深度特征优化用于增强鱼类新鲜度评估

评估鱼类新鲜度对于确保食品安全和最小化海洋产业经济损失至关重要。然而，传统的感官评估具有主观、耗时且一致性差的问题。尽管近期深度学习进展自动化了视觉新鲜度预测，但仍存在准确率和特征透明度等挑战。本研究引入了一个统一的三阶段框架，用于细化和利用深度视觉表征以实现可靠的鱼类新鲜度评估。首先，对 ResNet-50、DenseNet-121、EfficientNet-B0、ConvNeXt-Base 和 Swin-Tiny 五种最先进的视觉架构进行微调以建立强基线。其次，使用来自这些 backbone 的多级深度特征训练七个经典机器学习分类器，集成深度与传统决策机制。最后，基于 Light Gradient Boosting Machine (LGBM)、Random Forest 和 Lasso 的特征选择方法识别出紧凑且信息丰富的特征子集。在 Freshness of the Fish Eyes (FFE) 数据集上进行的实验表明，最佳配置（结合 Swin-Tiny features、Extra Trees 分类器和 LGBM 特征选择）达到 85.99% 的准确率，显著优于该数据集上最近研究提出的 8.69-22.78%。这些发现确认了该方法在视觉质量评估任务中有效且通用的特性。