应用方向
在该研究中，高光谱成像技术（HSI）主要应用于三文鱼地理来源溯源及真实性检测。通过分析光谱和纹理数据，结合深度学习与数据融合策略，HSI成功实现了不同产地三文鱼的精准分类，并有效检测出掺假现象，为水产品真实性鉴定提供了快速、无损且高效的解决方案。此外，研究开发了一种基于HSI数据的智能云平台，实现了实时分类，展示了该技术在食品溯源中的实际应用潜力和扩展性。这些成果凸显了HSI在食品质量检测与多维数据分析领域的广泛前景。
背景
三文鱼因其富含氨基酸、蛋白质、不饱和脂肪酸等营养成分，在全球备受欢迎。然而，由于不同地区的地理环境和生长条件存在差异，不同产地的三文鱼质量和价格差异显著，这使得其地理来源成为潜在的欺诈目标。传统的三文鱼产地识别方法多依赖于对外观（形状、纹理和颜色）的人工观察，但这种方法效率低下且耗时耗力。目前，农产品溯源领域常用的方法包括稳定同位素分析、感应耦合等离子体质谱法和多元素分析，但这些方法通常存在实验复杂、成本高昂以及对样品造成不可逆损伤等问题。因此，亟需探索一种快速、准确且无损的三文鱼地理来源识别方法。
高光谱成像（HSI）是一种快速且无损的检测技术，能够结合光谱和图像数据进行样本分类，具有较高的分辨率和鲁棒性。本研究基于HSI技术结合信息融合策略与深度学习模型，旨在解决三文鱼的地理来源溯源问题，为市场稳定和食品**提供技术支持。
实验设计
1.1材料与方法
本研究中四种新鲜的三文鱼样本来自中国的刘家峡地区、法罗群岛的Bakkafrost以及成都通威三文鱼有限公司。这些三文鱼在捕获后立即被去内脏、放血并冷冻，使用无菌刀具去除头部、尾部、皮肤和骨骼进行处理。然后，每种三文鱼被切成500份，每份尺寸为40×50×15 mm，重量为40±5 g。
本研究中，三文鱼片的高光谱图像是使用江苏双利合谱科技有限公司的“Gaia”高光谱分选机获取。该系统包括一个Image-λ “Spectrum”系列高光谱相机（Image-λ-V10E-PS），两套200W的钨卤灯光源，一个电动控制的移动平台。“Gaia”高光谱分选机的光谱范围从388-1036 nm，光谱分辨率为2.8 nm，每个像素点共有256个波段。在实验过程中，每种三文鱼获得了500张高光谱图像。在采集样本之前分别获取高光谱图像的黑白帧，以便对高光谱图像进行黑白校正。使用分析软处理收集到的高光谱图像以提取ROI获取各样本平均光谱值，采用二阶统计方法从样本中提取纹理信息。
为了从光谱数据中去除噪声并防止数据失真，本实验采用了Savitzky-Golay平滑作为一种预处理方法，基于一系列实验和经验考虑，将窗口大小设置为17。在本研究中，采用了LightGBM和GBDT算法来消除冗余和无关信息以提高模型效果。然后对集成机器学习模型（随机森林、LightGBM和GBDT）、CNN-BiGRU深度学习模型、深度学习模型（MSADBO、CNN和BiGRU）三种模型结果进行对比，得出*优模型。同时，设计了一个自建的物联网云平台，以实现对不同三文鱼地理来源的实时检测。
1.2.结果
（1）不同类别三文鱼片的光谱特性
使用HSI获取了包括挪威三文鱼、法罗群岛三文鱼、淡水彩虹鳟鱼和智利三文鱼四个类别三文鱼样本的光谱。图1展示了这四种三文鱼类别的平均光谱，可以观察到这四种三文鱼类别的整体光谱趋势大致相似，但反射率值有所不同。然而，在大多数情况下，仅凭视觉是无法准确区分三文鱼类别的。因此，进行有效的波段分析以提取相关信息，用于分类模型是必要的。
图1. 四类三文鱼的平均光谱
此外，还识别出几个与不同官能团相对应的常见吸收峰。在可见光至近红外光谱范围（400-1000 nm）内，光谱显示出明显的峰值和谷值，观察到的吸收信息主要与样本中有机大分子官能团的基本振动相关（例如，C-H、N-H、O-H和S-H）。在可见光区域（400-760 nm），在450 nm左右观察到一个显著的吸收峰，归因于肌红蛋白和总色素的吸收。在650-700 nm，观察到高反射率，反映了三文鱼的红色光谱特征。在近红外区域（700-1000 nm），在760 nm出现吸收峰，对应于O-H伸缩振动的第三泛音。此外，在980 nm观察到轻微的下降，对应于O-H伸缩振动的**泛音。这些观察表明，样本中光谱反射率的变化可以归因于它们化学性质的变化。换句话说，不同品种的三文鱼由于化学性质的差异而表现出不同的反射率。总之，400-1000 nm可以表征三文鱼肉质的特性，为后续三文鱼来源的追溯提供了理论基础。
（2）特征变量贡献分析
在全波段建模计算中，LGB和GBDT模型始终产生*稳定的结果。因此，本研究仅通过LGB和GBDT模型选择重要波长进行分类。LGB和GBDT算法被用来对光谱和纹理融合模型的2133个变量进行特征选择，每个算法提取的前30个贡献*大的特征变量被分别用于分析（见图2）。对特征变量重要性的分析显示，两个模型的光谱特征变量更集中于650 nm，而纹理特征更集中于400-450 nm和700-800 nm的单波段灰度图像。特别值得注意的是，在640-670 nm的光谱区域观察到*高的贡献率。从图1可以看出，这些光谱区域主要与色素、蛋白质和水分有关，导致三文鱼片中高反射率，并突出了三文鱼的光谱特性。
图2.特征重要性分析结果：（a） LGB模型TOP30特征变量贡献；（b） GBDT模型TOP30特征变量贡献
（3）光谱建模分析
使用237个连续波段的光谱数据和传统机器学习（ML）算法建立了三文鱼溯源模型。数据预处理采用了SG平滑方法，窗口点数设置为17。利用LGB、RF、GBDT和STACK四种监督模式识别方法对三文鱼的地理来源进行了区分。预测结果如图3所示。
图3.光谱模型的模拟结果。（a）原始数据ML算法的谱模型结果；（b）原始数据深度学习算法的光谱建模结果；（c）SG平滑后ML算法的光谱建模结果；（d）SG平滑算法的谱模型结果后深度学习算法的谱模型结果
从模型结果可以看出，传统的ML模型、集成学习模型和深度学习模型在测试集上的分类准确率���现出令人满意的稳定性，结果保持在87%到93%之间。此外，经过SG平滑处理后，所有模型的准确率都有所提高，在训练集上提高了0.1%到3.2%，在测试集上提高了0.2%到4.3%。这一现象可以归因于SG平滑有效地纠正了原始光谱中的曲率和偏移。另一方面，在CNN-BiGRU模型中，改进的正弦算法注入了强大的全局探索和局部开发能力，显著提升了模型的分类性能，整体准确率比优化前提高了0.5%到4.3%。值得注意的是，在基于光谱数据的ML模型结果中，集成学习模型表现突出，以训练集95.8%和测试集93%的准确率展示了*佳的分类性能。然而，与ML模型相比，深度学习模型在基于光谱数据的分类任务中表现不佳。这是因为深度学习需要大量数据进行训练，但在处理低维数据时更容易出现过拟合。
