《Applied Food Research》：Deep learning-based acoustic sorting of shijimi clams: performance across recording conditions and false-negative risk
编辑推荐：
摘要翻译：在声学食品检测中，假阴性误差至关重要，因为不可接受的样本可能被误分类为可接受。研究人员评估了一种基于深度学习的蚬贝（Corbicula japonica）声学分选工作流，强调NG召回率和假阴性率（FNR），而非整体准确率。此处，“风险感知”指应用导向
摘要翻译：在声学食品检测中，假阴性误差至关重要，因为不可接受的样本可能被误分类为可接受。研究人员评估了一种基于深度学习的蚬贝（Corbicula japonica）声学分选工作流，强调NG召回率和假阴性率（FNR），而非整体准确率。此处，“风险感知”指应用导向的评估工作流，而非新学习算法。冲击声音被转换为MFCC特征图，并比较了七种CNN架构，使用固定十折交叉验证。几种架构性能相当；根据预定义的NG优先排序规则保留EfficientNet-B0，但未声称统计优越性。在相同数据集基准测试中，使用相同折分配，RBF SVM性能相似（NG召回率，0.987 ± 0.011；FNR，0.013 ± 0.011）。在2026年6月收集的时间上不同的蛤蜊批次中，模型在参考条件下无需重新训练即可实现NG样本98.3%和OK样本99.4%的正确分类率。性能在蛤蜊大小类别和两个麦克风单元间保持高水平，但增加记录音量或缩短释放至冲击距离会显著降低分类性能。由于超参数筛选和交叉验证使用相同的主要数据集，性能估计可能略有乐观。这种受控概念验证需要独立批次、季节、设备、蛤蜊来源和生产线环境的外部验证。
论文解读文章：
**研究背景与问题**
在真实世界的分类任务中，不同类型错误的代价往往高度不对称。在蚬贝（Corbicula japonica）渔业中，约2%的收获蛤蜊因死亡或内部损伤而不适合上市，必须剔除。误弃合格（OK）蛤蜊降低产量，但将不合格（NG）蛤蜊误判为合格会迅速影响产品质量和安全。因此，减少NG到OK错误是实际操作的重要目标。传统上，经验丰富的渔民依赖冲击声进行NG选择，但人工分选耗时且难以标准化。视觉检查仅基于外壳位置，无法揭示内部状态。因此，声学评估作为一种互补方法被提出，以捕获视觉检查无法获得的内部机械特性。
**研究目的与贡献**
本研究旨在评估一种基于深度学习的声学分选工作流，强调NG召回率和假阴性率（FNR），而非整体准确率。该研究不引入新架构或算法，而是提出一种应用导向的评估工作流，整合三个要素：优先考虑NG召回率和FNR进行模型比较、阈值依赖分析、记录条件敏感性评估。
**主要技术方法**
研究人员使用受控条件下的单个蛤蜊坠落至大理石板的冲击声，记录并转换为13维MFCC特征图。比较了七种CNN架构（AlexNet、ResNet-50、EfficientNet-B0、MobileNetV3-Large、ResNeXt-50、VGG16、DenseNet-121），并使用固定十折交叉验证。超参数筛选采用70:30训练-验证分割，每个架构评估250种配置。另使用相同MFCC特征图测试了四种基线分类器（线性SVM、RBF SVM、逻辑回归、浅层MLP）。数据集包含3256个分类条目（1628个OK和1628个NG），样本来自2024年11月18日和2025年1月21日收获的蛤蜊，由Shinjiko Fisheries Cooperative Association提供。独立三田持有测试用551个NG标签蛤蜊验证标签与生物活性的关系。
**研究结果**
- **CNN架构比较**：七种架构性能相近，EfficientNet-B0根据预定义NG优先规则被保留，但未声称统计优越性。RBF SVM在相同折分配下性能接近（NG召回率0.987 ± 0.011，FNR 0.013 ± 0.011）。
- **频率带分析**：全频带（ALL）条件性能最高（准确率0.982，NG召回率0.989），仅1350–1750 Hz频带性能显著下降（NG召回率0.823），去除该频带（ALL-EXCEPT）与全频带无显著差异，表明该频带不足且非唯一必需。
- **亚型评估**：NG-close（n=525）NG召回率0.984，NG-open（n=586）0.998，NG-shell（n=517）0.984，表明聚合性能非仅由空壳驱动，NG-close亚型高敏感但非完美。
- **阈值分析**：降低阈值减少FNR但增加假阳性，零FNR仅在退化阈值t=0.00时实现，实际阈值（0.02–0.10）下FNR仍非零（0.0097–0.0154）。
- **记录条件敏感性**：在2026年6月的时间不同批次中，参考条件（Mic No.1、音量60、20 cm距离）下NG和OK正确分类率分别为98.3%和99.4%。缩短距离至10 cm将NG正确率降至79.9%，增加音量至80或100分别降至79.6%和76.9%。两个麦克风单元间性能相似（NG 99.0%，OK 98.4%）。大小类别间性能稳定。
**讨论与结论**
研究结果表明，假阴性风险不能仅从整体准确率或模型架构判断，必须考虑评估标准和声学获取条件。频率带分析显示1350–1750 Hz带单独不足，去除后仍保留足够信息，与Horiuchi等（2006, 2008）差异可能源于样本和机制不同。阈值调整不能消除假阴性，记录条件标准化对维持性能至关重要。本研究为受控概念验证，需独立外部验证。结论强调，在参考条件下时间不同批次保持高性能，但未验证通用性，需多批次、多季节、多设备、多来源和生产线验证。
（注：以上内容基于原文浓缩，未添加推测，专业术语如CNN、MFCC、FNR等已标注。）
