基于深度学习的欧洲鲈鱼（Dicentrarchus labrax）鱼片新鲜度与品质的图像评估研究

《Foods》：Deep Learning-Based Assessment of European Seabass (Dicentrarchus labrax) Fillet Freshness and Quality Using Image Data

　　

人工智能与基于图像的深度学习为鱼类品质的快速无损评估提供了有前景的途径。本研究评估了深度学习模型在受控光照条件下利用图像数据对欧洲鲈鱼（Dicentrarchus labrax）鱼片的感官新鲜度属性进行分类及预测颜色参数的潜力。研究评估了7项感官品质参数和6项颜色属性。在固定相机-样品距离为45 cm的条件下获取了结构化图像数据集，并开发了65个独立训练的模型，包含35个分类模型和30个回归模型，采用DenseNet121、InceptionV3、MobileNet、VGG16和VGG19架构。模型训练与评估采用基于分组的10折交叉验证，确保来自同一鱼片的图像不会同时出现在训练集和测试集中。分类性能强烈依赖于架构和目标参数。DenseNet121在可购买性（92.60%）、渗水（90.20%）、气味（75.60%）、颜色（77.40%）和溃烂（87.70%）方面取得最高准确率，而MobileNet在质地（81.20%）和总分（57.70%）方面表现最佳。可购买性是跨架构最可预测的感官参数，平均准确率为86.84%，而总分的可预测性最低，为45.64%。在回归任务中，DenseNet121在a*（0.680）、L*（2.467）、色相（0.961）和白度（2.357）方面取得最低平均绝对误差（MAE），而MobileNet在b*（1.200）和彩度（1.024）方面表现最佳。Grad-CAM可视化工区表明模型激活主要集中在鱼片区域，尽管较难分类的类别显示出更分散且偶尔边缘或背景关联的激活模式。总体而言，DenseNet121提供了最强大且最一致的表现，在13个预测目标中9个排名第一。这些发现证明了RGB成像和深度学习在快速、客观、无损评估欧洲鲈鱼鱼片部分新鲜度和品质属性方面的潜力。

**基于深度学习的欧洲鲈鱼鱼片新鲜度与品质评估研究解读**

**1. 研究背景与问题**

全球人口增长、城市化进程加速以及生活水平提升，导致动物源性蛋白需求持续增加，对食品生产系统构成更大压力。水产食品在全球膳食中占比日益重要，水产养殖在满足这一需求中发挥核心作用。据FAO《2026年世界渔业和水产养殖状况》报告，2024年全球渔业和水产养殖产量达2.35亿吨，其中水产养殖产量首次突破1亿吨，占全球水生动物产量一半以上。鱼类因富含优质蛋白、必需氨基酸、维生素、矿物质及长链omega-3多不饱和脂肪酸（特别是EPA和DHA）而被广泛认为是营养食品。欧洲鲈鱼（Dicentrarchus labrax）因其良好的感官特性、高营养价值和强商业需求，是地中海地区最具价值的海水养殖物种之一。

然而，鱼类极易腐败，其变质涉及化学、物理和微生物变化，逐渐改变感官和器官特性，质量损失速率和程度因物种而异，并受前后收获因素影响。传统新鲜度评估依赖感官分析、微生物检验和理化指标（如TVB-N、TMA、pH、TBARS、K值、颜色和质地测量），这些方法虽然可靠，但通常具有破坏性、劳动密集、耗时且不适合快速工业检测。因此，对非破坏性、自动化、实时评估技术需求日益迫切。

**2. 研究目的与意义**

本研究基于先前对整鱼多角度图像深度学习预测新鲜度的可行性研究，将方法拓展至欧洲鲈鱼鱼片。鱼片缺乏眼、鳃等外部解剖特征，其新鲜度变化主要反映在表面颜色、水分分布、肌肉纹理和结构外观的细微变化，视觉评估更具挑战性。本研究旨在利用受控成像条件下获取的RGB图像数据，开发和评估用于鱼片新鲜度分类和颜色参数预测的深度学习模型，实现快速、客观、无损的品质评估。

**3. 主要技术方法**

研究使用10条当地市场购得的欧洲鲈鱼鱼片，每日进行感官评估、颜色测量和图像采集，直至储存4-5天后视为腐败。图像使用Canon EOS 60D相机在定制成像架（相机-样品距离固定45 cm，LED照明色温3000K）下采集，共获430张图像。感官评估由10名培训的评审员完成，评估7个参数（质地、可购买性、颜色、气味、渗水、溃烂、总分）。颜色测量采用CR-400色差计获取L*、a*、b*值，并计算白度、彩度和色相。深度学习方面，采用DenseNet121、InceptionV3、MobileNet、VGG16、VGG19五种迁移学习架构，分别训练35个分类模型（7个感官参数×5架构）和30个回归模型（6个颜色参数×5架构），总计65个独立模型。训练采用基于分组的10折交叉验证，确保同一鱼片图像不跨组。分类性能用准确率、精确率、召回率和F1-score评估，回归用MAE和容差分类（优秀、良好、中等、可接受、拒绝）。此外，还进行了模拟工业成像变化的鲁棒性分析（亮度±20%、旋转10°、模糊/冷凝、眩光/反射）及Grad-CAM可视化。

**4. 研究结果**

**4.1 感官参数预测**
分类结果表明性能依赖架构和参数。DenseNet121在渗水（90.20%）、气味（75.60%）、颜色（77.40%）、溃烂（87.70%）和可购买性（92.60%）达到最高准确率；MobileNet在质地（81.20%）和总分（57.70%）最佳。可购买性是所有架构中预测最准确的感官参数（平均准确率86.84%），而总分最难（平均45.64%）。跨架构平均准确率，DenseNet121最高（79.30%），其次MobileNet（78.40%）、InceptionV3（72.80%）、VGG16（67.30%）、VGG19（62.70%）。混淆矩阵显示可购买性、渗水、溃烂的对角线集中度最高，而总分误分类严重。

**4.2 Grad-CAM可视化**
对最佳模型代表样本的Grad-CAM分析显示，正确分类中高置信样本（如无渗水、质地紧实、新鲜气味、特征颜色、无溃烂、可购买）的激活区域主要集中于鱼片表面。对于难分类样本（如海藻味气味、总分2-9），激活呈碎片化并延伸至边缘或背景。这种模式表明模型主要依赖样品关联的视觉信息，但复杂或非视觉属性（如气味、总分）难以从图像稳定学习。

**4.3 颜色参数回归预测**
回归中，DenseNet121在a*（MAE 0.680）、L*（2.467）、色相（0.961）、白度（2.357）取得最低MAE；MobileNet在b*（1.200）和彩度（1.024）最佳。容差评估表明a*预测最好（DenseNet121可接受率50.70%），b*和L*最高仅29.77%和26.05%。跨所有参数，DenseNet121平均MAE最低（1.454），其次MobileNet（1.519）、InceptionV3（1.803）、VGG16（2.057）、VGG19（2.129）。差异最小的是色相（范围0.042），最大的是白度（1.649）。

**4.4 架构总体排名**
在全部13个预测目标（7分类+6回归）中，DenseNet121排名第一9次、第二3次、第三1次，从未第四或第五；MobileNet第一4次、第二8次、第四1次；InceptionV3主要为第三名（9次）；VGG16和VGG19基本占据第四、五名。

**4.5 鲁棒性分析**
模拟成像变化下，溃烂分类最稳定（所有条件下准确率0.800）；可购买性变异范围0.700-0.900；纹理对亮度变化不敏感但对旋转和模糊敏感；颜色对模糊/冷凝敏感（0.800降至0.467）。回归中a*较稳定，L*和白度对模糊/冷凝极度敏感（L* MAE从1.860升至10.907，白度从2.352升至10.819）。总体而言，模糊/冷凝影响最大。

**5. 讨论与结论**
讨论指出模型性能取决于参数的可视化程度。直接视觉属性（可购买性、渗水、溃烂）比综合或非视觉属性（总分、气味）更易预测，而颜色中a*比L*和b*更易可靠估计。Grad-CAM显示模型主要利用样品表面信息，但难分类也依赖边缘/背景，不宜视为找到特定腐败生化机制。鲁棒性表明图像噪声对L*、白度等影响大，实际部署需控制光照和光学条件。

研究结论：研究证明了深度学习和常规RGB成像在受控条件下估计欧洲鲈鱼鱼片部分新鲜度和品质指标的可行性。DenseNet121和MobileNet性能最佳。未来需使用更大、更多异构数据集验证，包括不同生产批次、鱼尺寸、储存条件、季节、成像设备、光照环境及加工设施。建议采用文件级分离、数据增强、类别平衡、部分微调、超参数优化、鱼片分割和颜色校准。多模态方法（如RGB结合温度、储存时长、挥发性化合物、pH、电子鼻或高光谱）可能对困难目标（气味、总分、早期腐败）有益，从而支持快速客观的海鲜质控和自动化可购买性评估。