（4）紋理模型分析
本研究基于8個選定的特征紋理信息建立了三文魚的紋理分類模型。為了消除光譜數據維度的差異，特征紋理信息經過了歸一化預處理，以確保數據的一致性。采用與光譜模型相同的機器學習和深度學習方法區(qū)分三文魚的地理來源。如圖4所示，經過歸一化處理后，所有模型的準確率都有所提高，訓練集上的提高范圍從0.7%到13.1%，測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估的復雜性和無序性，因此歸一化紋理信息有助于減少熵對分類結果的影響。
圖4.紋理模型的建模結果：（a）原始數據的ML算法紋理模型結果；（b）原始數據深度學習算法紋理建模結果；（c）歸一化預處理后的ML算法紋理模型結果；（d）歸一化預處理后的深度學習算法紋理模型結果
從ML的角度來看，集成學習模型繼續(xù)保持著強大的性能。在歸一化紋理數據的分類結果中，訓練集和測試集的準確率分別提高了1.3%至3.1%和0.8%至3.9%。盡管歸一化處理顯著增強了分類結果的準確率，但傳統的ML方法在提取紋理信息等數據類型的特征時仍面臨一些挑戰(zhàn)。相比之下，CNN-BiGRU模型在處理紋理信息方面的分類性能遠高于傳統ML模型。值得強調的是，改進的DBO-CNN-BiGRU模型進一步提高了分類準確率。訓練集和測試集的分類準確率分別達到了92.8%和92.5%，這展示了深度學習模型在處理高維和復雜數據，尤其是紋理數據方面的**性能。
（5）融合模型分析
本研究采用了一種信息融合策略，整合光譜和紋理數據構建了一個**的數據模型?？傮w而言，融合模型展現出了令人滿意的分類性能。每個模型都顯示出一定程度的改進，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類別之間的差異。在這些模型中，MSADBO-BiGRU取得了*佳結果，在訓練集和測試集上的準確率分別為99.6%和99.5%，與優(yōu)化前的DBO-BiGRU相比，測試集準確率提高了0.7%。分類結果如圖5所示。法羅群島三文魚和智利三文魚更容易被混淆，而彩虹鱒魚很少與其他三文魚種類混淆。從傳統ML模型的結果來看，LGB、RF、GBDT和STACK模型的分類性能同樣令人滿意，測試集準確率分別為94.3%、96%、93.3%和96.3%。值得注意的是，與單獨的ML模型相比，集成學習模型一貫展現出穩(wěn)定性，并表現出*佳的分類性能，測試集準確率提高了0.3%到3%。此外，為了進一步提升模型性能并降低數據維度和冗余，使用了GBDT和LGB算法進行特征變量選擇，*終結果如表1所示。結果表明，與全變量建模相比，ML模型的準確率提高了0.2%至0.7%，這表明GBDT和LGB算法成功地選擇了關鍵變量，從而減少了HSI數據中的共線性和冗余問題。相比之下，STACK模型取得了*佳結果，在訓練集和測試集上的準確率分別為97.4%和96.3%。總之，整合光譜和紋理數據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據的*優(yōu)模型。
圖5.融合模型的建模結果：（a）ML算法的融合建模結果；（b）深度學習算法的融合建模結果；（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）深度學習互聯網智能云平臺用于*佳分類結果可視化
基于本研究，發(fā)現基于HSI技術的信息融合策略與深度學習方法結合在三文魚溯源方面具有巨大潛力。然而，傳統的模型預測方法限制了其在實際應用中的實時能力和靈活性。此外，對高維數據（如光譜和紋理特征）進行多次訓練迭代不僅耗時，而且增加了模型擴展的難度。此外，傳統方法無法實現遠程訪問，給用戶帶來不便。因此，為了解決這些問題，本研究構建了一個基于互聯網的智能云平臺，用于追蹤三文魚的來源。云平臺的分類結果如圖6所示?；谏疃葘W習模型，借助光譜和紋理的融合數據，平臺利用MSADBO-CNN-BiGRU算法處理融合數據，以實現三文魚的溯源。在平臺投入使用之前，將實驗中的所有2000個融合數據（分為70%的訓練集和30%的測試集）輸入深度學習模型進行訓練。盡管本研究開發(fā)的智能云平臺可能尚未達到工業(yè)標準，評估其功能的可靠性和穩(wěn)定性是必要的。結果如表2所示，證明了平臺的平穩(wěn)運行。此外，為了驗證平臺在應用中的可靠性，通過上傳包含融合數據的文件到平臺進行測試，可以獲得如圖8所示的四種三文魚來源區(qū)分結果，平臺的分類準確率超過99%，這表明三文魚溯源檢測系統在三文魚地理來源區(qū)分方面具有很大的應用潛力。
圖6.云平臺分類的結果。（a）法魯三文魚。（b）虹鱒。（c）挪威三文魚。（d）智利三文魚
結論
由于不同產地之間價值差異顯著，三文魚經常成為欺詐行為的目標，因此精準識別其產地具有重??意義。為了解決這一問題，本研究構建了一種結合HSI信息融合策略與深度學習方法的模型，旨在快速、準確地追溯三文魚的地理來源。研究結果如下：（1）在比較的四種不同的ML模型中，STACK模型表現出較高的分類穩(wěn)定性和準確性；（2）深度學習在處理高維和復雜數據方面表現出色，其分類性能顯著超過ML模型，測試集準確率高達99.5%，MSADBO-CNN-BiGRU模型測試集準確率比優(yōu)化前的CNN模型提高了0.8%至7%；（3）信息融合的結果表明，與僅使用單一光譜和紋理模型相比，分類準確率有所提高，尤其是融合模型的性能遠遠超過紋理模型，表明融合模型展現出*佳性能。總之，本研究成功地將深度學習方法與基于HSI的信息融合策略相結合，實現了三文魚產地的精準追溯，為市場穩(wěn)定和食品**提供了保障。同時，該研究為未來基于HSI信息融合策略與深度學習方法的農產品快速、無損追溯研究提供了技術支持。
推薦產品
“Gaia”高光譜分選機
作者簡介
通訊作者：許麗佳，四川農業(yè)大學機電學院，博導
參考文獻
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, https://doi.org/10.1016/j.foodcont.2024.110740
