FISH-SPEC：一种用于手持光谱仪的快速识别系统及物种分类工具

《Applied Food Research》：FISH-SPEC: Fast Identification System for Handheld Spectroscopy and Species Classification

　　本研究开发了一种手持式多模式点光谱系统，结合365nm和395nm荧光以及可见光至近红外和短波红外反射光谱，通过特征级融合和争议模型技术实现鱼类物种的快速非破坏性识别。实验表明，解冻样本分类准确率达93%，冷冻样本达90%，融合数据较单一模式提升5%-10%，有效解决了渔业欺诈问题。

　　在当今全球化的食品供应链中，准确识别鱼类种类对于防止欺诈行为、保障食品安全以及维护生态环境至关重要。本研究介绍了一种便携式多模式点光谱系统，结合了荧光和反射光谱测量技术，可在可见光至近红外（约350–900纳米）以及短波红外（约900–1700纳米）范围内快速、无损地对鱼片进行分类。这种系统为现场检测鱼类欺诈提供了高效、可靠的技术手段，尤其适用于无法通过肉眼识别的鱼片和部分处理后的鱼肉。

### 问题的严重性

鱼类标签错误在食品行业是一个普遍存在的问题，且影响深远。非营利组织Oceana的一项大规模调查发现，全球55个国家的鱼类供应环节中，有19%的鱼类被错误地标记为其他种类。这种欺诈行为不仅对消费者健康构成威胁，还可能导致摄入过敏原、毒素、重金属、抗生素残留等有害物质，引发严重的食物中毒甚至危及生命。此外，标签错误还可能误导消费者对鱼源地的认知，造成经济上的不公平竞争，损害合法捕捞者和供应商的利益。更严重的是，这种现象还可能破坏渔业资源的可持续管理，导致某些脆弱物种过度捕捞，进而影响海洋生态平衡。

### 现有技术的局限性

为了应对这些问题，传统方法如视觉检查、DNA条形码和实时聚合酶链式反应（PCR）已被广泛应用。然而，这些方法各有局限。视觉检查依赖于专业人员的经验，且在某些情况下难以识别具有相似外观的鱼种。DNA条形码虽然准确，但需要实验室分析，耗时较长，且成本较高。而实时PCR虽然具有便携性和快速性，但仅能检测特定种类，无法全面识别多种鱼类。因此，开发一种快速、无损且适用于现场检测的鱼类识别系统显得尤为重要。

### 多模式光谱技术的优势

光谱技术作为一种便携、无损的检测手段，近年来在鱼类识别领域取得了显著进展。其优势在于无需高度专业化的人员操作，且能够在几秒钟内获得结果，甚至可以穿透包装材料如塑料膜，对样品进行分析。然而，光谱技术在鱼类识别中的应用仍面临挑战，例如如何有效区分光谱相似的鱼类种类。为了解决这一问题，本研究团队开发了一种手持式多模式点光谱设备，结合了两种荧光模式（365纳米和395纳米激发波长）以及可见光和短波红外反射光谱模式，以获取多种独立的生化和结构特征，从而提高分类准确性。

### 实验设计与数据采集

本研究采集了68个鱼片样本，涵盖11种鱼类，每种至少有三个样本。样本均来自一家可信赖的在线海鲜商店，初始为冷冻状态，随后在?20°C条件下储存。实验过程中，鱼片被放置在样品夹中，设备被固定在上方以确保测量距离的一致性。为了适应鱼片的局部厚度变化，设备的安装高度在测量过程中被调整。在每种光谱模式下，从鱼片的25个位置采集数据，分别记录了冷冻和解冻后的样本，以评估不同状态下的识别效果。

### 数据预处理与特征融合

在数据采集后，首先对数据进行了质量评估，剔除了饱和和噪声较高的光谱。为了校准样本测量，还采集了白色和黑色参考样本。随后，对每种光谱模式进行了最小-最大归一化处理，以确保数据在0–1范围内。在进行特征融合前，所有光谱数据被插值以实现波长对齐。最终，将四种模式（365纳米荧光、395纳米荧光、可见光反射和短波红外反射）的归一化光谱数据沿特征轴连接，形成单一的多模式特征向量，用于后续的机器学习模型训练。

### 机器学习模型与分类方法

本研究采用了一种基于主成分分析（PCA）和线性判别分析（LDA）的机器学习框架，以提高分类效率和准确性。PCA用于降维，提取最具代表性的主成分，而LDA则用于投影数据到一个更低维的空间，最大化类间可分性。该框架在多个光谱模式上表现优异，特别是在处理具有大量相关特征的光谱数据时，能够有效减少冗余并提升计算效率。此外，为了提高分类性能，研究团队还引入了一种分层的争议模型框架，专门针对那些在全局模型中表现不佳的鱼类种类进行优化。

### 争议模型的构建与应用

在构建争议模型时，研究团队首先对全局模型的分类结果进行了评估，并通过混淆矩阵识别出分类性能低于80%的鱼类种类。这些种类被归为“形成物种”，并与其他常被误分类的物种组成争议模型。争议模型通过单独训练，进一步提高了对这些物种的识别准确率。例如，在解冻数据集中，Rockfish、Lingcod和Pacific Cod常常被误分类，因此被纳入争议模型。该模型在识别这些鱼类时表现出显著的提升，将整体准确率从90%提高到93%。争议模型的预测结果会覆盖全局模型的决策，以提高分类的可靠性。

### 分类结果与模型评估

实验结果显示，全局模型在融合数据集上的准确率为85%±2.8%，在解冻数据集上达到90%±6.0%，而在冷冻数据集上为90%±5.4%。争议模型的应用进一步提升了解冻数据集的准确率至93%±4.3%。此外，研究团队还对模型进行了交叉验证，以确保其在不同数据集上的泛化能力。交叉验证结果显示，模型在不同状态下的分类性能存在显著差异，说明解冻和冷冻鱼片的光谱特征存在明显区别。因此，建议为不同状态的鱼片分别开发模型，或采用统一模型，以涵盖冷冻和解冻状态的样本。

### 争议模型的优化效果

通过引入争议模型，研究团队对模型性能进行了进一步优化。争议模型特别针对光谱相似的鱼类种类，提高了它们的识别准确率。例如，在解冻数据集上，Rockfish、Lingcod和Pacific Cod的分类准确率得到了显著提升。此外，争议模型的使用还增强了模型的稳定性，使其在面对样本多样性时表现更加出色。实验结果表明，争议模型在解冻数据集上的效果优于冷冻数据集，这可能是由于解冻鱼片在光谱特征上表现出更多的多样性。

### 光谱特征的分析与应用

为了进一步理解不同光谱模式的贡献，研究团队进行了互信息（MI）分析。该分析显示，365纳米和395纳米的荧光模式在数据中具有较高的冗余度，而可见光和短波红外反射光谱模式则提供了更多的互补信息。这意味着单独使用荧光模式可以达到较高的分类准确率，而结合所有模式的特征融合则在提升分类效果方面具有额外价值。尽管如此，研究团队仍然认为，通过降维和分类框架（如PCA和LDA）可以有效减少冗余，提高模型的泛化能力。

### 模型的稳定性与泛化能力

为了验证模型的泛化能力，研究团队对模型进行了随机标签打乱实验。结果显示，当标签被随机打乱后，模型的分类准确率低于15%，表明模型并未出现过拟合现象，而是真正学习到了数据与鱼类种类之间的关系。这一结果进一步证明了模型的有效性。此外，通过非参数的Wilcoxon符号秩检验和Bonferroni校正，研究团队评估了不同数据集之间的分类性能差异。结果显示，尽管冷冻和解冻数据集在分类性能上没有显著差异，但当模型在一个状态下训练并在另一个状态下测试时，性能出现了显著下降。这表明，光谱特征在冷冻和解冻状态下存在显著差异，因此需要分别处理。

### 实际应用的考虑

尽管本研究的成果展示了多模式光谱技术在鱼类识别方面的潜力，但实际应用中仍需考虑多个因素。例如，光谱采集过程中需要确保测量的一致性，同时还需要处理不同环境下的光照变化。目前，实验数据均在实验室环境下采集，未在实际市场或户外环境中进行测试，这可能影响模型的实用性。因此，未来的研究将关注于在实际场景中验证系统的性能，以确保其在各种环境条件下的稳定性。

### 结论与展望

本研究开发了一种手持式多模式点光谱设备，并结合了机器学习算法，实现了对多种鱼类的快速、无损识别。实验结果表明，该设备在不同状态下均能提供可靠的分类性能，特别是在解冻状态下，争议模型的应用显著提高了识别准确率。这一技术为解决鱼类标签错误问题提供了新的解决方案，有助于提升食品供应链的透明度和安全性。未来，研究团队计划扩展数据集，涵盖更多种类的鱼类，并进一步优化模型以适应实际应用环境。此外，研究还将探索如何在不同的光照条件下提高模型的稳定性，以确保其在真实世界中的广泛应用。