Применение гиперспектральной визуализации и искусственного интеллекта для контроля свежести рыбного сырья при холодильном хранении

Введение: Мониторинг свежести охлажденной рыбы остается одной из наиболее сложных задач рыбоперерабатывающей отрасли. Существующие стандартные методы контроля являются деструктивными и не способны отразить пространственную неоднородность распределения маркеров порчи. Перспективным направлением является разработка неразрушающих методов анализа, таких как гиперспектральная визуализация (HSI), позволяющая получать пространственную и спектральную информацию для каждого пикселя изображения.

Цель: Целью настоящего исследования является оценка эффективности использования гиперспектральной визуализации для бинарной классификации образцов охлажденного филе радужной форели по признаку раннего (до 48 ч) и позднего (более 48 ч) срока хранения.

Материалы и методы: Исследование проводилось на образцах филе радужной форели, хранившихся при температуре +2 ± 2 °C в течение 16 суток. Для получения гиперспектральных изображений использовалась камера FigSpec FS-23 (диапазон 400–1000 нм). Проводился анализ главных компонент (PCA), а для бинарной классификации образцов была разработана нейросетевая модель на основе фреймворка TensorFlow и высокоуровневого API Keras.

Результаты: Выявлена характерная нелинейная динамика коэффициента отражения в процессе хранения. Метод PCA показал, что первая главная компонента объясняет 93,8 % дисперсии данных. Нейросетевая модель продемонстрировала 90 % точности при бинарной классификации образцов.

Выводы: Подтверждена эффективность метода гиперспектральной визуализации для неразрушающего контроля свежести рыбного сырья. Разработанный подход позволяет достоверно дифференцировать свежие и несвежие образцы и может быть рекомендован для внедрения в систему входного контроля на рыбоперерабатывающих предприятиях.

1. Абрамова, Л. С., Козин, А. В., Погребисская (Азарова), А. Л. (2018). Методы оценки качества пищевой рыбной продукции. Контроль Качества Продукции, 6, 25–31.

2. Воробьев, В. В. (2021). Cтратегические аспекты устойчивого развития рыбохозяйственного комплекса России. Рыбное Хозяйство, 5, 23–29. https://doi.org/10.37663/0131-6184-2021-5-23-29

3. Донскова, Л. А. (2023). Потери в рыбном секторе в контексте устойчивого развития: обеспечение качества и безопасности как факторы снижения. Экономика и Бизнес: Теория и Практика, 2 (96), 136–141. https://doi.org/10.24412/2411-0450-2023-2-136-141

4. Chen, Z., Wang, Q., Zhang, H., & Nie, P. (2021). Hyperspectral imaging (HSI) technology for the non-destructive freshness assessment of pearl gentian grouper under different storage conditions. Sensors, 21(2), 583. https://doi.org/10.3390/s21020583

5. Cheng, M.-F., Mukundan, A., Karmakar, R., Valappil, M. A. E., Jouhar, J., & Wang, H.-C. (2025). Modern trends and recent applications of hyperspectral imaging: A review. Technologies, 13(5), 170. https://doi.org/10.3390/technologies13050170

6. Cheng, W., Sørensen, K. M., Engelsen, S. B., Sun, D.-W., & Pu, H. (2019). Lipid oxidation degree of pork meat during frozen storage investigated by near-infrared hyperspectral imaging: Effect of ice crystal growth and distribution. Journal of Food Engineering, 263, 311–319. https://doi.org/10.1016/j.jfoodeng.2019.07.013

7. Dai, Q., Cheng, J.-H., Sun, D.-W., Zhu, Z., & Pu, H. (2016). Prediction of total volatile basic nitrogen contents using wavelet features from visible/near-infrared hyperspectral images of prawn (Metapenaeus ensis). Food Chemistry, 197, 257–265. https://doi.org/10.1016/j.foodchem.2015.10.073

8. Dissing, B. S., Nielsen, M. E., Ersbøll, B. K., & Frosch, S. (2011). Multispectral Imaging for determination of astaxanthin concentration in salmonids. PLoS ONE, 6(5), e19032. https://doi.org/10.1371/journal.pone.0019032

9. García, M. R., Ferez-Rubio, J. A., & Vilas, C. (2022). Assessment and prediction of fish freshness using mathematical modelling: A review. Foods, 11(15), 2312. https://doi.org/10.3390/foods11152312

10. Hardy, M., Moser, B., Haughey, S. A., & Elliott, C. T. (2024). Does the fish rot from the head? Hyperspectral imaging and machine learning for the evaluation of fish freshness. Chemometrics and Intelligent Laboratory Systems, 245(105059). https://doi.org/10.1016/j.chemolab.2023.105059

11. Jiang, H., Wang, W., Zhuang, H., Yoon, S.-C., Yang, Y., & Zhao, X. (2019). Hyperspectral imaging for a rapid detection and visualization of duck meat adulteration in beef. Food Analytical Methods, 12(10), 2205–2215. https://doi.org/10.1007/s12161-019-01577-6

12. Kamani, M. H., Safari, O., Mortazavi, S. A., Mehraban Sang Atash, M., & Azghadi, N. M. (2017). Using an image processing based technique and predictive models for assessing lipid oxidation in rainbow trout fillet. Food Bioscience, 19, 42–48. https://doi.org/10.1016/j.fbio.2017.05.005

13. Khoshnoudi-Nia, S., & Moosavi-Nasab, M. (2019a). Comparison of various chemometric analysis for rapid prediction of thiobarbituric acid reactive substances in rainbow trout fillets by hyperspectral imaging technique. Food Science & Nutrition, 7(4), 1875–1883. https://doi.org/10.1002/fsn3.1043

14. Khoshnoudi-Nia, S., & Moosavi-Nasab, M. (2019b). Nondestructive determination of microbial, biochemical, and chemical changes in rainbow trout (Oncorhynchus mykiss) during refrigerated storage using hyperspectral imaging technique. Food Analytical Methods,12, 1635–1647. https://doi.org/10.1007/s12161-019-01494-8

15. Khoshnoudi-Nia, S., & Moosavi-Nasab, M. (2019с). Prediction of various freshness indicators in fish fillets by one multispectral imaging system. Scientific Reports, 9, 14704. https://doi.org/10.1038/s41598-019-51264-z

16. Khoshnoudi-Nia, S., Moosavi-Nasab, M., Nassiri, S. M., & Azimifar, Z. (2018). Determination of total viable count in rainbow-trout fish fillets based on hyperspectral imaging system and different variable selection and extraction of reference data methods. Food Analytical Methods, 11(8), 2220–2233. https://doi.org/10.1007/s12161-018-1320-0

17. Khoshtaghaza, M. H., Khojastehnazhand, M., Mojaradi, B., Goodarzi, M., & Saeys, W. (2016). Texture quality analysis of rainbow trout using hyperspectral imaging method. International Journal of Food Properties, 19(5), 974–983. https://doi.org/10.1080/10942912.2015.1042111

18. Kim, S. S., Yun, D.-Y., Lee, G., Park, S.-K., Lim, J.-H., Choi, J.-H., Park, K.-J., & Cho, J.-S. (2024). Prediction and visualization of total volatile basic nitrogen in yellow croaker (Larimichthys polyactis) using shortwave infrared hyperspectral imaging. Foods, 13(20), 3228. https://doi.org/10.3390/foods13203228

19. Lu, Y., Saeys, W., Kim, M., Peng, Y., & Lu, R. (2020). Hyperspectral imaging technology for quality and safety evaluation of horticultural products: A review and celebration of the past 20-year progress. Postharvest Biology and Technology, 170, 111318. https://doi.org/10.1016/j.postharvbio.2020.111318

20. Madhubhashini, M. N., Liyanage, C. P., Alahakoon, A. U., & Liyanage, R. P. (2024). Current applications and future trends of artificial senses in fish freshness determination: A review. Journal of Food Science, 89(1), 33–50. https://doi.org/10.1111/1750-3841.16865

21. Moosavi-Nasab, M., Khoshnoudi-Nia, S., Azimifar, Z., & Kamyab, S. (2021). Evaluation of the total volatile basic nitrogen (TVB-N) content in fish fillets using hyperspectral imaging coupled with deep learning neural network and meta-analysis. Scientific Reports, 11(1), 5094. https://doi.org/10.1038/s41598-021-84659-y

22. Naqvi, L. H., Balasubramaniam, B., Li, J., Liu, L., & Li, B. (2025). Four-dimensional hyperspectral imaging for fruit and vegetable grading. Agriculture, 15(15), 1702. https://doi.org/10.3390/agriculture15151702

23. Pulcini, D., Capoccioni, F., Franceschini, S., Martinoli, M., Faccenda, F., Secci, G., Perugini, A., Tibaldi, E., & Parisi, G. (2021). Muscle pigmentation in rainbow trout (Oncorhynchus mykiss) fed diets rich in natural carotenoids from microalgae and crustaceans. Aquaculture, 543. https://agris.fao.org/search/en/providers/122535/records/65de34e46eef00c2ce9ff25b

24. Qin, J., Vasefi, F., Hellberg, R. S., Akhbardeh, A., Isaacs, R. B., Yilmaz, A. G., Hwang, C., Baek, I., Schmidt, W. F., & Kim, M. S. (2020). Detection of fish fillet substitution and mislabeling using multimode hyperspectral imaging techniques. Food Control, 114, 107234. https://doi.org/10.1016/j.foodcont.2020.107234

25. Rye, M. (1991). Prediction of carcass composition in Atlantic salmon by computerized tomography. Aquaculture, 99(1), 35–48. https://doi.org/10.1016/0044-8486(91)90286-G

26. Sun, D., Zhou, C., Hu, J., Li, L., & Ye, H. (2023). Off-flavor profiling of cultured salmonids using hyperspectral imaging combined with machine learning. Food Chemistry, 408, 135166. https://doi.org/10.1016/j.foodchem.2022.135166

27. Tahsin, K.N., Soad, A.R., Ali, A.M., & Moury, I.J. (2017). A review on the techniques for quality assurance of fish and fish products. International Journal of Advanced Research in Science, Engineering and Technology, 4(7), 4190–4206. https://www.ijarset.com/upload/2017/july/5-IJARSET-KAZI.pdf

28. Wang, C., Wang, S., He, X., Wu, L., Li, Y., & Guo, J. (2020). Combination of spectra and texture data of hyperspectral imaging for prediction and visualization of palmitic acid and oleic acid contents in lamb meat. Meat Science, 169, 108194. https://doi.org/10.1016/j.meatsci.2020.108194

29. Xu, J.-L., Riccioli, C., & Sun, D.-W. (2016). Efficient integration of particle analysis in hyperspectral imaging for rapid assessment of oxidative degradation in salmon fillet. Journal of Food Engineering, 169, 259–271. https://doi.org/10.1016/j.jfoodeng.2015.08.015

30. Yao, K., Sun, J., Zhou, X., Nirere, A., Tian, Y., & Wu, X. (2020). Nondestructive detection for egg freshness grade based on hyperspectral imaging technology. Journal of Food Process Engineering, 43(7) https://doi.org/10.1111/jfpe.13422

31. Zhang, Z., Sun, Y., Sang, S., Jia, L., & Ou, C. (2022). Emerging approach for fish freshness evaluation: Principle, application and challenges. Foods, 11(13), 1897. https://doi.org/10.3390/foods11131897