基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别.pdf

第 30 卷 第 6 期 农 业 工 程 学 报 Vol.30 No.6 272 2014 年 3 月 Transactions of the Chinese Society of Agricultural Engineering Mar.2014 基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别 章海亮1,2，朱逢乐1，刘雪梅1,2，何 勇1（1.浙江大学生物系统工程与食品科学学院，杭州 310058；2.华东交通大学机电工程学院，南昌 330013）摘 要：应用高光谱成像技术（3801023 nm），基于信息融合实现鱼不同冻藏时间后冻融次数鉴别。首先，提取鱼样品感兴趣区域（region of interest，ROI）光谱并结合竞争性自适应重加权算法（competitive adaptive reweighted sampling，CARS）得到 57 个变量作为光谱信息，同时对鱼样品做主成分分析（principal component analysis，PCA），提取第一主成分图像信息如中值、协方差、同质性、能量、对比度、相关、熵、逆差距、反差、差异性、二阶距和自相关 12 个灰度共生矩阵（gray level co-occurrence matrix，GLCM）纹理特征参量，结合灰度共生矩阵纹理特征与光谱特征，作为模型偏小最二乘支持向量机（least squares support vector machines，LS-SVM）的输入建立区分模型，预测集识别率达到 98%。结果表明，高光谱成像技术可以用于鱼不同冷冻时间以及冻融次数的鉴别。关键词：光谱分析；图像处理；储藏时间；竞争性自适应重加权算法；偏小最二乘支持向量机 doi：10.3969/j.issn.1002-6819.2014.06.033 中图分类号：O4335 文献标识码：A 文章编号：1002-6819(2014)-06-0272-07 章海亮，朱逢乐，刘雪梅，等.基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别J.农业工程学报，2014，30(6)：272278.Zhang Hailiang,Zhu Fengle,Liu Xuemei,et al.Classification of fresh and frozen-thawed fish fillets based on information fusion of image and spectrumJ.Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2014,30(6):272278.(in Chinese with English abstract)0 引 言 鱼类新鲜度评价及鱼肉在冷藏和冷冻过程中的品质特性变化一直是水产品品质领域的研究热点和重点之一1-9。但是消费者在购买鱼时，一般很难准确判断鱼的冷藏存储时间，也很难准确鉴别新鲜鱼与冷冻后再解冻的鱼，因为冷冻鱼用合理的方法解冻后，其外观、形态与新鲜鱼相似，比较难以区分。为了预防水产市场上的掺假替代现象，快速、准确、无损地对鱼的新鲜度进行预测，及对新鲜鱼与冷冻解冻鱼进行鉴别，是加强水产品品质控制、提升水产品安全性的关键。目前国内外对鱼肉新鲜度检测和新鲜与冷冻解冻鱼肉鉴别的方法有很多。感官评价，例如质量指标法，通过对鱼肉的外观、气味、颜色、质地等基本参数指标进行观察和评价10-11。虽然感官评价方法比较快速，很少或不需要仪器，但是它需要专业的评价人员，所以 收稿日期：2013-09-11 修订日期：2014-02-20 基金项目：国家十二五863项目（2013AA102301）；国家高技术研究与发展项目（2011AA100705）作者简介：章海亮（1977），男，副教授，博士生，主要从事高光谱成像技术及其应用研究。南昌 华东交通大学机电学院，330013。Email： 通信作者：何 勇（1963），男，教授，博士生导师，主要从事高光谱成像技术及其应用研究。杭州 浙江大学生工食品学院，310058。Email： 不能很方便地应用于所有场合和地点。微生物方法和生物化学方法通过定量地测定鱼肉腐败变质过程的微生物活性和各种有机分子含量来确定鱼肉新鲜度，鉴别新鲜与冷冻解冻鱼肉12-15。尽管微生物和生化方法很有用，但是需要花费大量的时间、精力和人员，耗材也比较昂贵，废液废弃物等对环境造成严重污染，且破坏样本将使鱼肉丧失食用价值，同时过长的检测时间无法保证数据的实时性，不能满足在线或大规模的应用。高光谱成像技术可以对生物对象中的内外部信息进行可视化表达，拥有光谱技术和图像处理技术的双重优势，是一种精确至每个像素点纳米级信息采集，获取数据量大，能够多指标同时测定，可自动实现数据分析16-19。目前，该技术已应用于鱼肉片成分含量（脂肪20、水分21）的分布预测，新鲜与冷冻解冻鱼肉鉴别22的检测等。Sivertsen 等23应用高光谱成像技术检测鱼肉的冷藏存储时间，虽然都取得了满意的结果，但是都没有融合图像光谱信息鉴别鱼不同冷藏时间及冻融次数，本研究融合光谱分析技术和图像处理技术通过对不同冷冻时间以及冻融次数的多宝鱼可见/近红外高光谱图像的分析，同时获得图像上每个像素点的光谱信息和每个样本的图像信息，结合化学计量学建模分析，对鱼样品原始数据进行主成分分析（principal component analysis，PCA）得到 3 个主成分图像，第 6 期 章海亮等：基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别 273 从每个图像中分别提取中值、协方差、同质性、能量、对比度、相关、熵、逆差距、反差、差异性、二阶距和自相关 12 个纹理特征参量，每个样本共有 36 个特征变量。把鱼样品的光谱信息与 PC1 图像 12 个纹理信息进行有效融合，作为最小二乘支持向量机（least squares support vector machine，LS-SVM）24-25输入建立不同冻藏时间后冻融次数的鉴别模型。1 材料与方法 1.1 样品来源及光谱的获取 试验样品是为鲜活的瘤棘鲆（Psetta maxima）购于杭州某水产品市场，又名大菱鲆，俗称多宝鱼。是一种椭圆形扁平深海鱼类，两眼均位于身体的一侧，有眼的一侧有体色，另侧为白色。每条鱼切分2 块，每块作为 1 个样品，共 160 样本分 5 类，1代表低温（20）存贮 20 d 冷冻解冻 1 次，在温度控制 04范围内冰箱过夜解冻，2 代表低温存贮 20 d 冷冻解冻 2 次，3 代表低温存贮 130 d 冷冻解冻 1 次，4 代表低温存贮 130 d 冷冻解冻 2 次，在温度控制 04范围内冰箱过夜解冻，放回冰柜再冷冻 3d 后再过夜解冻。5 代表新鲜样品，即代表未冷藏未冷冻-解冻 0 次。全部样本随机分成建模集和预测集，建模集有 110 个样本（第 1-4 类样品各为 20 个，第 5 类样品为 30），预测集有 50 个样本（每个类别各 10 个）1.2 数据采集系统 本试验的鱼样品数据采集装置如图 1 所示。系统包括芬兰 Specimen 公司的 ImSpector V10E 高光谱摄像机，光谱的分辨率 2.8 nm，狭缝宽度 30 m，有效狭缝长度 14.2 mm，卤素灯线光源 2 个，镜头，样品传送装置及移动平台控制器，计算机及软件。图 1 高光谱成像系统检测原理图 Fig.1 Hyperspectral imaging system in detection of schematic diagram 1.3 高光谱数据采集 将鱼样品放置于输送装置平台上。采集数据前，1）调节卤素灯线光源亮度，光源通过旋钮无级调控，亮度不能太强，以免过度曝光；2）调节样品输送平台运行速度和曝光时间，使采集到的高光谱成像数据清晰并不变形；3）为防止仪器暗电流及室内环境光的影响，要进行黑白板校正，以消除噪声，方法是在输送平台放置 1 枚 1 元硬币，模拟采集 1 组数据，查看图像文件，看硬币图像是否清晰变形。本文曝光时间设置为 0.08 s，平台输送样品速度为 3.2 mm/s，镜头至样品距离为 45 cm。分 析 软 件 为 Unscrambler 10.1（CAMO AS，Trondheim，Norway）、Matlab 2010 及 Origin8.5（OriginLab，USA）软件平台。1.4 竞争性自适应重加权算法（competitive adaptive reweighted sampling，CARS)基于达尔文进化理论中“适者生存”的原则，CARS 算法通过蒙特卡罗采样（Monte Carlo sampling，MCS）法对模型取样，利用交叉验证选出 N 个 PLS 子集模型中交叉验证预测均方根误差（root mean squares error of cross-validation，RMSECV）最小的子集，该子集所包含的变量即为最优变量组合26-27。CARS 算法主要有以下 4 个步骤：1）对原始数据应用蒙特卡罗采样（Monte Carlo Sampling，MCS）法对模型取样，采样过程中指数衰减函数（exponentially decreasing function，EDP）和自适应重加权采样技术（adaptive reweighted sampling，ARS）结合优选出 PLS 模型中回归系数绝对值大的变量点。2）基于指数衰减函数（EDP）去除变量。如样本光谱阵为 X(mp)，m 为样本数，p 为变量数，则存在 PLS 回归模型：y=Xb+e （1）式中：b 表示是一个 p 维的系数向量；e 表示预测残差。利用指数衰减函数强行去除|bi|值相对较小的波长点。采用 MC 采样，在第 i 次采样运算后，变量点的保存率根据以下指数函数计算：ri=aeki （2）式中：a 和 k 表示常数分别在第 1 次和第 N 次 MC采样时，样本集中全部 p 个变量和仅 2 变量参与建模，即 r1=1 且 rN=2/p，从而 a 和 k 的计算公式如下：1(1)()2Npa=（3）ln(2)1pkN=（4）3）基于ARS技术进一步对变量进行筛选。通过评价每个变量点的权重wi进行变量选择。权重wi计算如下：农业工程学报 2014 年 274 1|,1,2,3,.,|iipiibwipb=（5）4）通过计算并比较每次产生的新的变量子集的RMSECV值，RMSECV值最小的变量子集作为最优变量子集。图2为算法流程图，该图更能够直观的说明CARS方法在关键变量选择过程中的机理。图 2 竞争性自适应重加权算法(CARS)关键变量获取流程 Fig.2 Key variables selection by competitive adaptive reweighted sampling 1.5 基 于 光 谱 和 灰 度 共 生 矩 阵（gray level co-occurrence matrix，GLCM）建立LS-SVM类别预测模型流程 基于GLCM和LS-SVM的高光谱成像鱼不同冷冻时间以及冷冻解冻次数的鉴别流程如图3所示。图 3 鱼类别识别流程图 Fig.3 Graph of fish classification 2 结果与分析 2.1 鱼样品的可见/近红外漫反射光谱 所获取鱼样品高光谱成像数据包括2方面的信息。一是鱼样品的图像信息，或者说鱼样品图像纹理信息，本文采用12个灰度共生矩阵参数来表示鱼样品图像纹理信息，二是鱼样品的光谱信息，鱼样品的光谱提取采用感兴趣区域（region of interest，ROI）人工提取，每个样品感兴趣区域大小在8080像素左右，提取的部位是腹部中央。由于每个像素点都有1条光谱，计算样品感兴趣区域光谱的平均值作为1条光谱，如图4所示。观察发现，8001 000 nm光谱范围20 d冷冻解冻2次和130 d冷冻解冻2次的反射率高于其他样品，500950 nm光谱范围20 d冷冻解冻1次的反射率低于其他样品。图 4 鱼 5 个类别光谱曲线 Fig.4 Spectra of 5 different variety fishes 2.2 主成分分析 主成分分析（principal component analysis，PCA）是一种被广泛采用的数据降维方法，主成分图像获取过程：在鱼腹部中央处选取100200像素区域，在软件ENVI 4.6中完成主成分分析，运算完成后会自动生成470幅灰度主成分图像，每个主成分图像互相独立，一般情况下，第1主成分图像表达了样品绝大部分基本信息，第2主成分图像表达的基本信息少于第1主成分图像表达的信息，以此类推，正常情况下，前3个主成分图像表达98%左右的图像信息28。因为鱼样本在4291023 nm光谱区域内各类样本光谱信息特征较为明显，有利于鱼不同冷冻时间以及冻融次数的鉴别，且能去除429 nm波长之前的噪声，故取4291 023 nm光谱区域内波长范围进行分析。图5表示在波长429 1 023 nm光谱区间共计470个波长经过PCA后获到鱼样品的前3个主成分图像。第1个主成分图像PC1对原始数据信息贡献率达到了92.65%，其次为第 6 期 章海亮等：基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别 275 PC2，贡献率为5.37%，前3个PC图像信息总贡献率达到98.3%。注：波长范围 4291 023 nm。Note:Wavelength range 429-1 023 nm.图 5 基于 PCA 的 3 个主成分图像矩阵 Fig.5 PC1-PC2-PC3 images based on PCA 从每个主成分图像中分别提取中值、协方差、同质性、能量、对比度、相关、熵、逆差距、反差、差异性、二阶距和自相关共计12个灰度共生矩阵鱼样品纹理特征参量，每个鱼样品共36个特征纹理参量。2.3 竞争性自适应重加权算法（competitive adaptive reweighted sampling，CARS）关键变量 提取 图6表示根据CARS算法进行关键变量提取结果图。图5a、b和c分别表示在1次CARS算法运行中随着采样次数（本研究中设置蒙特卡罗（Monte Carlo，MC）采样次数为50次）的增加，变量数、交叉验证预测均方根误差（root mean squares error of cross-validation，RMSECV）值和每个变量回归系数的变化。通过图5a能够发现由于指数衰减函数的作用，在采样前期变量快速减少，随着采样次数的增加，变量减少的速度减慢，表明算法具有“粗选”和“精选”2个过程。从图6b中可以看出，随着采样次数的增加，单个PLS模型的交叉验证RMSECV值呈由大到小，再到大的变化，其中采样次数为20的时候达到最小值（图6c中星号垂线标示），这表明在第120次采样运算中，在近红外高光谱中与预测的大量无关信息被去除；从第20次之后RMSECV值开始上升，表示一些关键的信息被剔出导致模型性能变差。图6c表示470个变量在每次MC采样中回归系数的变化路径，基于第20次采样中获得的变量子集建立的PLS模型交互验证RMSECV最小，因此，该子集定为与鱼不同冷冻时间以及冷冻解冻次数类别相关的关键变量子集，共包含57个变量。a.变量变化趋势 a.Variables variation trend b.交互验证 RMSECV 变化趋势 b.RMSECV variation trend c.回归系数路径 c.Regression coefficients path 图 6 竟争性自适应重加权算法（CARS）关键变量 提取结果图 Fig.6 Key variables selection results by competitive adaptive reweighted sampling(CARS)2.4 基 于 光 谱 和 灰 度 共 生 矩 阵（gray level co-occurrence matrix，GLCM）建立LS-SVM类别预测模型 全波长范围区间为3801 023 nm，由于高光谱成像原始数据在429 nm波长之前的光谱区域表农业工程学报 2014 年 276 达的信息较弱并且噪声较大。如图4所示，选取4291 023 nm的波段作为样品光谱信息分析基础，把选取的470个波段输入建立LS-SVM类别预测模型，模型的预测集鱼不同冷冻时间以及冻融次数的鉴别识别率为96%，为了进一步降低模型的复杂度，对原始光谱采用CARS算法得到57个特征波段变量，且把这57个特征波段变量作为LS-SVM模型的输入，模型的预测集识别率同样为96%，结果如表1所示，所以本文实际光谱建模变量为57个，把这57个波长变量作为鱼样品的光谱信息。如前所述，本文得到的灰度共生矩阵纹理特征参量，每个样本共有36个特征变量。每个PC图像的纹理特征及3个PC图像的纹理特征组合作为输入建立LS-SVM类别预测模型，以及57个特征波段变量作为鱼样品的光谱信息作为输入建立LS-SVM类别预测模型，最后采用灰度共生矩阵分析与光谱分析相结合的方法，利用LS-SVM建模，共3种方法分别建模，结果如表1所示。表 1 基于光谱，灰度共生矩阵和光谱结合灰度共生矩阵预测准确率Table 1 Accuracy for prediction set based on spectral variables(Spe),gray level co-occurrence matrix(GLCM),combined spectral and textural variables(CARS+GLCM),respectively 识别率 Accuracy%灰度共生矩阵（GLCM）光谱和灰度共生矩阵（Spe+GLCM）类型 Type 数量 Number 光谱 Spe PC1 PC1PC2 PC1PC3 Spe+PC1 Spe+PC1PC2 Spe+PC1PC3 1 10 90 70 50 70 100 100 80 2 10 100 40 40 50 100 100 80 3 10 100 60 70 60 90 90 80 4 10 90 40 60 50 100 100 70 5 10 100 50 70 60 100 100 90 Total 50 96 52 58 58 98 98 80 从表1中可以看到，模型在预测时，基于光谱模型识别率为96%，当把PC1图像12个灰度共生矩阵纹理参数作为LS-SVM模型输入时准确率仅为52%，但是把PC1图像12个灰度共生矩阵纹理参数结合光谱变量作为LS-SVM模型的输入，识别率达到98%，当把PC1和PC2的2个图像纹理参数结合光谱变量作为LS-SVM输入时，模型识别率为98%，把PC1、PC2和PC3的3个图像纹理参数结合光谱变量作为LS-SVM输入时，模型识别率仅为80%，表明PC3主成分图像的纹理特征对模型预测精度的贡献率不仅没有提高，反而增加了模型的复杂度，降低了模型的预测精度，尽管把PC2主成分图像的纹理特征导入模型没有降低识别率，但也没有提高模型识别率，因此，根据PC1、PC2和PC3的3个图像纹理参数结合光谱变量比较结果，本文图像信息取PC1主成分图像的12个纹理特征得到的结果为最优。此外，为了得到更有规律性的结论，试验设计内容可以丰富和完善，如把冷藏时间和冻融次数分开，应用高光谱成像技术鉴别鱼肉的不同冷藏时间和冻融次数，冷藏时间应该增加时间节点，由于本研究冷藏时间只有2个时间节点，分别是20和130 d，后续研究应增加冷藏时间节点，如30、35、40和60 d等时间节点，同时针对某一个冷藏时间节点研究不同冻融次数的规律，这样在生产中更有代表性和实际意义，在将来的实际生产、加工、销售中，生产者可以根据不同冷藏时间或者某个冷藏时间节点不同的冻融次数来进行分级，消费者可以快速地做出最佳判断。由于高光谱成像数据包括光谱数据和光谱每个波段的图像数据，无论是采集这些数据还是处理这些数据，对硬件有一定要求，目前还远远达不到在线应用的要求，在后续的研究中可以考虑选择特征波长进一步简化鉴别模型，加快检测速度，从而满足将来实际生产要求。3 结 论 本文基于高光谱成像系统对鱼不同冷冻时间及冻融次数共5个类别进行鉴别，对原始数据进行光谱提取操作和进行主成分分析，得到鱼样品的光谱信息和图像信息。分别提取前3个主成分图像的12个纹理特征变量，共36个特征变量。应用CARS算法对原始光谱降维，提取得到57个波长数据作为光谱建模数据，分别应用LS-SVM模型对光谱信息和图像信息以及两者信息结合建立鉴别模型并加以比较，图像信息模型识别率最高为PC1图像12个灰度共生矩阵纹理参数结合CARS挑选出的57个光谱变量共79个变量作为LS-SVM模型的输入，识别率达到98%。研究结果表明，高光谱成像技术可以用于鱼不同冷冻时间以及冻融次数即低温（20）存贮20 d冷冻解冻1次，低温存贮20 d冷冻解冻2次，低温存贮130 d冷冻解冻1次，第 6 期 章海亮等：基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别 277 低温存贮130 d冷冻解冻2次和新鲜样品共5个类别的评判。参 考 文 献 1 Kimiya T,Sivertsen A H,Heia K.VIS/NIR spectroscopy for non-destructive freshness assessment of atlantic salmon(Salmo salar L.)filletsJ.Journal of Food Engineering,2013,116(3):758764.2 Liu D,Zeng X A,Sun D W.NIR spectroscopy and imaging techniques for evaluation of fish quality-a reviewJ.Applied Spectroscopy Reviews,2013,48(8):609628.3 Calanche J,Samayoa S,Alonso V,et al.Assessing the effectiveness of a cold chain for fresh fish salmon(Salmo salar)and sardine(Sardina pilchardus)in a food processing plantJ.Food control,2013,33(1):126135.4 Ivorra E,Giron J,Sanchez A J,et al.Detection of expired vacuum-packed smoked salmon based on PLS-DA method using hyperspectral imagesJ.Journal of food engineering,2013,117(3):342349.5 Apetrei I M,Rodriguez-Mendez M L,Apetrei C,et al.Fish freshness monitoring using an e-tongue based on polypyrrole modified screen-printed electrodesJ.Ieee Sensors Journal,2013,13(7):25482554.6 Rzepka M,Ozogul F,Surowka K,et al.Freshness and quality attributes of cold stored atlantic bonito(Sarda sarda)gravadJ.International Journal of Food Science and Technology,2013,48(6):13181326.7 Badiani A,Bonaldo A,Testi S,et al.Good handling practices of the catch:The effect of early icing on the freshness quality of cuttlefish(Sepia officinalis L.)J.Food Control,2013,32(1):327333.8 Nunak N.,Schleining G.Instrumental textural changes in raw white shrimp during iced storageJ.Journal of Aquatic Food Product Technology,2011,20(4):350360.9 Qi F S,Liu H Y,Zhang H J.Effects of modified atmosphere packaging on fresh preservation of partially frozen venerupis variegataJ.Journal of Biobased Materials and Bioenergy,2013,7(2SI):290294.10 Costa C,Antonucci F,Menesatti P,et al.An advanced colour calibration method for fish freshness assessment:a comparison between standard and passive refrigeration modalitiesJ.Food and Bioprocess Technology,2013,6(8):21902195.11 唐琳，屠康，潘磊庆，等.基于气味与颜色的脊尾白虾新鲜度评价J.农业工程学报，2011，27(9)：344348.Tang Lin,Tu Kang,Pan Leiqing,et al.Evaluation of e.carinicauda freshness based on odor and color modelsJ.Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2011,27(9):344348.(in Chinese with English abstract)12 Thandavan K,Gandhi S,Sethuraman S,et al.Development of electrochemical biosensor with nano-interface for xanthine sensing-A novel approach for fish freshness estimationJ.Food Chemistry,2013,139(1):963969.13 张军，李小昱，王为，等.电子鼻检测鲢鱼新鲜度的试验参数优化J.农业机械学报，2009，40(4)：129132.Zhang Jun,Li Xiaoyi,Wang Wei,et al.Optimization of experiment parameters for using electronic nose to evaluate freshness of silver carpJ.Transactions of the Chinese Society for Agricultural Machinery,2009,40(4):129132.(in Chinese with English abstract)14 Ocano-Higuera V M,Maeda-Martinez A N,Marquez-Rios E,et al.Freshness assessment of ray fish stored in ice by biochemical,chemical and physical methodsJ.Food Chemistry,2011,125(1):4954.15 Zaragoza P,Fuentes A,Fernandez-Segovia I,et al.Evaluation of sea bream(Sparus aurata)shelf life using an optoelectronic noseJ.Food Chemistry,2013,138(2/3):13741380.16 Kamruzzaman M,ElMasry G,Sun D W,et al.Prediction of some quality attributes of lamb meat using near-infrared hyperspectral imaging and multivariate analysisJ.Analytica Chimica Acta,2012,714(10):5767.17 Sone Izumi,Olsen Ragnar L,Sivertsen Agnar H,et al.Classification of fresh atlantic salmon(Salmo salar L.)fillets stored under different atmospheres by hyperspectral imagingJ.Journal of Food Engineering,2012,109(3):482489.18 ElMasry G,Sun D W,Allen P.Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imagingJ.Food Research International,2011,44(9):26242633.19 Siripatrawan U,Makino Y,Kawagoe Y,et al.Rapid detection of Escherichia coli contamination in packaged fresh spinach using hyperspectral imagingJ.Talanta,2011,85(1):276281.20 Wu Di,Sun Da-Wen,He Yong.Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon filletJ.Innovative Food Science&Emerging Technologies,2012,16(1):361372.21 Wu Di,Shi Hui,Wang Songjing,et al.Rapid prediction of moisture content of dehydrated prawns using online hyperspectral imaging systemJ.Analytica Chimica Acta,2012,726(13):5766.22 Zhu Fengle,Zhang Derong,He Yong,et al.Application of visible and near infrared hyperspectral imaging to differentiate between fresh and frozenthawed fish filletsJ.Food and Bioprocess Technology,2013,6(10):29312937.23 Sivertsen Agnar Holten,Heia Karsten,Stormo Svein Kristian,et al.Automatic nematode detection in cod fillets(Gadus Morhua)by transillumination hyperspectral ImagingJ.Journal of Food Science,2011,76(1):S77S83.24 Shao Y N,Zhao C J,Bao Y D,et al.Quantification of nitrogen status in rice by least squares support vector machines and reflectance spectroscopyJ.Food and Bioprocess Technology,2012,5(1):100107.25 Yu X J,Liu K S,Wu D,et al.Raisin quality classification using least squares support vector machine(LSSVM)based on combined color and texture featuresJ.Food and Bioprocess Technology,2012,5(5):15521563.26 Sun T,Xu W L,Lin J L,et al.Determination of soluble solids content in navel oranges by vis/NIR diffuse 农业工程学报 2014 年 278 transmission spectra combined with CARS methodJ.Spectroscopy and Spectral Analysis,2012,32(12):32293233.27 Hongdong Li,Yizeng Lianga,Qingsong Xub,et al.Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibrationJ.Analytica Chimica Acta,2009,648(1):7784.28 Lu Q,Tang M J.Detection of Hidden Bruise on Kiwi Fruit Using Hyperspectral Imaging and Parallelepiped ClassificationM.Procedia Environmental Sciences,2012,12:11721179/2011 International Conference of Environmental Science and Engineering.Classification of fresh and frozen-thawed fish fillets based on information fusion of image and spectrum Zhang Hailiang1,2,Zhu Fengle1,Liu Xuemei1,2,He Yong1(1.School of Biosystems Engineering and Food Science,Zhejiang University,Hangzhou 310058,China;2.School of Mechanical Engineering,East China Jiao-Tong University,Nanchang 330013,China)Abstract:Salmon has always been regarded as a popular gourmet fish that is consumed