《Data》：A Longitudinal Multimodal Dataset of Rainbow Trout Fillets During Refrigerated Storage
编辑推荐：
摘要翻译：该数据集通过整合数字图像、气体传感器响应、环境测量和微生物学参考数据，支持开发用于评估虹鳟鱼（Oncorhynchus mykiss）鱼片新鲜度的非侵入性方法。数据采集自80块鱼片在4 °C冷藏储存7天期间。其中，59块鱼片接受纵向监测，其余21块鱼
摘要翻译：该数据集通过整合数字图像、气体传感器响应、环境测量和微生物学参考数据，支持开发用于评估虹鳟鱼（Oncorhynchus mykiss）鱼片新鲜度的非侵入性方法。数据采集自80块鱼片在4 °C冷藏储存7天期间。其中，59块鱼片接受纵向监测，其余21块鱼片用于破坏性总活菌计数（Total Viable Count, TVC）分析。数据集包含820张RAW图像及其对应的JPEG衍生图像，以及210次传感器采集会话，涵盖来自五个MQ系列气体传感器和两个环境传感器的120个时间点。基于每日平均TVC和7 log10 CFU/g的阈值，第1–5天被分类为新鲜（Fresh），第6–7天被分类为腐败（Spoiled）。这些分类代表储存日的微生物学状态。该数据集可支持计算机视觉、电子鼻分析和多模态学习。数据：https://doi.org/10.5281/zenodo.23600663。数据许可：CC-BY 4.0。
论文解读：
鱼类是高质量蛋白质、omega-3脂肪酸、维生素、矿物质及其他必需营养素的重要来源，对人类营养具有重要贡献。然而，鱼片极易腐败，在冷藏储存期间由于微生物生长和生化变化而逐渐变质，这些变化会影响鱼类的感官、理化和微生物学特性，降低其品质和货架期。冷藏可以减缓变质过程，但微生物生长和生化变化仍会随时间发生。在虹鳟鱼（Oncorhynchus mykiss）鱼片中，已有研究报告了冷藏储存期间微生物逐渐生长和品质变化。因此，可靠评估鱼类新鲜度的方法对于储存期间的品质监测至关重要。
鱼类新鲜度可通过感官、微生物学、化学和物理方法进行评估。尽管这些方法能提供有用的品质信息，但其中一些方法具有破坏性、耗时、昂贵，或需要训练有素的人员和专门设备。为此，研究人员研究了不同的非破坏性技术，以提供更快、更简单的鱼类新鲜度评估替代方案。计算机视觉和电子鼻系统在监测鱼类新鲜度变化方面显示出良好前景。计算机视觉可在不接触样品的情况下分析颜色和外观等视觉特征，而电子鼻系统通过气体传感器响应检测鱼类变质过程中产生的挥发性化合物变化。这些技术还可与机器学习方法结合，从获取的数据中分类或估算新鲜度。此外，在多模态学习框架内整合视觉和气体传感器信息，可提供鱼类外观变化和挥发性化合物的互补信息，从而基于多种信息源而非单一传感模态进行新鲜度评估。然而，目前公开可用的整合多种数据模态用于鱼类新鲜度评估的数据集相对较少，本研究提供的数据集通过整合皮肤和肉质表面图像、五个气体传感器的响应、温度和相对湿度测量值，以及从独立破坏性分析鱼片子集中获得的总活菌计数（TVC）测量值（作为储存日微生物学参考），为研究虹鳟鱼片新鲜度提供了互补信息。
研究人员开展了一项纵向多模态数据采集研究，从一家位于哥伦比亚考卡省波帕扬的养鱼场获得20条虹鳟鱼，经商业加工获得80块鱼片（每条鱼4块，每块80–85 g）。在7天冷藏储存期间，对59块鱼片进行纵向非破坏性监测，每天拍摄其肉质和皮肤表面的图像，并经质量控制后保留820张有效RAW图像及对应JPEG图像。每天从纵向监测组中随机选取30块鱼片进行气体传感器采集，共获得210次传感器采集会话，每次包含120个时间点的五个MQ系列气体传感器和两个环境传感器信号。同时，从80块鱼片中随机选取21块作为独立子集，每天取3块进行破坏性TVC分析。基于每日平均TVC和7 log10 CFU/g阈值，将第1–5天标记为新鲜，第6–7天标记为腐败。数据组织为按储存日分列的文件夹，包含RAW、JPEG和传感器CSV文件，并通过一致的文件命名约定关联各模态数据。
主要关键技术方法包括：图像采集方面，研究人员搭建了标准化成像箱，使用Canon EOS Rebel T5i相机和35 mm镜头，在恒定光照和25 cm物距条件下获取鱼片肉质和皮肤表面图像；图像预处理使用rawpy库和Adaptive Homogeneity-Directed去马赛克算法，应用相机白平衡和统一曝光设置，将RAW转换为8-bit JPEG。传感器采集方面，使用Arduino Uno和10位ADC读取五个MQ系列气体传感器以及DHT22相对湿度传感器和DS18B20温度传感器的信号，采样频率为1 Hz，每个采集会话记录120个连续测量值。微生物分析方面，采用ISO 4833-1:2013倾注平板菌落计数法测定TVC，结果以CFU/g表示并转换为log10 CFU/g。
研究结果部分：首先，在非破坏性纵向监测方面，59块鱼片在7天储存期间每天接受图像和传感器采集，最终获得820张RAW图像和对应JPEG图像，以及210次传感器采集会话。其次，在破坏性微生物分析方面，21块独立鱼片的TVC测量显示，第1–5天每日平均TVC低于7 log10 CFU/g阈值，归类为新鲜，第6–7天超过阈值，归类为腐败。第4天至第5天之间平均TVC出现下降（6.103降至5.583 log10 CFU/g），研究人员认为这可能与个体鱼片间微生物分布的异质性以及定量微生物测量的固有变异性有关。第三，在数据结构与关联方面，数据集按7天组织为7个主文件夹，每个包含RAW、JPEG和传感器子文件夹，根目录还提供图像预处理脚本、个体TVC测量文件以及多模态文件关联矩阵，便于用户追踪同一鱼片各储存日的图像和传感器数据；TVC测量与纵向监测鱼片之间仅通过储存日关联，不提供个体对应的微生物学真值。
讨论部分总结了该数据集的局限性：数据集仅来自单一养鱼场、单一实验批次，模型泛化性可能受限；缺少个体鱼片重量和解剖部位信息；微生物参考仅代表储存日状态而非个体真值；第6–7天分析的样品来自第17–20条鱼，鱼间差异可能混淆储存时间效应；MQ传感器未进行校准，记录的是原始ADC值而非定量气体浓度；且缺乏空腔基线测量，无法进行回顾性基线校正。
研究结论部分翻译为：该数据集提供了整合数字图像、气体传感器响应、环境测量和总活菌计数参考数据的多模态资源，可用于支持非破坏性鱼类新鲜度评估方法的发展，包括计算机视觉模型、电子鼻模型以及融合视觉和气体传感器信息的策略。数据采用CC-BY 4.0许可公开，研究者可通过DOI获取，以促进鱼类新鲜度评估领域单模态和多模态学习方法的比较与进步。
