段青玲 徐曉玲 李道亮 李文升 劉春紅

(1.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083； 2.中國(guó)農(nóng)業(yè)大學(xué)國(guó)家數(shù)字漁業(yè)創(chuàng)新中心， 北京 100083；3.萊州明波水產(chǎn)有限公司， 萊州 261400)

0 引言

魚(yú)類水產(chǎn)品高蛋白低脂肪，深受大眾喜愛(ài)[1-2]。但魚(yú)是高度易腐的產(chǎn)品，魚(yú)肉腐敗過(guò)程中的微生物污染易引起食源性疾病暴發(fā)。此外，魚(yú)死后發(fā)生的物理、化學(xué)、微生物和生化變化，會(huì)導(dǎo)致產(chǎn)品在口感和品質(zhì)方面的特性逐漸喪失，影響商品價(jià)值，進(jìn)而影響漁業(yè)經(jīng)濟(jì)，甚至危及消費(fèi)者的生命健康[3-6]。因此，研究快速、可靠、無(wú)損、實(shí)用的魚(yú)類新鮮度評(píng)估方法對(duì)品質(zhì)監(jiān)測(cè)和保證食用者安全等具有現(xiàn)實(shí)意義。

為了提供優(yōu)質(zhì)的魚(yú)類水產(chǎn)品，需要可靠的方法和技術(shù)來(lái)測(cè)定和評(píng)價(jià)魚(yú)的新鮮度。魚(yú)類水產(chǎn)品新鮮度是保障產(chǎn)品質(zhì)量和安全的重要指標(biāo)之一，可以通過(guò)檢測(cè)總揮發(fā)性堿性氮(TVB-N)含量、三甲胺(TMA)含量、總活菌數(shù)(TVC)、pH值以及K值(三磷酸腺苷分解的低級(jí)產(chǎn)物肌苷、次黃嘌呤占分解物的百分比)等指標(biāo)來(lái)確定，也可以通過(guò)魚(yú)體外觀、氣味、顏色、味道和質(zhì)地等因素來(lái)衡量[7-8]。目前使用的評(píng)估方法主要分為內(nèi)部生化成分測(cè)定方法和外部物理屬性分析方法。

內(nèi)部生化成分測(cè)定的方法通過(guò)檢測(cè)不同貯藏時(shí)期的總揮發(fā)性堿性氮(TVB-N)含量等指標(biāo)，對(duì)魚(yú)類的新鮮度進(jìn)行粗略評(píng)估。涉及的具體技術(shù)主要有：基于化學(xué)分析的高效液相色譜法、GC質(zhì)譜法等，檢測(cè)結(jié)果可靠，但是檢測(cè)過(guò)程復(fù)雜、繁瑣，具有侵入性，不適合在線檢測(cè)[9]；基于檢測(cè)儀器的光譜成像、傳感器(電子舌、電子鼻)等技術(shù)需要高度專業(yè)或受過(guò)訓(xùn)練的人來(lái)執(zhí)行，且儀器設(shè)備昂貴[10-11]；基于魚(yú)體圖像參數(shù)測(cè)定生化成分的方法，利用提取魚(yú)體的顏色、能量等特征構(gòu)建回歸模型，能較準(zhǔn)確地預(yù)測(cè)pH值、TVB-N含量和TVC等指標(biāo)值[12-13]。

外部物理屬性分析的方法主要通過(guò)獲取魚(yú)鰓、魚(yú)眼、皮膚等結(jié)構(gòu)的顏色紋理參數(shù)來(lái)評(píng)估魚(yú)類新鮮度，一般依據(jù)貯存時(shí)間判定新鮮度等級(jí)。顏色和表面紋理的變化對(duì)魚(yú)類新鮮度有直接影響[3]，魚(yú)類死后，魚(yú)眼逐漸渾濁塌陷，魚(yú)鰓顏色逐漸暗淡，皮膚色澤愈加暗沉，表面彈性減小、質(zhì)地變軟，體表粘液附著減少[14-15]。在早期魚(yú)體新鮮度監(jiān)測(cè)過(guò)程中，基于色度計(jì)、紋理分析儀等設(shè)備，研究者會(huì)運(yùn)用整個(gè)魚(yú)體獲取的顏色、紋理等特征，評(píng)估魚(yú)類新鮮度[3]；基于人工感官評(píng)價(jià)，研究者們利用質(zhì)量指數(shù)法(Quality index methods，QIM)等，來(lái)評(píng)定魚(yú)類新鮮度[4,14]。但是上述方法耗時(shí)費(fèi)力，對(duì)規(guī)?；瘧?yīng)用有很大的局限性，計(jì)算機(jī)視覺(jué)技術(shù)為魚(yú)類新鮮度評(píng)估提供了一種自動(dòng)無(wú)損、經(jīng)濟(jì)有效的選擇[16]。一些學(xué)者對(duì)此進(jìn)行了研究[15,17-18]。魚(yú)鰓的變化能夠較準(zhǔn)確地反映魚(yú)類產(chǎn)品的新鮮度，但是魚(yú)鰓圖像的獲取會(huì)破壞鰓蓋，耗時(shí)費(fèi)力且具有侵入性。

針對(duì)上述問(wèn)題，一些研究人員采用其他部位的圖像對(duì)魚(yú)類新鮮度評(píng)估方法進(jìn)行研究[7,14,19-20]。通過(guò)這些研究可見(jiàn)，魚(yú)體外在的變化并不局限在魚(yú)眼、魚(yú)鰓兩個(gè)區(qū)域，運(yùn)用皮膚區(qū)域、皮膚與魚(yú)眼結(jié)合及與魚(yú)鰓結(jié)合等局部區(qū)域進(jìn)行特征提取，會(huì)使選擇更加靈活、多樣。此外，通過(guò)現(xiàn)有方法來(lái)滿足現(xiàn)實(shí)生產(chǎn)中非破壞性、客觀高效、低成本等新鮮度評(píng)估需求，仍面臨準(zhǔn)確率低、耗時(shí)長(zhǎng)等問(wèn)題。

本文采用魚(yú)體頭部圖像，無(wú)需將鰓蓋去除，提出一種基于視覺(jué)圖像的魚(yú)類新鮮度無(wú)損快速自動(dòng)評(píng)估方法。首先，運(yùn)用智能手機(jī)拍攝魚(yú)體圖像；然后，對(duì)得到的圖像進(jìn)行預(yù)處理并提取特征參數(shù)；最后，實(shí)現(xiàn)對(duì)4種魚(yú)體新鮮程度的自動(dòng)識(shí)別。

1 材料和方法

1.1 魚(yú)體圖像采集

采用于山東省濰坊市水產(chǎn)市場(chǎng)購(gòu)買的活鯽魚(yú)，單條魚(yú)體質(zhì)量為150～320 g。為了避免病菌等其他因素的干擾，購(gòu)買回來(lái)的鯽魚(yú)立即轉(zhuǎn)移到-18℃環(huán)境下致死。將死亡的鯽魚(yú)在4℃下貯存14 d，每天對(duì)鯽魚(yú)樣本進(jìn)行3次正反面成像。為了更好地滿足現(xiàn)實(shí)需求，成像設(shè)備與目標(biāo)魚(yú)類之間的采集距離可以適當(dāng)調(diào)整。本文選取彩色RGB樣本圖像共計(jì)960幅，部分樣本圖像見(jiàn)圖1。該數(shù)據(jù)集中的圖像由華為P20 Pro手機(jī)以俯視角度拍攝，分辨率為3 648像素×2 736像素，格式為jpg。

本文參照文獻(xiàn)[15,20]的方法進(jìn)行魚(yú)類新鮮度判定，以貯存時(shí)間為依據(jù)，具體的4種新鮮度類別為：最新鮮(貯存1～2 d)、新鮮(貯存3～4 d)、一般新鮮(貯存5～7 d)、變質(zhì)(貯存8～14 d)。

1.2 方法流程

為了實(shí)現(xiàn)無(wú)損、無(wú)害、快速、可靠的新鮮度評(píng)估，本文提出了一種基于顏色紋理特征融合-線性判別分析(Color histogram & grey-level co-occurrence matrix-linear discriminant analysis ，CHG-LDA)的方法實(shí)現(xiàn)魚(yú)類新鮮度評(píng)估，總體流程如圖2所示。

(1)圖像預(yù)處理。根據(jù)魚(yú)體新鮮程度標(biāo)注圖像類別，然后按照原圖像的寬高比將數(shù)據(jù)集中的圖像縮放至152像素×114像素，減少圖像處理的時(shí)間和成本。為了豐富地描述魚(yú)體圖像的顏色特征，將RGB空間的圖像分別轉(zhuǎn)換到HSV、L*a*b*顏色空間[21]，從這3個(gè)顏色空間進(jìn)行特征提取。

(2)特征提取。提取魚(yú)體圖像中的顏色直方圖特征和灰度共生矩陣(Grey-level co-occurrence matrix，GLCM)特征，并構(gòu)成魚(yú)體CHG特征，并通過(guò)LDA方法進(jìn)行特征降維，獲得高質(zhì)量的特征CHG-LDA。

(3)魚(yú)類新鮮度分類。采用K最近鄰(K-nearest neighbor，KNN)算法構(gòu)建魚(yú)類新鮮度分類模型，然后通過(guò)測(cè)試集對(duì)模型進(jìn)行評(píng)估，得到魚(yú)類新鮮度。

1.3 特征提取

1.3.1顏色直方圖特征提取

顏色直方圖描述圖像中顏色的全局分布，即不同顏色在圖像中所占的比例，它不受圖像旋轉(zhuǎn)和平移變化的影響，提取簡(jiǎn)單方便，在計(jì)算機(jī)視覺(jué)領(lǐng)域使用廣泛[22-23]。隨著貯存時(shí)間的延長(zhǎng)，魚(yú)體外觀顏色相繼變化，為了更好地表征魚(yú)類新鮮度變化過(guò)程中的顏色變化，本文在魚(yú)體圖像的RGB、HSV和L*a*b*顏色空間中分別進(jìn)行通道分離，統(tǒng)計(jì)通道像素點(diǎn)的頻數(shù)。RGB顏色空間的特征提取過(guò)程如圖3所示，首先將圖像分離為R、G、B3個(gè)通道，然后提取每個(gè)通道的直方圖，最后進(jìn)行通道合并，即將三維特征矩陣?yán)鞛橐痪S作為RGB空間下的顏色直方圖特征。

1.3.2GLCM特征提取

GLCM通過(guò)研究圖像灰度的空間相關(guān)特性來(lái)描述紋理特征，能反映圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，它是分析圖像的局部模式和排列規(guī)則的基礎(chǔ)[24-25]。在魚(yú)類新鮮度變化過(guò)程中，魚(yú)體表面的紋理也隨之變化[3,15]，GLCM紋理特征能夠反映貯存期間魚(yú)體皮膚的緊致性變化，故本文從RGB、HSV和L*a*b*顏色空間各個(gè)通道中，計(jì)算圖像在4個(gè)方向(0°、45°、90°、135°)的GLCM特征，特征公式及具體描述如表1所示。

表1 GLCM特征公式及具體描述Tab.1 Formula and description of GLCM features

μi、μj、σi和σj的計(jì)算公式為

1.3.3特征降維

LDA[26]的基本思想是將高維的魚(yú)體圖像數(shù)據(jù)集投影到最佳鑒別矢量空間，以達(dá)到抽取分類信息和壓縮特征空間維數(shù)的效果，投影后保證模式樣本在新的空間有最大的類間距離和最小的類內(nèi)距離，即4種類別的數(shù)據(jù)集在該空間中有最佳的可分離性。用于計(jì)算LDA算法[27]的偽代碼如下：

輸入：本文特征集D及降維后的維度d，其中D={(x1,y1),(x2,y2),…,(xn,yn)}，xi為特征向量，yi為新鮮度類別。

輸出：降維后的特征集D′。

算法：

(1)計(jì)算類內(nèi)散度矩陣Sw。

(2)計(jì)算類間散度矩陣Sb。

(5)對(duì)特征集中的每一個(gè)樣本特征xi，將其轉(zhuǎn)化為新的特征向量zi=WTxi。

(6)得到輸出特征集D′={(z1,y1),(z2,y2),…,(zn,yn)}。

類內(nèi)、類間散度矩陣計(jì)算公式為

(1)

(2)

式中uj——第j類樣本的均值向量

u——所有樣本的均值向量

Cj——新鮮度類別

Nj——樣本個(gè)數(shù)

1.4 魚(yú)類新鮮度分類

KNN是最簡(jiǎn)單的監(jiān)督學(xué)習(xí)算法之一[28]，它的核心思想是基于歐氏距離的度量方式，根據(jù)距離給定的魚(yú)類測(cè)試樣本最近的k個(gè)訓(xùn)練樣本來(lái)預(yù)測(cè)其新鮮度類別。

基本的計(jì)算步驟如下：

(1)輸入訓(xùn)練集D。其中D={(x1,y1),(x2,y2),…,(xn,yn)}，xi為特征向量，yi∈{C1,C2,…,Ck}為對(duì)應(yīng)新鮮度類別。

(2)根據(jù)歐氏距離度量，在D中找出與實(shí)例x最近鄰的k個(gè)點(diǎn)。

(3)根據(jù)多數(shù)表決的分類決策規(guī)則判斷實(shí)例x的類別y。

類別y的計(jì)算公式為

(3)

式中Nk(x)——涵蓋k個(gè)點(diǎn)的實(shí)例x的鄰域

I——判別yi和Cj的取值是否相等的函數(shù)

本文考慮到KNN分類器訓(xùn)練時(shí)間復(fù)雜度較低，對(duì)于類域的交叉或重疊較多的魚(yú)類新鮮度樣本特征，準(zhǔn)確率高、實(shí)時(shí)性好。因此，選用KNN分類方法，來(lái)實(shí)現(xiàn)魚(yú)類新鮮度的檢測(cè)。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)設(shè)計(jì)

(1)本文方法實(shí)驗(yàn)。本部分包括魚(yú)圖像顏色空間轉(zhuǎn)換、特征提取及降維、魚(yú)品質(zhì)分類。這些結(jié)果為該方法的有效性提供了支持。

(2)性能比較實(shí)驗(yàn)。這組實(shí)驗(yàn)分為兩部分。第1組實(shí)驗(yàn)?zāi)康氖球?yàn)證CHG特征的有效性和魯棒性，將本文選擇的特征與顏色直方圖、顏色矩、GLCM、文獻(xiàn)[15]提取的特征和文獻(xiàn)[3]提取的特征在不同特征選擇方法下的分類結(jié)果進(jìn)行對(duì)比，并分析背景去除后本文方法的分類結(jié)果。第2組實(shí)驗(yàn)?zāi)康氖菍?duì)比分類性能，將CHG特征分別在未經(jīng)處理、主成分分析(Principal component analysis，PCA)降維、LDA降維這3種情況下，對(duì)比KNN、隨機(jī)森林(Random forest，RF)[29]、人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network，ANN)分類器的分類結(jié)果。

實(shí)驗(yàn)所用編程語(yǔ)言為Python 3.6，集成開(kāi)發(fā)環(huán)境為Anaconda 3。在算法實(shí)現(xiàn)的過(guò)程中,魚(yú)圖像縮放、直方圖特征提取基于OpenCV包，GLCM特征提取基于skimage包，LDA、KNN、RF和ANN算法實(shí)現(xiàn)則基于sklearn包。

2.2 評(píng)估指標(biāo)

使用精確率、召回率、F1分?jǐn)?shù)和準(zhǔn)確率來(lái)評(píng)價(jià)魚(yú)類新鮮度分類方法的性能。

2.3 結(jié)果分析

2.3.1魚(yú)圖像顏色空間轉(zhuǎn)換

為了較全面地描述新鮮度變化過(guò)程中魚(yú)體圖像的顏色特征，本文選擇了RGB、HSV和L*a*b*這3個(gè)常用的顏色空間進(jìn)行本文特征的提取。部分樣本圖像在這3個(gè)顏色空間如圖4所示。

2.3.2特征提取與降維

本文特征的選擇包括特征提取和降維兩部分，總體流程與降維結(jié)果如圖5所示。提取魚(yú)體4種新鮮度圖像的顏色直方圖特征和GLCM特征，將二者結(jié)合并歸一化特征值后通過(guò)LDA進(jìn)行降維處理形成新的特征矩陣，從散點(diǎn)圖可以看出，將聯(lián)合特征經(jīng)LDA處理投影到二維圖像后，訓(xùn)練樣本特征和類別信息之間的關(guān)系得以保留，表明經(jīng)LDA處理后獲得的特征矩陣在4個(gè)新鮮度類別間有較好的區(qū)分度。

隨著魚(yú)體貯藏時(shí)間的延長(zhǎng)，魚(yú)眼由飽滿突出且角膜透明清亮變得愈加渾濁塌陷，皮膚由色澤明亮逐漸暗沉直至無(wú)光澤感。外觀顏色和GLCM紋理特征能夠區(qū)別貯存期間不同魚(yú)體新鮮度，能夠?qū)︳~(yú)體皮膚的顏色、光澤度、緊密度等特性數(shù)字化，以代表性地表征魚(yú)體新鮮度變化。不同新鮮度類別的魚(yú)體圖像在不同顏色空間下的顏色直方圖特征存在較大差異，如圖6所示。從圖中可以看出，在本文應(yīng)用的3個(gè)不同的顏色空間中，4種新鮮度的魚(yú)體圖像直方圖特征存在較大差異。

2.3.3魚(yú)品質(zhì)分類結(jié)果

將本文方法在測(cè)試集上進(jìn)行分類驗(yàn)證，結(jié)果見(jiàn)表2。從表中可以看出，最新鮮、新鮮、一般新鮮、變質(zhì)這4個(gè)新鮮度類別在各項(xiàng)指標(biāo)下的值均為1。其中支持度為測(cè)試集中對(duì)應(yīng)的樣本數(shù)量，每個(gè)新鮮度類別的樣本數(shù)量為48，宏平均對(duì)應(yīng)192個(gè)測(cè)試樣本中各類別評(píng)價(jià)指標(biāo)的均值，加權(quán)平均表示192個(gè)測(cè)試樣本中各類別評(píng)價(jià)指標(biāo)的加權(quán)平均值，其權(quán)重為各類別正確劃分的樣本數(shù)在所有樣本中所占比例。

2.3.4不同魚(yú)體圖像特征對(duì)比及降維分析

為了證明本文提取的CHG特征的有效性，本文與顏色直方圖特征、顏色矩特征、GLCM特征、文獻(xiàn)[15]提取的特征和文獻(xiàn)[20]提取的特征在不同特征選擇方法下的分類準(zhǔn)確率進(jìn)行對(duì)比，結(jié)果如表3所示。其中，“/”表示未經(jīng)降維處理的情況。

表3 不同特征選擇方法下魚(yú)體圖像特征的分類準(zhǔn)確率對(duì)比Tab.3 Comparative classification accuracy of multiple fish features by different feature selection methods

從表3中可以看出，本文提取的CHG特征在分類上具有顯著優(yōu)勢(shì)，未經(jīng)降維處理的情況下，在KNN中的分類準(zhǔn)確率為0.60，與對(duì)比特征中準(zhǔn)確率最高的顏色直方圖特征相等；在RF中的分類準(zhǔn)確率為0.68，比對(duì)比特征中最高的顏色矩特征高0.01；在ANN中的分類準(zhǔn)確率為0.72，比對(duì)比特征中最高的顏色直方圖特征高0.05。與PCA方法相比LDA的降維處理效果較好。在經(jīng)LDA降維處理后，本文提取的CHG-LDA特征在KNN、RF、ANN分類器中的準(zhǔn)確率均達(dá)到了1，較其他特征中準(zhǔn)確率最高的顏色直方圖-RF相比，提高了0.04。比顏色直方圖、顏色矩、GLCM、文獻(xiàn)[15]及文獻(xiàn)[20]特征的最好分類準(zhǔn)確率分別高 0.04、0.33、0.08、0.36 及 0.26。

本文特征CHG及對(duì)比特征在PCA、LDA降維處理的結(jié)果如圖7、8所示。從圖7中可以看出，經(jīng)PCA降維處理后，表征4個(gè)新鮮類別的圖7a、7b、7f在二維空間下的聚集性較強(qiáng)；圖7c～7e雖然有一些離群點(diǎn)，但是仍然有很多重疊。這表明經(jīng)PCA處理后的這些特征的類別區(qū)分度低。從圖8中可以看出，經(jīng)LDA降維處理后，在二維空間下圖8b、8d、8e對(duì)類別最新鮮和變質(zhì)的離散性較強(qiáng)，但其他類別間仍有很高的重疊性；圖8a、8c對(duì)各個(gè)類別間已經(jīng)有較強(qiáng)的離散性，能夠較好地進(jìn)行新鮮度區(qū)分；圖8f對(duì)于同種類別特征點(diǎn)的聚合性更強(qiáng)，不同類別間特征的離散程度更高。由此可見(jiàn)，經(jīng)LDA處理后的特征，離散程度更高，對(duì)于4種新鮮度類別的區(qū)分性更好。

為了證明本文提取的CHG-LDA特征的魯棒性，針對(duì)本文運(yùn)用的帶有簡(jiǎn)單背景的圖像數(shù)據(jù)，首先去除圖像背景(圖9)，然后提取CHG融合特征，再運(yùn)用LDA方法進(jìn)行特征降維并在KNN分類器下進(jìn)行品質(zhì)評(píng)估，對(duì)比結(jié)果見(jiàn)表4(表中“↓”表示結(jié)果值降低)。

從表4中可以看出，本文提取的CHG-LDA特征具有很高的魯棒性，本文運(yùn)用的帶有簡(jiǎn)單背景的圖像數(shù)據(jù)進(jìn)行品質(zhì)評(píng)估的結(jié)果甚至高于背景去除的數(shù)據(jù)。魚(yú)體圖像背景去除后，其精確率、召回率、F1分?jǐn)?shù)指標(biāo)的宏平均和加權(quán)平均，以及準(zhǔn)確率均下降了0.01。究其原因，是隨著貯存時(shí)間的延長(zhǎng)，微生物作用使得魚(yú)體體表會(huì)有游離脂肪和水等以粘液的形式滲出，沾染到背景上，運(yùn)用帶有簡(jiǎn)單背景的圖像提取的特征會(huì)利用這些信息，進(jìn)而在品質(zhì)評(píng)估中表現(xiàn)出較好的結(jié)果。

表4 背景去除后的測(cè)試集分類結(jié)果及對(duì)比Tab.4 Classification results and comparison of test set after background removal

2.3.5基于CHG特征的分類器性能評(píng)估

為了進(jìn)一步證明本文方法的性能，將本文提取的CHG特征與經(jīng)過(guò)PCA、LDA降維處理后的特征，分別在KNN、RF、ANN及輕量級(jí)梯度提升機(jī)(Light gradient boosting machine，LightGBM)分類器上針對(duì)分類指標(biāo)與評(píng)估時(shí)間進(jìn)行對(duì)比分析，結(jié)果見(jiàn)表5。

表5 測(cè)試集在不同分類器上的分類結(jié)果Tab.5 Classification results of test set on different classifiers

從表5中可以看出，本文選用的LDA較PCA降維方法能顯著地提高新鮮度評(píng)估的各項(xiàng)指標(biāo)性能，在KNN分類器中，經(jīng)LDA處理后精確率較PCA相比提高了0.36，召回率、F1分?jǐn)?shù)和準(zhǔn)確率均提高了0.40。在RF分類器中，經(jīng)LDA處理后精確率、召回率、F1分?jǐn)?shù)和準(zhǔn)確率較PCA相比均提高了0.29。在ANN分類器中，經(jīng)PCA處理效果最差，經(jīng)LDA處理后精確率、召回率、F1分?jǐn)?shù)和準(zhǔn)確率較原始特征相比分別提高了0.26、0.28、0.29和0.28。在LightGBM分類器中，經(jīng)LDA處理后效果最佳，比未經(jīng)處理的情況下提高了0.27，較PCA處理提高了0.35左右。表5中時(shí)間代表分類評(píng)估的時(shí)間，包括模型訓(xùn)練、模型分類結(jié)果預(yù)測(cè)的處理時(shí)間總和。經(jīng)LDA降維處理后的特征在KNN分類器的處理時(shí)間最短，為0.01 s，與PCA-KNN、LDA-RF、LDA-LightGBM相比，分類時(shí)間分別縮短了0.02、0.01、1.31 s。

綜上所述，本文提出的CHG-LDA特征能夠較好地描述不同魚(yú)體新鮮度的類別狀態(tài)信息，且本文提出的基于計(jì)算機(jī)視覺(jué)的CHG-LDA方法通過(guò)KNN、RF、ANN及LightGBM算法對(duì)魚(yú)類新鮮度評(píng)估都有很好的效果，其中KNN在評(píng)估時(shí)間上更優(yōu)。

3 結(jié)論

(1)針對(duì)提取的魚(yú)體圖像特征質(zhì)量低致使分類性能差的問(wèn)題，采集了4℃下貯存14 d的鯽魚(yú)圖像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，提出了基于CHG-LDA的魚(yú)類新鮮度無(wú)損檢測(cè)方法。結(jié)果表明CHG-LDA處理后獲得的高質(zhì)量魚(yú)體特征，能夠很好地表征鯽魚(yú)新鮮度變化。

(2)通過(guò)比較不同特征選擇方法對(duì)多種魚(yú)體圖像特征的影響，在KNN、RF及ANN分類模型下分別進(jìn)行實(shí)驗(yàn)，得到本文CHG-LDA特征的分類準(zhǔn)確率為1，比顏色直方圖、顏色矩、GLCM、文獻(xiàn)[15]及文獻(xiàn)[20]特征的最優(yōu)分類準(zhǔn)確率分別高0.04、0.33、0.08、0.36及0.26。

(3)通過(guò)比較KNN、RF、ANN及LightGBM分類模型的性能，在CHG特征下實(shí)驗(yàn)，得到CHG-LDA的精確率、召回率、F1分?jǐn)?shù)、準(zhǔn)確率均為1，其中，KNN的分類評(píng)估時(shí)間為0.01 s，比RF、ANN、LightGBM的耗時(shí)分別減少0.01、0.24、1.31 s。