高光谱成像与深度学习构建三文鱼品质 “防伪墙”（下）
本研究基于8个选定的特征纹理信息建立了三文鱼的纹理分类模型。为了消除光谱数据维度的差异，特征纹理信息经过了归一化预处理，以确保数据的一致性。采用与光谱模型相同的机器学习和深度学习方法区分三文鱼的地理来源。如图4所示，经过归一化处理后，所有模型的准确率都有所提高，训练集上的提高范围从0.7%到13.1%，测试集上的提高范围从2.7%到15.1%。这种提高可以归因于高维高光谱图像中熵评估的复杂性和无序性，因此归一化纹理信息有助于减少熵对分类结果的影响。
本研究采用了一种信息融合策略，整合光谱和纹理数据构建了一个**的数据模型。总体而言，融合模型展现出了令人满意的分类性能。每个模型都显示出一定程度的改进，这表明利用光谱和纹理两方面的信息有助于捕捉不同三文鱼类别之间的差异。在这些模型中，MSADBO-BiGRU取得了*佳结果，在训练集和测试集上的准确率分别为99.6%和99.5%，与优化前的DBO-BiGRU相比，测试集准确率提高了0.7%。分类结果如图5所示。法罗群岛三文鱼和智利三文鱼更容易被混淆，而彩虹鳟鱼很少与其他三文鱼种类混淆。从传统ML模型的结果来看，LGB、RF、GBDT和STACK模型的分类性能同样令人满意，测试集准确率分别为94.3%、96%、93.3%和96.3%。值得注意的是，与单独的ML模型相比，集成学习模型一贯展现出稳定性，并表现出*佳的分类性能，测试集准确率提高了0.3%到3%。此外，为了进一步提升模型性能并降低数据维度和冗余，使用了GBDT和LGB算法进行特征变量选择，*终结果如表1所示。结果表明，与全变量建模相比，ML模型的准确率提高了0.2%至0.7%，这表明GBDT和LGB算法成功地选择了关键变量，从而减少了HSI数据中的共线性和冗余问题。相比之下，STACK模型取得了*佳结果，在训练集和测试集上的准确率分别为97.4%和96.3%。总之，整合光谱和纹理数据的信息融合策略的分类性能优于使用单一光谱或纹理数据的*优模型。
图5.融合模型的建模结果：（a）ML算法的融合建模结果；（b）深度学习算法的融合建模结果；（c）LGB的混淆矩阵；（d）RF的混淆矩阵；（e）GBDT的混淆矩阵；（f）STACK的混淆矩阵；（g）DBO-CNN-BiGRU的混淆矩阵；（h）MSADBO-CNN-BiGRU的混淆矩阵
基于本研究，发现基于HSI技术的信息融合策略与深度学习方法结合在三文鱼溯源方面具有巨大潜力。然而，传统的模型预测方法限制了其在实际应用中的实时能力和灵活性。此外，对高维数据（如光谱和纹理特征）进行多次训练迭代不仅耗时，而且增加了模型扩展的难度。此外，传统方法无法实现远程访问，给用户带来不便。因此，为了解决这些问题，本研究构建了一个基于互联网的智能云平台，用于追踪三文鱼的来源。云平台的分类结果如图6所示。基于深度学习模型，借助光谱和纹理的融合数据，平台利用MSADBO-CNN-BiGRU算法处理融合数据，以实现三文鱼的溯源。在平台投入使用之前，将实验中的所有2000个融合数据（分为70%的训练集和30%的测试集）输入深度学习模型进行训练。尽管本研究开发的智能云平台可能尚未达到工业标准，评估其功能的可靠性和稳定性是必要的。结果如表2所示，证明了平台的平稳运行。此外，为了验证平台在应用中的可靠性，通过上传包含融合数据的文件到平台进行测试，可以获得如图8所示的四种三文鱼来源区分结果，平台的分类准确率超过99%，这表明三文鱼溯源检测系统在三文鱼地理来源区分方面具有很大的应用潜力。
图6.云平台分类的结果。（a）法鲁三文鱼。（b）虹鳟。（c）挪威三文鱼。（d）智利三文鱼
