Current Research in Food Science | 深度机器学习利用多光谱成像识别鱼肉（Videometer）-烟台大学、中国农业大学

Deep machine learning identified fish flesh using multispectral imaging

Zhuoran Xun a , Xuemeng Wang b , Hao Xue a , Qingzheng Zhang a , Wanqi Yang a , Hua Zhang a ,

Mingzhu Li a , Shangang Jia c,**, Jiangyong Qu a,***, Xumin Wang a,*

该研究由烟台大学与中国农业大学草业科学与技术学院联合完成，发表于《Current Research in Food Science》，针对水产市场中普遍存在的鱼类肉质造假问题，首次整合多光谱成像技术与深度学习算法，建立了 20 种常见食用鱼类肉质的快速、无损鉴别方法，为水产市场肉质真伪检测、品质管控提供了高效技术方案，也为食品欺诈防控提供了新工具。

文献摘要

水产市场中食品欺诈现象普遍存在，因此亟需快速、无损的鱼肉鉴别方法。本研究采用多光谱成像（MSI）技术，结合线粒体 COI 基因鉴定，对中国烟台近海 20 种常见食用鱼类的鱼肉切片进行筛选。研究发现，由多光谱数据转换得到的归一化典型判别分析（nCDA）图像显示，20 种鱼类的鱼肉切片存在显著差异。基于留出法（训练集 70%、测试集 30%），本研究对比了 8 种模型的预测性能，其中卷积神经网络（CNN）、二次判别分析（QDA）、支持向量机（SVM）和线性判别分析（LDA）在交叉验证和测试数据中表现优异。CNN 和 QDA 模型在测试集上的准确率均超过 99%。通过提取 CNN 特征进行优化，所有物种均实现了高度分离。此外，基于随机森林（RF）中的基尼系数，筛选出 11 个波段作为 CNN 的关键分类特征，模型准确率仍达 98%。本研究成功构建了机器学习模型（尤其是 CNN）结合多光谱成像鉴别鱼肉的技术流程，为未来鱼肉市场的快速无损鉴别提供了便捷方法。

研究背景与目的

背景：鱼类是全球重要的蛋白质来源，2020年全球水产动物产量达1.78亿吨，其中89% 用于人类消费，但水产供应链中以次充好、有毒鱼类冒充可食用鱼类等欺诈行为频发，不仅损害消费者利益，还可能引发食品安全风险（如高汞鱼类冒充）。传统鱼类鉴别方法依赖DNA条形码、实时PCR、质谱分析等技术，虽准确性高，但操作繁琐、耗时久、需化学处理样本，且依赖专业设备和人员，无法满足市场快速无损检测需求；感官评价在鱼肉切片状态下难以实施，鉴别难度极大。多光谱成像（MSI）技术兼具光谱与空间信息优势，数据冗余度低于高光谱成像，效率更高，已应用于食品新鲜度检测、肉类分级等领域，但在鱼类肉质物种鉴别中的系统研究尚未开展，亟需开发针对性的快速检测方法。

研究目的：以烟台近海20种常见食用鱼类为研究对象，获取鱼肉多光谱数据，结合线粒体COI基因测序验证物种，建立标准样本库；对比8种机器学习 / 深度学习模型的鱼类肉质鉴别性能，筛选最优模型；优化特征波段，简化模型复杂度，实现鱼类肉质的快速、无损、高精度鉴别，为市场监管提供技术支撑。

核心试验方法

①物种鉴定（COI 基因测序）：DNA 提取：采用 TIANGEN Marine Animals DNA Kit 提取鱼肉 DNA；

PCR 扩增：使用鱼类 COI 基因通用引物（F1/R1），扩增体系 25 μL，反应条件为 94℃预变性 2min，30 个循环（94℃变性 30s、55℃退火 30s、72℃延伸 30s），72℃终延伸 2min；

物种确认：PCR 产物经 1% 琼脂糖凝胶验证后测序，测序结果与 NCBI 数据库比对，序列相似度≥99% 确定物种，最终获得 20 个物种的标准样本。

②多光谱数据采集与处理：仪器：丹麦 VideometerLab4 多光谱成像系统，含 19 个窄带 LED 光源（365-970 nm，覆盖紫外、可见、近红外波段）；采集流程：擦干鱼肉表面水分，均匀铺于培养皿，采集多光谱图像后，通过 VideometerLab 软件去除背景、分割单块鱼肉图像，裁剪为 52×52 像素的小图像，最终获得 8988 个光谱图像样本（8588 个用于建模，400 个用于独立验证）；数据集划分：按 7:3 比例随机分为训练集和测试集，每个物种预留 20 个图像用于最终验证。

③模型构建与评价

基于肉片和MSI的鱼类预测模型流程图

特征重要性及QDA与CNN的比较。(A) 基于基尼指数的随机森林模型特征重要性可视化；(B) 基于前8-12位重要特征的CNN与QDA准确率对比。

研究结论

1.多光谱成像技术可有效捕捉 20 种食用鱼类肉质的光谱与空间特征，nCDA 转换后能直观区分不同物种，365 nm 和 970 nm 波段是物种鉴别的关键波段：19 个波段的光谱反射率在 20 个物种间存在显著差异（P<0.01），其中 ONk 物种在 540-630 nm 波段反射率急剧上升，与其他物种差异显著；365 nm（紫外）和 970 nm（近红外）波段的反射率多重比较显示，所有物种间均存在显著差异（P<0.01）；归一化典型判别分析（nCDA）转换后，20 个物种的鱼肉图像在空间和光谱特征上呈现明显区分，证实多光谱数据具备物种鉴别潜力。

2. 8 种模型中，CNN和QDA模型表现最优，测试集准确率分别达 99.61% 和 99.37%，宏平均指标均≥0.99，对所有物种的鉴别准确率均 > 96%；

3.基于 RF 基尼系数筛选的 11 个核心波段，可使 CNN 模型在保持 98% 准确率的同时简化计算，独立验证准确率达 99.75%，稳定性强；

该研究建立的多光谱成像结合深度学习的鉴别方法，实现了鱼类肉质的快速、无损、高精度鉴别，为水产市场食品欺诈防控提供了全新技术方案，也为其他肉类物种鉴别提供了参考。

北京博普特科技有限公司是丹麦Videometer多光谱成像系统的中国区总代理，全面负责其系列产品在中国市场的推广、销售和售后服务。