熵對(duì)分類結(jié)果的影響。

圖4.紋理模型的建模結(jié)果：（a）原始數(shù)據(jù)的ML算法紋理模型結(jié)果；（b）原始數(shù)據(jù)深度學(xué)習(xí)算法紋理建模結(jié)果；（c）歸一化預(yù)處理后的ML算法紋理模型結(jié)果；（d）歸一化預(yù)處理后的深度學(xué)習(xí)算法紋理模型結(jié)果

從ML的角度來(lái)看，集成學(xué)習(xí)模型繼續(xù)保持著*的性能。在歸一化紋理數(shù)據(jù)的分類結(jié)果中，訓(xùn)練集和測(cè)試集的準(zhǔn)確率分別提高了1.3%至3.1%和0.8%至3.9%。盡管歸一化處理顯著增強(qiáng)了分類結(jié)果的準(zhǔn)確率，但傳統(tǒng)的ML方法在提取紋理信息等數(shù)據(jù)類型的特征時(shí)仍面臨一些挑戰(zhàn)。相比之下，CNN-BiGRU模型在處理紋理信息方面的分類性能遠(yuǎn)高于傳統(tǒng)ML模型。值得強(qiáng)調(diào)的是，改進(jìn)的DBO-CNN-BiGRU模型進(jìn)一步提高了分類準(zhǔn)確率。訓(xùn)練集和測(cè)試集的分類準(zhǔn)確率分別達(dá)到了92.8%和92.5%，這展示了深度學(xué)習(xí)模型在處理高維和復(fù)雜數(shù)據(jù)，尤其是紋理數(shù)據(jù)方面的*越性能。

（5）融合模型分析

本研究采用了一種信息融合策略，整合光譜和紋理數(shù)據(jù)構(gòu)建了一個(gè)全面的數(shù)據(jù)模型?？傮w而言，融合模型展現(xiàn)出了令人滿意的分類性能。每個(gè)模型都顯示出一定程度的改進(jìn)，這表明利用光譜和紋理兩方面的信息有助于捕捉不同三文魚(yú)類別之間的差異。在這些模型中，MSADBO-BiGRU取得了最佳結(jié)果，在訓(xùn)練集和測(cè)試集上的準(zhǔn)確率分別為99.6%和99.5%，與優(yōu)化前的DBO-BiGRU相比，測(cè)試集準(zhǔn)確率提高了0.7%。分類結(jié)果如圖5所示。法羅群島三文魚(yú)和智利三文魚(yú)更容易被混淆，而彩虹鱒魚(yú)很少與其他三文魚(yú)種類混淆。從傳統(tǒng)ML模型的結(jié)果來(lái)看，LGB、RF、GBDT和STACK模型的分類性能同樣令人滿意，測(cè)試集準(zhǔn)確率分別為94.3%、96%、93.3%和96.3%。值得注意的是，與單獨(dú)的ML模型相比，集成學(xué)習(xí)模型一貫展現(xiàn)出穩(wěn)定性，并表現(xiàn)出最佳的分類性能，測(cè)試集準(zhǔn)確率提高了0.3%到3%。此外，為了進(jìn)一步提升模型性能并降低數(shù)據(jù)維度和冗余，使用了GBDT和LGB算法進(jìn)行特征變量選擇，最終結(jié)果如表1所示。結(jié)果表明，與全變量建模相比，ML模型的準(zhǔn)確率提高了0.2%至0.7%，這表明GBDT和LGB算法成功地選擇了關(guān)鍵變量，從而減少了HSI數(shù)據(jù)中的共線性和冗余問(wèn)題。相比之下，STACK模型取得了最佳結(jié)果，在訓(xùn)練集和測(cè)試集上的準(zhǔn)確率分別為97.4%和96.3%?？傊?，整合光譜和紋理數(shù)據(jù)的信息融合策略的分類性能優(yōu)于使用單一光譜或紋理數(shù)據(jù)的*優(yōu)模型。

圖5.融合模型的建模結(jié)果：（a）ML算法的融合建模結(jié)果；（b）深度學(xué)習(xí)算法的融合建模結(jié)果；（c）LGB的混淆矩陣；（d）RF的混淆矩陣；（e）GBDT的混淆矩陣；（f）STACK的混淆矩陣；（g）DBO-CNN-BiGRU的混淆矩陣；（h）MSADBO-CNN-BiGRU的混淆矩陣

（6）深度學(xué)習(xí)互聯(lián)網(wǎng)智能云平臺(tái)用于最佳分類結(jié)果可視化

基于本研究，發(fā)現(xiàn)基于HSI技術(shù)的信息融合策略與深度學(xué)習(xí)方法結(jié)合在三文魚(yú)溯源方面具有巨大潛力。然而，傳統(tǒng)的模型預(yù)測(cè)方法限制了其在實(shí)際應(yīng)用中的實(shí)時(shí)能力和靈活性。此外，對(duì)高維數(shù)據(jù)（如光譜和紋理特征）進(jìn)行多次訓(xùn)練迭代不僅耗時(shí)，而且增加了模型擴(kuò)展的難度。此外，傳統(tǒng)方法無(wú)法實(shí)現(xiàn)遠(yuǎn)程訪問(wèn)，給用戶帶來(lái)不便。因此，為了解決這些問(wèn)題，本研究構(gòu)建了一個(gè)基于互聯(lián)網(wǎng)的智能云平臺(tái)，用于追蹤三文魚(yú)的來(lái)源。云平臺(tái)的分類結(jié)果如圖6所示?；谏疃葘W(xué)習(xí)模型，借助光譜和紋理的融合數(shù)據(jù)，平臺(tái)利用MSADBO-CNN-BiGRU算法處理融合數(shù)據(jù)，以實(shí)現(xiàn)三文魚(yú)的溯源。在平臺(tái)投入使用之前，將實(shí)驗(yàn)中的所有2000個(gè)融合數(shù)據(jù)（分為70%的訓(xùn)練集和30%的測(cè)試集）輸入深度學(xué)習(xí)模型進(jìn)行訓(xùn)練。盡管本研究開(kāi)發(fā)的智能云平臺(tái)可能尚未達(dá)到工業(yè)標(biāo)準(zhǔn)，評(píng)估其功能的可靠性和穩(wěn)定性是必要的。結(jié)果如表2所示，證明了平臺(tái)的平穩(wěn)運(yùn)行。此外，為了驗(yàn)證平臺(tái)在應(yīng)用中的可靠性，通過(guò)上傳包含融合數(shù)據(jù)的文件到平臺(tái)進(jìn)行測(cè)試，可以獲得如圖8所示的四種三文魚(yú)來(lái)源區(qū)分結(jié)果，平臺(tái)的分類準(zhǔn)確率超過(guò)99%，這表明三文魚(yú)溯源檢測(cè)系統(tǒng)在三文魚(yú)地理來(lái)源區(qū)分方面具有很大的應(yīng)用潛力。

圖6.云平臺(tái)分類的結(jié)果。（a）法魯三文魚(yú)。（b）虹鱒。（c）挪威三文魚(yú)。（d）智利三文魚(yú)

結(jié)論

由于不同產(chǎn)地之間價(jià)值差異顯著，三文魚(yú)經(jīng)常成為欺詐行為的目標(biāo)，因此精準(zhǔn)識(shí)別其產(chǎn)地具有重要意義。為了解決這一問(wèn)題，本研究構(gòu)建了一種結(jié)合HSI信息融合策略與深度學(xué)習(xí)方法的模型，旨在快速、準(zhǔn)確地追溯三文魚(yú)的地理來(lái)源。研究結(jié)果如下：（1）在比較的四種不同的ML模型中，STACK模型表現(xiàn)出較高的分類穩(wěn)定性和準(zhǔn)確性；（2）深度學(xué)習(xí)在處理高維和復(fù)雜數(shù)據(jù)方面表現(xiàn)出色，其分類性能顯著超過(guò)ML模型，測(cè)試集準(zhǔn)確率高達(dá)99.5%，MSADBO-CNN-BiGRU模型測(cè)試集準(zhǔn)確率比優(yōu)化前的CNN模型提高了0.8%至7%；（3）信息融合的結(jié)果表明，與僅使用單一光譜和紋理模型相比，分類準(zhǔn)確率有所提高，尤其是融合模型的性能遠(yuǎn)遠(yuǎn)超過(guò)紋理模型，表明融合模型展現(xiàn)出最佳性能。總之，本研究成功地將深度學(xué)習(xí)方法與基于HSI的信息融合策略相結(jié)合，實(shí)現(xiàn)了三文魚(yú)產(chǎn)地的精準(zhǔn)追溯，為市場(chǎng)穩(wěn)定和食品安全提供了保障。同時(shí)，該研究為未來(lái)基于HSI信息融合策略與深度學(xué)習(xí)方法的農(nóng)產(chǎn)品快速、無(wú)損追溯研究提供了技術(shù)支持。

推薦產(chǎn)品

“Gaia"高光譜分選機(jī)

作者簡(jiǎn)介

通訊作者：許麗佳，四川農(nóng)業(yè)大學(xué)機(jī)電學(xué)院，博導(dǎo)

參考文獻(xiàn)

論文引用自一區(qū)文章：Zhiyong Zou , Dongyu Yuan , Qingsong Wu , Qianlong Wang, Menghua Li ,Jiangbo Zhen , Chong Xu , Shutao Yin , Qiang Cui , Man Zhou , Lijia Xu , Salmon origin traceability based on hyperspectral imaging data fusion strategy and improved deep learning method , Food Control 166 （2024） 110740