應(yīng)用方向

在該研究中，高光譜成像技術(shù)（HSI）主要應(yīng)用于三文魚地理來源溯源及真實(shí)性檢測(cè)。通過分析光譜和紋理數(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、無損且高效的解決方案。此外，研究開發(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

三文魚因其富含氨基酸、蛋白質(zhì)、不飽和脂肪酸等營養(yǎng)成分，在全球備受歡迎。然而，由于不同地區(qū)的地理環(huán)境和生長條件存在差異，不同產(chǎn)地的三文魚質(zhì)量和價(jià)格差異顯著，這使得其地理來源成為潛在的欺詐目標(biāo)。傳統(tǒng)的三文魚產(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題。因此，亟需探索一種快速、準(zhǔn)確且無損的三文魚地理來源識(shí)別方法。

高光譜成像（HSI）是一種快速且無損的檢測(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，旨在解決三文魚的地理來源溯源問題，為市場(chǎng)穩(wěn)定和食品**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樣本來自中國的劉家峽地區(qū)、法羅群島的Bakkafrost以及成都通威三文魚有限公司。這些三文魚在捕獲后立即被去內(nèi)臟、放血并冷凍，使用無菌刀具去除頭部、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)。“Gaia”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)過程中，每種三文魚獲得了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算法來消除冗余和無關(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)不同三文魚地理來源的實(shí)時(shí)檢測(cè)。

1.2.結(jié)果

（1）不同類別三文魚片的光譜特性

使用HSI獲取了包括挪威三文魚、法羅群島三文魚、淡水彩虹鱒魚和智利三文魚四個(gè)類別三文魚樣本的光譜。圖1展示了這四種三文魚類別的平均光譜，可以觀察到這四種三文魚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，僅憑視覺是無法準(zhǔn)確區(qū)分三文魚類別的。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)的常見吸收峰。在可見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**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，不同品種的三文魚由于化學(xué)性質(zhì)的差異而表現(xiàn)出不同的反射率。總之，400-1000 nm可以表征三文魚肉質(zhì)的特性，為后續(xù)三文魚來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LGB和GBDT模型選擇重要波長進(jìn)行分類。LGB和GBDT算法被用來對(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)*大的特征變量被分別用于分析（見圖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*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)致三文魚片中高反射率，并突出了三文魚的光譜特性。

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)三文魚的地理來源進(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)的正弦算法注入了強(qiáng)大的全局探索和局部開發(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*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)過擬合。