高光譜成像與深度學習構建三文魚品質 “防偽墻”（下）
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(shù)據(jù)維度的差異，特征紋理信息經(jīng)過了歸一化預處理，以確保數(shù)據(jù)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(jīng)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。
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)構建了一個**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(tǒng)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(xiàn)出穩(wěn)定性，并表現(xiàn)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(shù)據(jù)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(shù)據(jù)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(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
基于本研究，發(fā)現(xiàn)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(tǒng)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(shù)據(jù)（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(tǒng)方法無法實現(xiàn)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(lián)網(wǎng)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(shù)據(jù)，平臺利用MSADBO-CNN-BiGRU算法處理融合數(shù)據(jù)，以實現(xiàn)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(shù)據(jù)（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(shù)據(jù)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(tǒng)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
