UNIVERSITATEA POLITEHNICA BUCURETI

FACULTATEA DE CHIMIE APLICAT I TIINA MATERIALELOR

PROTECIA CONSUMATORULUI. CONTROLUL CALITII PRODUSELOR

Comparaia ntre imagistica hiperspectral i viziunea pe calculator

pentru diferenierea automat a somonului ecologic i cel
convenional de cresctorie

PROFESOR: STUDENT:
Craciun Emanuela Mihaela Donise Andreea Cristina
Grupa PCCCP

BUCURESTI,
2017
 CUPRINS

1. Introducere ____________________________________________________________________ 4
2. Materiale i metode _____________________________________________________________ 8
2.1. Pregtirea probelor ________________________________________________________________ 8
2.2. Sistemul de vizualizare a calculatorului ________________________________________________ 9
2.3. Sisteme de imagistic hiperspectral _________________________________________________ 10
2.4. Calibrarea imaginii RGB ____________________________________________________________ 10
2.5. Explorarea multivariat a imagini ____________________________________________________ 11
2.6. Extragerea de date spectrale ________________________________________________________ 11
2.7. Partiie de date i validarea modelelor calibrate ________________________________________ 12
2.8. Analiza discriminant i modelul de evaluare a performanelor ____________________________ 13
2.9. Selectarea lungimiilor de unde eficiente ______________________________________________ 14
3. Rezultate i discuii ____________________________________________________________ 14
3.1. Exploararea imaginii PCA ___________________________________________________________ 14
3.2. Analiza caracteristic de culoare _____________________________________________________ 15
3.3. Caracteristicile spectrale ale fileurilor de somon ________________________________________ 17
3.4. Clasificarea probelor bazate pe CVS __________________________________________________ 17
3.5. Modelarea pe baza setului spectral I de date ___________________________________________ 19
3.6. Modelarea pe baza datelor din setul spectral II _________________________________________ 25
4. Concluzii _____________________________________________________________________ 27
Bibliografie ______________________________________________________________________ 28

2
 Abstract

Acest studiu a fost realizat pentru a explora potenialul sistemelor de viziune computerizat
(CVS) i a dou sisteme de imagistic hiperspectral (HSI) care acoper gama vizibil i cea cu unde
scurte, apropiat de infrarou (400-1000 nm) i domeniul lung de und apropiat de infrarou (897-1753
nm), pentru diferenierea fileurilor ecologice i convenionale de somon provenite din fermele agricole
n condiii proaspete i refrigerate. Analiza parial a ptrunderilor nediscriminatorii (PLS-DA), maini
vectoriale de suport (SVM) i clasificatoare aleatoare ale pdurilor (RF) au fost utilizate pentru a
construi modele de clasificare pentru recunoaterea i autentificarea probelor testate.

Rezultatele au sugerat c discriminarea hiperspectral a fost mult mai bun dect CVS. Pentru
acelai set de validare, cea mai mare rat de clasificare corect (CCR) echivalent cu 98,2% a fost
prezentat n dou modele SVM, unul fiind construit din variabile spectrale totale la 400-1000 nm, iar
cellalt de la patru lungimi de und optime n aceeai regiune spectral. Cea mai bun predicie pentru
CVS a fost obinut prin utilizarea PLS-DA cu CCR de 83,6% pentru validare, n timp ce cele mai
satisfctoare rezultate pentru HSI la 897-1753 nm au fost obinute prin aplicarea algoritmului SVM pe
regiunea spectral complet, precum i 10 lungimi de und importante cu ambele CCR 92,7% pentru
validare.

Pe scurt, imagistica hiperspectral la 400-1000 nm a prezentat cea mai bun capacitate de

predicie de a diferenia fileurile de somon ecologice i convenionale, n timp ce clasificatorul SVM a
fost confirmat ca fiind foarte puternic pentru analiza multivariabil n cazul nostru. n ansamblu,
rezultatul obinut n urma acestei cercetri a sugerat puternic capacitatea imagisticilor hiperspectrale de
clasificare obiectiv i rapid a celor dou soiuri de somon n condiii de proaspeime i refrigerate.

3
 1. Introducere

n ultimele cteva decenii s-a nregistrat o cretere a cererii de fructe de mare care sunt cultivate
pe baza standardelor ecologice certificate, n special n rile europene. Conform comisiei Codex
Alimentarius (2011) , acvacultura ecologic se refer la procesele i practicile sistemelor de
management ecologic de producie care promoveaz ciclurile biologice, biodiversitatea i activitatea
biologic.

Din punct de vedere tehnic, agricultura ecologic vizeaz n primul rnd optimizarea sntii i
productivitatea comunitilor interdependente din via solului, plantelor, animalelor i oamenilor. Ca
urmare, cnd cei mai muli consumatori vd eticheta ecologic, se gndesc la un produs superior n
comparaie cu soiurile convenionale, din perspectiva mediului, sntii i bunstarea animalelor. n
Europa, principalul produs n acvacultura ecologic este somonul de Atlantic, urmat de speciile
mediteraneene, salmonide de ap dulce i crapul.

Produsul convenional trebuie s aparin speciei Salmo Salar (somon de Atlantic). Forma sa este
caracteristic. Vzut din lateral, petele trebuie sa aib o suprafa rotunjit, iar prile laterale trebuie
s fie suficient de musculoase pentru a susine carcasa i dup eviscerare. Somonul de cresctorie are
un aspect cu reflexe i este de culoare argintie. Culoarea crnii trebuie s aib o intensitate de minimum
26 pe scara Roche. Somonul de crescatorie are o consisten ferm, cu o textur variind de la fibroas
pn la fin. Gustul consistent se pstreaz datorit refrigerrii rapide dup scoaterea din ap.

Somonul crescut ecologic trebuie s prezinte aceleai caracteristici ca cele descrise mai sus, cu
excepia criteriului legat de culoarea crnii, pentru care nu se impune nicio intensitate minima pe scara
Roche. Somonul este hrnit cu alimente compuse, pe baza de fin i ulei de pete, astfel nct s se
asigure toate elementele nutritive necesare. Somonul crescut ecologic este hrnit cu alimente compuse,
pe baz de produse derivate, fin i ulei de pete, certificate ca fiind durabile de ctre organisme
precum Marine Stewardship Council (MSC), dar i cu produse certificate provenind din agricultura
ecologic.

4
 Marin Harvest Ireland (2015), compania mondial de fructe de mare, a susinut c exist trei
diferene principale ntre somonul ecologic i somonul obinuit. n primul rnd, somonul ecologic este
hrnit cu o diet care conine numai ingrediente naturale aprobate din punct de vedere ecologic din
surse durabile, iar toate ingredientele sunt din organisme modificate genetic.

n al doilea rnd, somonul de cresctorie ecologic este crescut n bazine mari care le permit s
urmeze comportamentul lor natural. n al treilea rnd, bazinele de producie ecologic sunt n mod
continuu splate cu ap curat, evitnd orice acumulare de parazii sau poluani. Datorit mediului
natural, sntos i a densitii populaiei sczute, somonul organic este bine recunoscut ca avnd un
tonus muscular i o form bun a corpului, ceea ce face ca somonul de cresctorie ecologic s fie un
produs superior cu un pre mai mare. Cu toate acestea, ntruct exist o distincie redus ntre aspectul,
textura sau aroma dintre cele dou soiuri, nu este de ncredere s depindem de detectarea vederii
umane, n special necorespunztoare n industria piscicol atunci cnd sunt implicate tone de produse
n timpul unei scurte perioade. Adevrul este c, n zilele noastre, controlul somonului ecologic este
att de inadecvat i att de naiv bazat pe ncredere. Prin urmare, creterea pieei ecologice de somon
introduce un potenial risc de fraud, deoarece este o mic distincie de aspect, textur sau arom ntre
dou soiuri.

Prin urmare, exist nevoia de tehnici comune cum ar fi rcirea, nghearea i uscarea, pentru
meninerea calitii, deoarece somonul este foarte perisabil, fiind necesar s se dezvolte instrumente de
inspecie online pentru asigurarea calitii, care ar putea fi, de asemenea, foarte utile pentru stoparea
fraudelor n cadrul organizaiilor existente. Au fost efectuate mai multe studii pentru a investiga
distincia ntre petii slbatici i cei crescuti. n cazul salmonidelor, s-au aplicat n mod normal

5
parametrii compoziionali i izotopi, cum ar fi difereniatorii derivai din msurtorile acizilor grai,
izotopilor stabili, carotenoidelor i modele 13
C-RMN. Cu toate acestea, diferena dintre somonul
ecologic i cel convenional este mai puin investigat. Prin urmare, sunt necesare tehnici adecvate
pentru identificarea rapid, fr contact, automat i precis a somonului de cresctorie ecologic
pentru a proteja consumatorul de produsele etichetate greit n industria petelui.

Sistemul de vizionare a computerului (CVS) a fost utilizat pe scar larg pentru activiti precum
detectarea defectelor, clasificarea forme i clasificarea variettii i gradientului.

n prezent, a fost raportat atribuirea culorii, estimarea fermitii, msurarea coninutului de

grsime i osul de pete n somon. Deoarece CVS funcioneaz la lungimi de und vizibile, nu este
capabil s evalueze atributele de calitate intern care nu sunt detectabile n domeniul vizibil. Prin
urmare, imagistica hiperspectral (HSI) a fost propus ca un instrument analitic versatil i promitor n
controlul calitii alimentelor. Prin integrarea tehnicii imagistice i a spectroscopiei ntr-un singur
sistem, HSI furnizeaz caracteristici fizice i chimice mpreun cu informaii spaiale. Recent, tehnica
HSI a ctigat o recunoatere larg ca o metod eficient i valoroas pentru clasificarea carnii de porc,
discriminarea muchiilor de miel i clasificarea i autentificarea crnii roii. Cu toate acestea, din cele
mai bune cunotine, nu s-au raportat diferente ntre somonul de cresctorie ecologic i cel
conventional, utiliznd viziunea la computer i o tehnic de imagistic hiperspectral.

Analiza parial a celor mai mici ptrate (PLS-DA) este o tehnic chimic popular pentru
clasificarea supravegheat a spectrelor i este din ce n ce mai utilizat n analiza hiperspectral a
datelor pentru clasificare i probleme de discriminare.

Metodele de nvare ale mainii, inclusiv reelele neuronale artificiale (ANN), mainile
vectoriale de susinere (SVM) i pdurile aleatoare (RF) au fost, de asemenea, aplicate n analiza
multivariat. Printre acestea, RF este un roman i puternic clasificator statistic, care este bine stabilit n
alte discipline, dar este relativ necunoscut n cercetarea n domeniul alimentelor. Pdurile aleatoare, un
clasificator de ansamblu bazat pe arbore, a fost demonstrat eficace atunci cnd au fost aplicate la
clasificarea datelor hiperspectrale. Dup cum sugereaz i numele, clasificatorul RF genereaz mai
nti mai muli arbori de clasificare i apoi combin prediciile pentru a obine un rezultat mai precis al
clasificrii. Algoritmul ncepe cu selectarea unui numr mare de eantioane din setul de date. n
general, aproximativ 63% din observaiile iniiale ar aprea cel puin o dat ntr-o prob tipic. Cei care
nu au aprut ntr-un eantion sunt numii observatori extra-sac (OOB). Un arbore de clasificare este
potrivit pentru fiecare eantion, cu doar cteva variabile alese aleatoriu disponibile pentru partiionarea

6
binar la fiecare nod. Arborii sunt cultivai pe deplin i fiecare poate fi utilizat pentru a prezice
observaiile OOB. Clasa prezis este calculat prin votul majoritar al prediciilor OOB, cu legturi
mprite aleatoriu. Accidentele i ratele de eroare sunt calculate pentru fiecare observaie i apoi sunt
calculate n medie pentru toate observaiile. Deoarece observaiile OOB nu sunt utilizate n amenajarea
arborilor, estimrile OOB sunt n esen estimri de acuratee ncruciate. ntre timp, SVM a fost
utilizat cu succes pentru sarcini de clasificare infraroie apropiat, cum ar fi identificarea materialelor
i discriminarea alimentar. Aceast tehnic vizeaz gsirea unei suprafee optime de separare ntre
clase pe baza identificrii vectorilor de suport care reprezint cele mai reprezentative eantioane de
formare din partea clasei. Atunci cnd datele de instruire nu sunt separabile liniar, se aplic o metod
de kernel pentru a simula o proiecie neliniar a datelor ntr-un spaiu cu dimensiuni mai mari, unde
clasele fiind separabile liniar. Una dintre caracteristicile majore ale modelelor SVM este faptul c
performana de generalizare bun poate fi obinut chiar i cu un set de date relativ mic.

Prin urmare, scopul acestui studiu este de a investiga adecvarea utilizrii sistemelor CVS i HSI
n domeniul vizibil la unde scute in infrarou apropiat (400-1000 nm) i unde lungi in infrarou
apropiat (897-1753 nm) pentru autentificarea somonului ecologic proaspat i n condiii de rcire.
Comparativ cu cercetarea anterioar utilizat de HSI, aceast lucrare are cteva nouti. n primul rnd,
aceast cercetare include comparaia dintre CVS i HSI. Deoarece CVS este mult mai ieftina dect
HSI, este avantajos pentru industria alimentar s aleag CVS dac au fost obinute performane
similare de CVS i HSI. Dei RF este un algoritm popular de nvare a mainilor, este rar folosit
pentru imagistica hiperspectral. Prin urmare, este inovatoare s investigheze potenialul RF de a trata
datele hiperspectrale. n plus, filtrul extins modelului de amestec (EMM), care este o tehnologie
avansat de filtrare multivariat, este adoptat pentru a ajuta la simplificarea modelului final i pentru a
mbunti robusteea. Rezultatul acestui studiu ar fi foarte avantajos pentru a asigura consumatorilor i
cumprtorilor de fileuri de somon ecologice autentice. Obiectivele specifice ale acestui studiu sunt (1)
evaluarea i compararea potenialului tehnicilor CVS i HSI bazate pe intervale de lungime de und de
400-1000 nm (setul spectral I) i 897-1753 nm (setul spectral II) pentru a discrimina probele testate
folosind trei algoritmi de clasificare : PLS-DA, SVM i RF; (2) s identifice lungimile optimale care
conin informaiile cele mai importante pentru a clasifica eantioanele de somon convenional proaspt,
ecologic proaspt, convenional refrigerat i ecologic refrigerat; si (3) s evalueze performana
modelelor de discriminare simplificat.

7
 2. Materiale i metode

2.1. Pregtirea probelor

Un total de 80 de fileuri ecologice de somon i 80 de fileuri de somon conventional (Salmon

salar) crescui la ferm, originari din ferma din Irlanda, au fost etichetate i apoi transportate la
laboratoarele de Refrigerare Alimentar i Tehnologie Alimentar Computerizat (FRCFT), University
College Dublin (UCD), Irlanda. Fiecare fileu a fost de aproximativ 200 g n diferite dimensiuni i nu a
fost tiate mai mult de un fileu dintr+un pete. Probele ecologice de somon sunt prevzute cu diete
speciale care conin numai ingrediente naturale provenind din surse durabile i crescute n bazine mari
care le permit s urmeze comportamentul lor natural, cu o densitate a stocului mai mic de 10 kg/m3. n
plus, bazinele de producie ecologic sunt splate continuu cu ap curat pentru a preveni orice
acumulare de parazii sau poluani. Ambele soiuri de somon sunt crescute cu o temperatur de 15,4C
nainte de atingerea dimensiunilor comerciale ntre 3 i 5 kg i dureaz n mod normal ntre 18 i 24
luni.

Toate fileurile au fost depozitate pe ghea n timpul transportului i temperatura din interiorul
zonei de depozitare a fost meninut la -1C pentru a se asigura c fileurile sunt proaspete i de calitate
superioar. La sosire, eantioanele au fost mprite aleatoriu n patru grupe cu numere egale: probe
ecologice proaspete (grupul 1), convenionale proaspete (grupul 2), ecologice refrigerate (grupul 3),
conventionale refrigerate (grupa 4). Grupurile de depozitare (grupurile 3 i 4) se refer la probele
supuse depozitrii timp de 5 zile n condiii frigorifice controlate (1 1 C). Toate cele 160 de
eantioane au fost livrate n dou loturi, cu o perioad de o sptmn ntre ele, fiecare lot cu 40 de
fileuri ecologice i 40 fileuri convenionale incluse. Probele au fost scanate n patru zile, fiecare zi
cuprinznd 20 de probe ecologice i 20 de probe convenionale. Parametrii instrumentului i mediului
au rmas aceiai pentru toate probele. Pentru a evita schimbarea probelor n timpul perioadelor de
scanare, fiecare prob a fost plasat pe tav cu ghea att nainte, ct i dup scanare. Fiecare eantion
a fost scanat pentru prima oar de CVS i apoi de sistemele HSI i nu s-a descoperit nicio scdere
evident a lichidului pe suprafaa somonului n timpul scanrii. Paii cheie pentru ntreaga procedur
sunt rezumai n Fig. 1.

8
 Fig. 1. Etapele-cheie pentru ntreaga procedur de analiz

2.2. Sistemul de vizualizare a calculatorului

Un sistem de vizualizare pe calculator, descris de Valous i colab. (2009), a fost utilizat pentru
capturarea imaginilor (2592-3456 pixeli). Fiecare file de somon a fost iluminat ntr-un fundal albastru
deschis, asemntor culorii benzilor transportoare, uneori utilizate n fabricile de prelucrare a petelui.

9
Patru lmpi fluorescente au fost aranjate sub forma unui ptrat, la un unghi de 45 n funcie de
eantionul.

2.3. Sisteme de imagistic hiperspectral

In aceasta lucrare au fost utilizate doua sisteme de imagistica hiperspectral cu domenii spectrale
de 400-1000 nm (Sistem I) i 897-1753 nm (Sistem II). Sistemului I este descris avnd rezoluia
efectiv a detectorului CCD de 580x121 pixeli (spaial x spectral) cu rezoluia spectral de 5,0 nm.
Principalele componente ale sistemului II includ un spectrograf, o camer CCD de 12 bii cu lentila de
focalizare, dou lmpi de 500 W cu halogen pentru iluminare, o etap n micare acionat de un motor
pas cu pas i un sistem informatic cu software SpectraCube. Spectrograful cu o cretere spectral de
aproximativ 3,34 nm ntre benzile nvecinate a avut o fant intern de dimensiune fix (30 m) pentru a
desemna un cmp vizual (FOV) pentru linia spaial (direcia orizontal a pixelilor). Rezoluia efectiv
a detectorului CCD a fost de 320x256 pixeli (spaial x Spectral). Fiecare fileul a fost plasat n mod
individual pe masa n micare i a fost scanat linie cu linie la o vitez de 2,7 cm/s ajustat pentru a
furniza rezoluia vertical i orizontal (0:58 mm / pixeli). Imaginile obinute au fost stocate n format
brut i corectate cu imaginile reflectate pe baza metodei propuse de Wu i Sun (2013). Ambele sisteme
dureaz aproximativ 10 secunde pentru a dobndi o imagine a unui eantion de somon. n aceast
lucrare, s-au obinut dou seturi de date spectrale, care au avut intervalele de lungimi de und de 400-
1000 nm (setul spectral I) i respectiv 897-1753 nm (setul spectral II). Pentru a elimina semnalul de
zgomot la nceputul i sfritul regiunii spectrale, au fost reduce in setul spectral I lungimile de unde
variabile de la 121 la 105 i n setul spectral II au fost scazute de la 256 la 180. Toata calibrarea, urmta
de extracie i analiza datelor multivariabile au fost programate n software-ul Matlab 8.5 R2015a.

2.4. Calibrarea imaginii RGB

n industria alimentar, CVS este cea mai important parte implementat n RGB, HSV (nuan,
saturaie i valoare) i modele spaiului de culoare CIELab. Printre acestea, modelul de culoare RGB
este bine recunoscut ca reprezentant. Cu toate acestea, spaiul RGB nu este destul de perceptiv uniform
i nu reprezint n mod eficient culoarea perceput de oameni n mod natural. In acest studiu, modelul
spaiului de culoare CIELab selectat a fost din cauza uniformizrii percepiei, care a fost sugerat c este
cel mai bun spaiu de cuantificarea a culorii n produsele alimentare.

10
 Dup obinerea imaginii RGB, calibrarea culorilor a fost realizat pentru a se asigura c imaginea
capturat de camera digital poate reprezenta cu adevrat petele, cnd vine vorba de dimensiunea lui
real i de culoare. Conform metodei propuse de Leon i colab. (2006) calibrarea a fost realizat
utiliznd cardul SalmoFan (interval: 21 [portocaliu deschis] la 34 [rou nchis]). Valorile originale
L*a*b pentru fiecare nivel de culoare au fost nregistrate de un colorimetru. Ulterior, un model liniar a
fost implementat pentru a transforma valorile RGB in fiecare pixel la valori de culoare L*a*b i
coeficienii au fost calculati prin minimizarea erorii dintre valorile iniiale L * a * b i cele estimate.

2.5. Explorarea multivariat a imagini

Rezultatul final al msurrii unei imagini hiperspectral este un set de date 3-D numit Hipercuba
cu o singur dimensiune spectral () i dou dimensiuni spaiale (x, y). Fiecare hipercuba n acest
studiu conine o clas de fileu de somon i un fundal. Acesta cuprinde de obicei mii de spectre
(semntura spectral) distribuite pe suprafaa msurat (semntura spaial). Astfel, este esenial s se
exploreze i s se neleag structura imaginii hiperspectrale pentru a selecta instrumentele adecvate
pentru scopul propus. Dintre toate metodele de explorare multivariat, analiza componentelor
principale (PCA) este cea mai versatil i utilizat pe scar larg. Aceasta are ca scop studierea
variabilitii (variana) prin mprirea hipercubului ntr-un set de scoruri de suprafa spectrale i
ncrcri. n aceasta lucrare, o hipercurb a fost selectat aleatoriu din fiecare clas i desfurat
pentru a forma o matrice dimensional unde fiecare rnd reprezint fiecare observaie i fiecare coloan
se refer la o lungime de und variabil. Rndurile de fond au fost terse din fiecare matrice. n cele din
urm, patru matrici au fost unite rezultnd o singur matrice care s conin toate informaiile utile ale
fiecrui hipercub. Prin urmare, modelul PCA poate fi construit pe baza acestei singure matrice.

2.6. Extragerea de date spectrale

Segmentarea imaginilor este un pas esenial pentru a separa fileul de somon din fundal. In acest
studiu, fiecare imagine a fost prelucrat i analizat n mod individual pe baza procedurii de mai jos. In
acest studiu, benzile 465 nm i 755 nm au fost utilizate n seturi spectral I cu o valoare 0,15, benzile
944 nm i 1450 nm au fost utilizate n regiunea 897-1753 nm, cu o valoare de 0,2. Benzile selectate i
valorile ar putea schimba segmentarea rezultatul imaginii hiperspectrale individuale. O masc binar
pentru ndeprtarea fundalului a fost ulterior generat cu toate regiunile de fundal setate la zero.
Elementele nenule n pauzele mascate au fost utilizate n principal ca ROI pentru a extrage date

11
spectrale din imaginea hiperspectrala. Spectrele de reflexie a tuturor pixelilor in cadrul ROI au fost
mediate pentru a reprezenta fiecare prob.

2.7. Partiie de date i validarea modelelor calibrate

n aceast lucrare, calibrarea modelului a fost construit folosind setul de calibrarea (sau de
formare) i validarea stabilit de un set independent (sau un set de validare sau predicie). Ar trebui s
fie remarcat faptul c n cercetarea curent, imaginile CVS i imagini hiperspectrale n dou intervale
de lungimi de und diferite au fost achiziionate de la aceleai 160 de probe, care nseamn c
comparaia a fost fcut pe baza acelelor probe testate. Mai exact, 160 de probe de somon au fost
mprii n dou grupuri aleatoriu: 105 eantioane (aproximativ 2/3 din toate probele) au fost selectate
ca set de calibrare, iar restul de 55 de eantioane (aproximativ 1/3 din toate probele) au fost utilizate ca
set de validare. ntre timp, un test t a fost efectuat pentru a se asigura c seturile de calibrare i de
validare sunt reprezentative. Deoarece studiul actual a fost comparat pentru potenialul i capacitatea
diferitelor sisteme pentru a clasifica probele organice i conventionale de somon, ar trebui s se asigure
c toate modelele sunt strict construite de acelasi set de date de calibrare i validate cu setul de testare
independent.

naintea modelelor au fost stabilite, mai multe metode spectrale de pre-procesare, inclusiv centru
de medie, multiple corecii scatter (MSC), i modelul amestecat extins (EMM) unde filtru a fost aplicat.
ntr-un mod simplu, filtrele multivariate pot fi considerate ca modelul de filtre care elimin anumite
tipare printre variabile. Datele care rezult, conin numai acele tipare covarian care au trecut prin
filtru i sunt, n mod ideal, utile sau interesante n contextul modelului, filtrul EMM, care este unul
dintre cele mai puternice filtre multivariate, este capabil s identifice o anumit structur de covarian
nedorite (de exemplu, modul n care variabilele se schimb mpreun) i de a elimina aceste surse de
variaie nainte de calibrare sau de predicie. n cazul unei probleme de clasificarea eantioanelor
similare sunt, de obicei, membri ai unei clase date. Orice variaie in cadrul fiecrei grup de clas poate
fi vzut ca dezordine, care va face sarcina de clasificare mai grea. Scopul filtrului EMM n acest caz
este de a elimina aceast variant ct mai mult posibil, fr a mpreun clasele mai apropiate (variaia
ntre clasa). Se crede c utilizarea metodelor filtrarii multivariat inaintea modelul de calibrare poate
ajuta la simplificarea modelului final.

12
 2.8. Analiza discriminant i modelul de evaluare a performanelor

Au fost construite modele discriminante folosind clasificatori PLS-DA, SVM i RF ntre matricea
X care conine spectrul de calibrare i corespunztori matricii Y care conine identificarea pentru
fiecare clas. In acest studiu, modele PLS-DA au fost efectuate folosind algoritmul de tip PLS2, care
nseamn c matricea Y are mai multe coloane ca clase i mai multe rnduri decat mostrele folosite
pentru calibrare. Acesta este cunoscut ca matricea dummy i acesta conine doar 1 i 0, indicnd
apartenenta sau neaparinnd unui spectru la o anumit clas. Presupunnd c rata de predicii ntre 0 i
1 reprezint o distribuie normal, pragul este determinat la care numrul de rezultate fals pozitive i
fals negative este redus la minimum. SVM a fost limitele sale proprii inevitabile, cum ar fi parametrii
de optimizare i lipsa modelului interpretabil. Parametrii SVM, inclusiv costul i gamma sunt dificil de
a selecta deoarece nu exist nicio modalitate simpl de a determina ce valori ar oferi un model mai bun.
Prin urmare, reglarea parametrilor SVM este un pas critic i este necesar s se efectueze cutarea
parametrul care variaz pentru modelele SVM de testare i a afla ce combinaie de parametru
funcioneaz cel mai bine pentru data.

In acest studiu, performana fiecrui model stabilit a fost evaluat prin calcularea ratei de
clasificare corect (CCR), care se exprim conform urmtoarei ecuaii:

1
= 100%
2

unde N1 este numrul de probe clasificate n mod corect i N2 este numrul total de probe. ntre timp,
modelele au fost evaluate statistic folosind sensibilitatea, specificitatea i eroarea de clas.

=
+

=
+
+
=
2

n ecuaiile, TP i TN sunt adevrate pozitive i adevrate negativ, n timp ce FP i FN sunt fals

pozitive i fals negative.

13
 2.9. Selectarea lungimiilor de unde eficiente

Imaginea hiperspectrala are o dimensionalitate ridicat cu coliniaritate i reductan pintre

lungimile de und nvecinate. Unele lungimi de unda congruente sunt legate de constitueni similari n
timp ce unele benzi pot conine informaii irelevante sau zgomot. Prin urmare, selectarea lungimii de
und ar trebui efectuate pentru a optimiza datele analizate i a economisi timp pentru a calcula.
Selectarea lungimilor de und mai informative n loc de spectru a fost demonstrat prin rezultatele mai
predictive n multe situaii. In acest studiu, intervalul PLSD (iPLSDA) de selecie variabil a fost
aplicat pentru a mbunti acurateea modelelor de clasificare i de a simplifica complexitatea lor.
Dimensiunea intervalului a fost stabilit la 1 i numrul maxim de variabile latente a fost implicit 10.
Lungimile de und optime n cele dou regiuni, au fost selectate de ctre iPLSDA i folosite pentru a
construi noi modele.

3. Rezultate i discuii

3.1. Exploararea imaginii PCA

Rezultatele tipice pentru aplicarea modelului PCA concentrat pe un spectru non-fond pentru
fiecare clas sunt prezentate n Fig. 2. Este important s ne amintim c PCA a fost efectuat pe cele
patru hipercube care nu sunt separate. Acest model PCA a fost realizat pe baza spectrului n intervalul
400-1000 nm i pre-procesat prin corecie scatter multiple (MSC) i centru mediu. Cantitatea total de
varian explicat prin primele trei componente principale (PC) a fost mai mare dect 76%, indicnd
faptul c principalele diferene sunt prezentate n cadrul acestor trei PC-uri. Din moment ce fiecare
material are o semntur spectral unic pe baza proprietilor fizico-chimice, semntura spectral
specific afiajelor n comparaie cu cea a muchiului rou n cadrul aceleiai fileu. Acesta se gsete n
imaginile n care fiecare fileu de somon conine o variaie mare, aa c nu este posibil s se diferenieze
aceste patru clase de imagini folosind o metod de pixeli. Fiecare clas conine imaginea de variaie n
diferite proporii, ceea ce nseamn c diferenierea ar putea fi realizat pe baza spectrului mediu cu
algoritm adecvat de clasificare. Vizual, PC 1 are unele variaii datorate morfologiei probe la margini.
De asemenea, se poate observa c probele depozitate au prezentat valorile globale mai mari dect
grupurile proaspete n PC 1. n conformitate cu ncrcarea complet corespunztoare, poate fi constatat
c aceast diferen este n cea mai mare contributia la lungimea de und centrat la 630 nm. Afiajul

14
PC 2 are variaia major ntre banda muscular alb i rou. n ceea ce privete PC-3, se observa n mod
clar c grupurile organice au mult mai muli pixeli n rou n comparaie cu grupurile convenionale.
ntre timp, unii pixeli zgomotoi sunt identificate n PC-3

Fig. 2. Modelul PCA a hipercubului n ntreaga gam de 400-1000 nm. Top: imagini de la PC 1, PC 2, i PC 3.
Partea de jos: ncrcrile corespunztoare.

3.2. Analiza caracteristic de culoare

Percepia culorii n spaiul L*a*b este uniform, ceea ce nseamn c distana euclidian dintre
dou culori corespunde aproximativ diferenei de culoare perceput de ochii umani. In specificitate, L
este component de luminan sau luminozitatea care merge de la 0 (negru) pn la 100 (alb), n timp ce
indicii a (de la verde la rou) i b (de la albastru la galben) sunt cele dou componente cromatice,
variind de la -120 la +120. Fig. 3a compar diferenele de imagine ntre o proba convenional i un
fileu ecologic (selectate aleatoriu n grupurile testate) n canale L, a i b dup segmentarea imaginilor.

15
Aspectul perceptibil, textura sau culoare difer ntre imaginea eantionului convenional cu valoarea
medie L* de 60,29 06:49, valoarea a * de 37.09 4,96 i valoarea b* de 28.52 04:07 i ecologic
(60,79 7,13 38,00 05:53, 32,35 4:07), care nu poate fi imaginea obinut la prima vedere.
Distinciile au fost observate uor pentru a fi capturate unde imaginile au fost nepliate. De exemplu, n
imaginea cu fileul ecologic, glbuiul poate fi observat n mod clar mai mare dect cea din categoria
convenional (32.35 vs 28.52). Prin urmare, valorile medii de intensitate ale fiecarei probe din grup
obinute din canale L*, a* i b* sunt afiate n Fig. 3b. Distinciile de culoare ntre cele patru categorii
sunt reprezentate de diferene clare ntre media valorii nrosite (a*) i nglbenit (b*). Valorile b* din
toate eantioanele au fost n intervalul 24.97-32.70, cu cele mai mari valori gsite n fileurile ecologice
de somon refrigerate depozitare n frigider i cele mai mici n somonul convenional de cresctorie
proaspt. Un tend similar se poate observa n canalul a*. Pentru a rezuma, media culoarii somonului
ecologic a fost roiatic i glbuie n timp ce grup convenional i depozitat la rece a fost capabil de a
sporii roeaa i tenta glbuie.

Fig. 3. Analiza caracteristic a somonului ecologic i convenional crescut n ferm. Imagini depliate n
canale L*, a* i b* (a); media L*a*b celor patru grupe(b); medie (linia plin) i deviaia standard (linia
punctat) din spectrele de reflexie din setul de calibrare n setul spectral 1 (c) i setul spectral II (d).

16
 3.3. Caracteristicile spectrale ale fileurilor de somon

Profilele spectrale extrase din imaginile hiperspectrale n setul spectral I i setul spectral II sunt
prezentate n Fig. 3c i d, cu media i deviaia standard a spectrelor. n setul spectral I, modelul spectral
expus a prezentat absorban ridicat n regiunile de albastru i verde (circa 400-550 nm) i absorbana
sczut n regiunea roie (aproximativ 600-700 nm), care au reprezentat pentru somonul proaspt
culoarea rou/roz. Prezena apei n somonul proaspt a scos n eviden caracteristicile la trei lungimi
de unda de 760 nm n Fig. 3c i 980 nm i 1450 nm n Fig. 3d. n plus, picul de absorbie, n jurul
valorii de 1200 nm arat coninutul de grsime. n general, sa observat c cele patru grupuri au mprit
similare modele spectrale asupra ntregii regiuni spectrale.

Comparativ cu setul spectral II, setul spectral I a artat diferene clare n magnitudinea de reflexie
spectral. Dup cum se poate observa, somon proaspt convenional a avut cea mai mare valoare de
reflexie asupra regiunii setului spectral I, n timp ce cea mai mic reflexie a fost gsit n probele
ecologice depozitate la rece. De asemenea, este de remarcat faptul c somonul ecologic ntotdeauna are
cea mai mic reflexie n aceleai condiii de stocare i prin refrigerare i depozitare a sczut valorile de
reflexie n aceeai categorie de produse agricole. Aceeai situaie similar nu a fost gsit n setul
spectral II, n cazul n care probele convenionale depozitate la rece au prezentatat cele mai mari valori
de reflexie.

3.4. Clasificarea probelor bazate pe CVS

Fiecare prob a fost reprezentat printr-o matrice cu media L*a*b valorilor calculate din
imaginile segmentate. Clasificatoarele PLS-DA, RF i SVM au fost aplicate pentru a construi modele
de clasificare, iar rezultatele lor sunt prezentate n tabelul 1. Dup cum se poate observa, modelul PLS-
DA a dat un rezultat mai bun, n comparaie cu clasificatoare RF i SVM cu CCR mai mare de 83.63%
n validarea i 79,2% n validarea ncruciat. Rezultatele clasificrii datelor de validare sunt prezentate
n tabelul 2 sub forma unei matric. Numerele grupurilor clasificate n mod corect sunt plasate pe
diagonal, n timp ce numerele de pe diagonal denot clasificrile eronate. Din cele 55 de probele de,
46 au fost corect identificate, n timp ce 2 probe ecologice proaspete au fost clasificate greit ca fiind
convenionale n stare proaspt i 3 au fost incorect identificate ca somon ecologic stocat la rece. Intre
timp, 3 probe conventionale depozitate la rece au fost clasificate greit ca convenionale proaspete i o
proba a fost identificat greit ca somon ecologic depozitat la rece. Motivul incapacitii de a clasifica
corect grupul 1 i 4 se datoreaz e faptul c somonul ecologic proaspt (grupul 1) i cel convenional
17
depozitat la rece (grupul 4), prezint modele de culori apropiate cu alte grupuri. Deoarece somonul
convenional proaspt (grupul 2) i somonul ecologic depozitat la rece (grupa 3) au artat cea mai mare
diferen n ambele valori medii L*a*b i valorile reflectanei n setul spectral I cu grupele 1 i 4 situat
n mijloc, fiind destul de rezonabil pentru a obine rezultatului unde niciun eantion din grupul 2 nu a
fost clasificat n mod incorect ca grupul 3 i nvers. Rezultatele statistice detaliate pentru parametrii de
clasificare sunt prezentate n tabelul 3. Rezultate similare au fost obinute n tabelul 3 n cazul grupele 1
i 4 au afiat o sensibilitate general mai sczut, specificitatea i eroarea de clasificare mai mare.
Performana de validare n modelul PLS-DA a fost mai bun dect performana de calibrare i validare
ncruciat, ceea ce arat c acest model poate prezenta rezultate prea optimiste. Rezultatele curente au
sugerat ca CVS are potenialul de a discrimina ntre diferite grupe de probe de somon, dar unele
mbuntiri sunt necesare pentru a le permite utilizarea online.

Tabelul 1: CCR-urile modelelor de instruire i predicie prin utilizarea clasificatorilor PLS-DA, SVM i RF

Tabelul 2: Matricea de confuzie obinut de la modelul PLS-DA pe baza datelor CVS.

18
Tabelul 3: Sensibilitate, specificitate i eroare de clas a modelului PLS-DA pe baza datelor CVS.

3.5. Modelarea pe baza setului spectral I de date

In mod specific, MSC, filtru EMM i media au fost utilizate ca tehnici de pre-procesare pentru a
construi modele robuste de clasificare. Mai n detaliu, datele spectrale pentru seturile de calibrare i de
validare au fost prelucrate mai nti prin MSC cu un spectru mediu de calibrare stabilit ca spectrul de
referin. A fost folosit un filtru EMM pentru a produce o matrice de filtrare multivariat bazat pe un
set de calibrare cu un singur parametru reglabil setat la 0,001. Acest parametru definete ct de
puternic, filtrul EMM, efectueaz interferene de diminuare a greutii. O valoare mai mare de va
duce la scderea efectului filtrului. Matricea de filtrare poatw fi aplicat pe ambele date de calibrare
naintea modelului de clasificare unitate, precum i orice alte date de testare stabilite nainte de
aplicarea modelului.

Dup cum se arat n Tabelul 1, clasificatorul PLS-DA demonstreaz o performan de predicie

minunat bazate pe variabilele spectrale complete n setul spectral I, obinnd un rezultat satisfctor cu
CCR de 96,1% pentru calibrare, 94,5% pentru validare i 95,1% pentru validare ncruciat.
Performana detaliat este expus n Fig. 4. n acest model, trei variabile latente (LVS) au fost selectate
pentru a verifica evoluia erorii de clasificare (clasa de eroare) pentru calibrare i validare ncruciat
(Fig. 4a). Desi numai primele trei LVS contributie la 50.19% din variaia total, acestea au fost
confirmate ca fiind reprezentative pentru informaiile spectrale. Acest lucru se datoreaza faptului ca
filtru de EMM a filtrat alte diferene ntre msurtorile care ar trebui s fie aceleai i s pstreze
diferenele care erau n principal utile pentru clasificarea ntre diferite clase. Scorul integral este
prezentat n Fig. 4b care confirma n continuare c rata grupurilor de somon testate a fost diferit
spectral i tiparele pot fi deosebite cu uurin n cele patru grupuri. Se constat c probele de somon
19
proaspete convenionale i ecologice depozitate la rece au fost destul de departe, care este n bun
concordan cu profilurile spectrale din Fig. 3c. ntre timp, cele mai multe probe ecologice au avut
scoruri negative asupra LV 2 i celr mai multe convenionale s-au situat n partea pozitiv, artnd
posibilitatea c clasificarea ntre probe convenionale i ecologice nu conteaz dac probele au fost n
stare proaspt sau nu. In plus, LV 1 prevedecapacitatea de discriminare ntre probele proaspete i cele
depozitate la rece, cu cele mai multe probe proaspete localizate pe partea negativ i cele rcite din
partea cealalt. Au fost gsite grupuri discrete relativ mai mici n grupurile ecologice, ce au demonstrat
c care erau fileurile de somon convenionale mai deosibite n proprietile lor fizico-chimice. Mai
important, curbele ROC sunt observate de asemenea n Fig. 4c. Punctul rou n figur denot pragul
obinut. ASC se aplic de obicei ca o msur a calitii modelelor de clasificare. Un clasificator
ntmpltoare echivalent AUC la 0,5, n timp ce ASC pentru un clasificator perfect este egal cu 1. Prin
urmare, valorile ridicate ale ASC apropiindu-se de 1 demonstrate n Fig. 4c indic capacitatea puternic
a acestui model. Alegerea pragului de decizie este prezentat, de asemenea, n aceast cifr pentru a
obine combinaia optim a valoriilor de sensibilitate i specificitate.

20
Fig. 4. Performana modelului PLS-DA a fost dezvoltat la lungimi de und complete de 400-1000 nm. (A):
eorile de clasificare pentru validarea i etalonarea ncruciat; (B): graficul de scoruri; (C) curbele ROC
previzionate i rspunsul anticipat.

21
Pe baza lungimilor de und selectate, au fost dezvoltate trei modele optimizate PLS-DA, SVM i
RF. Comparativ cu rezultatele modelelor originale bazate pe spectrul complet, modelul RF a
demonstrat performane slabe de clasificare. Cu toate acestea, 96,2% din lungimile de und
eliminate n intervalul 400-1000 nm (4 vs 105), performana bun a modelului SVM rmne
aceeai cu CCR de 98,2% pentru validare. Pentru acest model redus SVM, s-au observat, de
asemenea, valori CCR uor mai sczute n calibrare i validare ncruciat. Dar acest lucru nu
depete limita de toleran, deoarece toate aceste CCR-uri sunt ntr-adevr destul de apropiate
ntre ele. Dup cum s-a menionat mai sus, este foarte important selectarea parametrilor SVM
optimali, cum ar fi costul care reprezint pedeapsa asociat erorilor i gamma care controleaz
forma hiperplanei de separare. Metoda standard de a explora a acetor doi parametri este prin
intermediul grilei de cutare; punctele de gril sunt n general alese la o scar logaritmic i rata de
clasificare greit este estimat pentru fiecare punct din reea. Valoarea costului rezultat pentru
acest model a fost de 100, iar gama a fost 0,001. Rezultatele pot fi de asemenea vizualizate ca
buci ale numrului de eantion pe abscis i probabilitatea de predicie pentru fiecare clas pe
ordonat dup cum vedem din Fig. 5a. Calculul probabilitii ca o mostr s aparin unei anumite
clase va lua n considerare incertitudinea parametrilor. Probabilitatea ar trebui s fie aproape de
unitate pentru eantioanele, aparinnd unei clase date i aproape de zero pentru eantioanele
rmase. Matricea de confuzie din Tabelul 4 arat n continuare c doar o prob ecologic stocat la
rece a fost clasificat greit n grupa ecologica proaspt. Mai mult, rezultatele statistice acceptabile
au fost obinute n Tabelul 5. Valorile globale ridicate ale sensibilitii i specificitii ofer dovezi
clare c acest model este robust i promitor.

22
Fig. 5. Probabilitatea de predicie a modelelor SVM simplificate construite din (a) patru lungimi de und
importante din Setul Spectral I i (b) 10 lungimi de und importante din Setul Spectral II.

23
 Tabelul 4: Matricea obinut de la modelul SVM bazat pe patru lungimi de und de la 400-1000 nm.

Tabelul 5: Sensibilitate, specificitate i eroare de clas a modelului SVMa bazat pe patru lungimi de und
optime de la 400-1000 nm.

Imaginile de reflexie cu patru clase de probe au fost generate la aceste patru lungimi de und
selectate (figura 6). Diferenele de reflexie n distribuia spaial pot fi observate n cadrul aceluiai
eantion i ntre diferite clase. Se observ c eantioanele convenionale de somon au prezentat un
raport mai mare de reflexie cu o reflectan redus dect grupurile organice la aceste patru lungimi de
und. n plus, atunci cnd se uit la lungimea de und de 630 nm, nu este dificil de constatat c proba
convenional proaspt posed un procent mult mai mare de pixeli de nalt reflectan dect somonul
convenional pstrat la rece, ceea ce confirm din nou faptul c 630 nm au un impact semnificativ
asupra diferenierii la diferite condiii de mediu.

24
 Fig. 6. Imaginile colorate obinute la patru lungimi de und importante de 470, 490, 510 i, 630 nm

3.6. Modelarea pe baza datelor din setul spectral II

De asemenea, clasificatorii PLS-DA, SVM i RF au fost explorai pentru a construi modele de

clasificare bazate pe gama 897-1753 nm i rezultatele sunt prezentate i n tabelul 1. n mod interesant,
clasificatorul PLS-DA a produs cea mai slab performan de clasificare n acest caz, n timp ce
modelul SVM a prezentat nc cea mai bun performan cu CCR-uri de 100%, 86,4% i 92,7% pentru
calibrare, validare ncruciat i respectiv, validare. n ceea ce privete RF, a artat un rezultat median
cu CCR de 100%, 86,4% i 85,5% pentru calibrare, validare ncruciat i respectiv validare.

Similar modelului pentru setul spectral I, lungimile de und informative care au furnizat cele mai
utile informaii au fost apoi selectate pentru a simplifica modelele de discriminare i au fost dezvoltate
ulterior noi modele de clasificare. n acest studiu, 10 lungimi de und (911, 957, 1048, 1068, 1138,
1222, 1232, 1245, 1316 i 1399 nm) au fost recunoscute drept lungimi de und eficiente n scopul
optimizrii. Dup cum s-a menionat mai sus, profilul spectral din Fig. 3d a prezentat un maxim de
absorbie situat la 1200 nm din cauza coninutului de grsime, ceea ce face ca selecia a 1222 i 1232
este rezonabil. n ansamblu, precizia de clasificare bun n setul spectral II a fost posibil pe baza
faptului c probele de somon testate au avut variaii rezonabile n proprietile lor chimice. n mod
analog, modelul SVM simplificat a artat exact acelai CCR de 92,7% pentru validare ca cel al
modelului cu spectru complet. Pentru o comparaie corect, probabilitatea de predicie pentru acest
model SVM redus este reprezentat n fig. 5b. Din punct de vedere vizual, performana modelului
pentru modelul SVM redus n setul spectral I a fost semnificativ mai bun dect n setul spectral II,

25
chiar dac au fost doar patru variabile importante ale lungimii de und n setu spectral I, dar 10 n setul
spectral II. Parametrii care au rezultat, au inclus valoarea costului de 1 i gamma de 0,316. Matricea de
confuzie din Tabelul 6 a artat n continuare c 51 de eantioane din 55 au fost clasificate corect, unde
au fost clasificate eronat 2 probe din grupa 1 (ecologice proaspete) i 2 din grupa 4 (convenionale
pstrate la rcire). Acest rezultat este n concordan cu rezultatul din tabelul 2 obinut din CVS.
Rezultatele statistice detaliate pentru acest model sunt prezentate n Tabelul 7. n mod evident, exist
valori de sensibilitate i specificitate dezechilibrate pentru anumite clase. De exemplu, pentru validarea
ncruciat, sensibilitatea pentru grupul 3 este de 0,692, n timp ce specificitatea atinge 0,909. Pe scurt,
rezultatele globale au sugerat c modelele de clasificare construite din setul spectral II au produs
performane moderate.

Tabel 6: Matricea de confuzie obinut de la modelul SVM bazat pe zece lungimi de und optime de la
regiunea 897 la 1753 nm.

Tabel 7: Sensibilitate, specificitate i eroare de clas a modelului SVM bazat pe zece lungimi de und optime
de la regiunea 897 la 1753 nm.

26
 4. Concluzii

Modele L*a*b au aratat c CVS ar putea fi folosite n discriminarea rapid i neinvaziva ntre
soiurile ecologice i convenionale de somon crescut n ferme la diferite etape de prospeime, dar sunt
necesare mbuntiri suplimentare. n final, rezultatele au demonstrat un potenial mai mare la
imagistica hiperspectrala comparativ cu imaginile conventionale RGB, cu 98,2% din probe clasificate
corect pentru predicie folosind fie variabilele spectrale complete sau patru lungimi de und optime n
setul spectral I. Comparativ cu modelele HSI calculate din date, modelele de date dezvoltate cu L*a*b
au fost de o performan relativ slab, fie de calibrare sau un set de validare, probabil, din cauza datelor
spectrale care ar putea explica atributele interne (compoziii chimice, structura esuturilor, etc.) din
carnea de somon, care a avut o contribuia mai mare dect culoarea diferena n diferenierea intre cele
patru grupuri.

n general, modelele de clasificare stabilite pentru setul spectral I au artat ntotdeauna cele mai
bune performane. Patru lungimi optime de und n setul spectral I i 10 n setul spectral II au fost
colectate prin metoda de selecie iPLSDA, care a indicat c benzile de absorbie semnificative n
regiunea setului spectral I au fost n majoritatea asociate cu astaxanthin si modificarea culoarii cauzate
de diferite forme oxidate de proteine, n timp ce benzile de absorbie n setul spectral II au fost legate
de compoziii chimice. Clasificatorul SVM a fost dovedit a fi cel mai puternic algoritm n cazul nostru.
Primele patru cele mai bune modele de clasificare n ceea ce privete rezultatele de validare n aceast
lucrare au fost realizate prin utilizarea SVM. Cum spuneam, clasificatorul RF a avut tendina de a
prezenta ntotdeauna o diferen relativ mic ntre validarea CCR i o eco-validare, indicnd robusteea
acestui algoritm. ntr-o scurt concluzie, acest studiu sugereaz c rata cea mai buna pentru a clasifica
somonul ecologic i cel convenional de cresctorie n condiii proaspete i stocat este de a folosi
tehnica de imagistica hiperspectral acoperind regiunea spectral de 400-1000 nm n colaborare cu
clasificatori SVM sau RF. Din moment ce ancheta a fost efectuat n modul off-line, cercetarea
suplimentar este necesar la scar industrial, astfel aceast tehnic ar putea fi folosita pentru aplicaii
on-line.

27
Bibliografie

1. Jun-Li Xu, Cecilia Riccioli, Da-Wen Sun, Comparison of hyperspectral imaging and computer vision for
automatic differentiation of organically and conventionally farmed salmon, Journal of Food Engineering 196
(2017) 170-182
2. Amigo, J.M., Babamoradi, H., Elcoroaristizabal, S., 2015. Hyperspectral image analysis. A tutorial. Anal.
Chim. Acta 896, 34-51.
3. Aursand, M., Standal, I.B., Prael, A., McEvoy, L., Irvine, J., Axelson, D.E., 2009. 13C NMR pattern
recognition techniques for the classification of Atlantic salmon (Salmo salar L.) according to their wild,
farmed, and geographical origin. J. Agric. Food Chem. 579, 3444-3451.

28