Deep Feature Optimization for Enhanced Fish Freshness Assessment

Technische Samenvatting: Diepe Feature-Optimalisatie voor Verbeterde Beoordeling van Visversheid

Probleemstelling
Het beoordelen van visversheid is cruciaal voor voedselveiligheid en economische stabiliteit in de zeevisindustrie. Traditionele methoden voor sensorische evaluatie zijn subjectief, tijdrovend en moeilijk schaalbaar. Hoewel recente deep learning-benaderingen geautomatiseerde visuele voorspelling van versheid hebben mogelijk gemaakt, blijven uitdagingen bestaan met betrekking tot nauwkeurigheid en transparantie van features. Specifiek op het openbare dataset "Freshness of the Fish Eyes" (FFE) hebben bestaande diepe modellen slechts matige nauwkeurigheden bereikt (variërend van 63% tot 77%), wat suggereert dat het onderscheiden van subtiele inter-klassieke verschillen in uiterlijk van het oog meer discriminatieve en interpreteerbare representaties vereist. Bovendien evalueren bestaande studies diepe netwerken vaak op een end-to-end manier zonder expliciet te analyseren hoe niveaus van feature-abstractie of selectiemechanismen de prestaties beïnvloeden.

Methodologie
De studie stelt een unificerend, drie-trapsraamwerk voor dat is ontworpen om diepe visuele representaties te verfijnen en te benutten voor de classificatie van visversheid. De methodologie verloopt als volgt:

1. Finetunen van Diepe Backbones: Vijf state-of-the-art visie-architecturen – ResNet-50, DenseNet-121, EfficientNet-B0, ConvNeXt-Base en Swin-Tiny – werden gefinetuned met behulp van Random search voor hyperparameteroptimalisatie. Dit vestigde een robuuste baseline voor visgebaseerde versheidsclassificatie.
2. Multi-Level Feature Extractie en Hybride Classificatie: In plaats van uitsluitend te vertrouwen op de laatste softmax-classificatielaag, werden diepe embeddings geëxtraheerd uit intermediaire (mid-level) en finale (high-level) abstractiestadia van elke backbone. Deze features werden gecomprimeerd via Global Average Pooling (GAP) en ingevoerd in zeven klassieke machine learning-classifiers: Logistische Regressie, K-Nearest Neighbors, Support Vector Machine, Kunstmatige Neuronale Netwerken, Random Forest, Extra Trees, LightGBM en CatBoost. Deze hybride aanpak beoogde te bepalen of expliciete besluitvormingsmechanismen de discriminatieve kracht konden versterken boven de standaard outputs van diepe netwerken.
3. Ingebouwde Feature Selectie: Om hoge dimensionaliteit en redundantie aan te pakken, werden drie ingebouwde feature-selectiemethoden toegepast om compacte, informatieve subsets te identificeren: Light Gradient Boosting Machine (LGBM), Random Forest (RF) en Lasso-regressie (L1). Deze methoden integreerden feature-relevantiebeoordeling direct in het modeltrainingsproces.
4. Interpreteerbaarheid: Grad-CAM (Gradient-weighted Class Activation Mapping) werd ingezet om de ruimtelijke aandacht van de modellen te visualiseren, waarmee werd geverifieerd dat beslissingen gebaseerd waren op betekenisvolle visuele aanwijzingen gerelateerd aan visversheid (bijvoorbeeld troebelheid en structuur van het oog).

Belangrijkste Bijdragen

• Systematische Analyse van Abstractieniveaus: De studie is de eerste die systematisch analyseert hoe niveaus van diepe feature-abstractie (mid-level versus high-level) gezamenlijk de classificatie van visversheid beïnvloeden op het FFE-dataset.
• Hybride Deep-ML Framework: Het demonstreert een innovatieve integratie waarbij diepe backbones dienen als feature-extractors voor klassieke machine learning-classifiers, in plaats van te vertrouwen op end-to-end deep learning.
• Feature-Optimalisatie: Het onderzoek identificeert dat ingebouwde feature-selectie, met name met behulp van LGBM, de feature-dimensionaliteit aanzienlijk kan verminderen terwijl de nauwkeurigheid wordt verbeterd of behouden.
• Uitgebreide Benchmarking: De studie biedt een vergelijkende evaluatie van vijf diverse visie-architecturen (inclusief Transformers en moderne ConvNets) en meerdere ML-classifiers op hetzelfde dataset onder identieke omstandigheden.

Experimentele Resultaten
Experimenten werden uitgevoerd op het FFE-dataset, bestaande uit 4.390 afbeeldingen verdeeld over drie versheidscategorieën ("Zeer Vers", "Vers", "Niet Vers").

• Baseline Prestaties: Onder de gefinetuned diepe modellen behaalde Swin-Tiny de hoogste nauwkeurigheid van 84,85%, gevolgd door ConvNeXt-Base (84,51%).
• Hybride Prestaties: Met behulp van diepe features geëxtraheerd uit de high-level stadia (Stadium 4) van Swin-Tiny, gecombineerd met een Extra Trees (ET)-classifier, bereikte het systeem een nauwkeurigheid van 85,88%, wat de standalone Swin-Tiny-modellen overtrof.
• Impact van Feature Selectie: Het toepassen van op LGBM gebaseerde feature-selectie optimaliseerde de resultaten verder. De beste configuratie gebruikte features van Swin-Tiny (gereduceerd tot 77 features, wat een reductie van 90% vertegenwoordigt ten opzichte van de volledige set van 768 dimensies), geclassificeerd door een Random Forest (RF)-model, en bereikte een pieknauwkeurigheid van 85,99%.
• Vergelijking met State-of-the-Art: De voorgestelde beste configuratie presteerde significant beter dan recente studies op hetzelfde FFE-dataset: 8,43% beter dan Hoang et al. (2025), 8,69% beter dan Yildiz et al. (2024) en 22,78% beter dan Prasetyo et al. (2022b).
• Efficiëntie-analyse: Hoewel ConvNeXt-Base hoge nauwkeurigheid bood, was het computatie-intensief. Swin-Tiny bleek de meest gebalanceerde oplossing, met de hoogste nauwkeurigheid en gemiddelde resource-eisen (27,5M parameters, 44,1 seconden per epoch).

Betekenis en Claims
De auteurs beweren dat hun raamwerk effectief de beperkingen van eerdere studies aanpakt, die vaak leunden op kleine datasets, enkele anatomische regio's of uitsluitend handgemaakte features. Door modern visie-Transformers systematisch te combineren met traditionele ensemble-classifiers en op boosting gebaseerde feature-selectie, demonstreert de studie een strategie die zowel nauwkeurig als generaliseerbaar is voor visuele kwaliteitsbeoordeling.

Het artikel benadrukt dat de verbetering voortkomt uit het vermogen van het hybride raamwerk om zowel semantische patronen als fysieke aanwijzingen te vangen, terwijl de feature-selectiestap compacte, informatieve subsets isoleert die ruis reduceren. De auteurs merken op dat hoewel de resultaten veelbelovend zijn, het raamwerk momenteel beperkt wordt door de schaal en geïdealiseerde omstandigheden van het FFE-dataset. Zij suggereren dat toekomstig werk zich moet richten op het ontwikkelen van hybride representaties die diepe en handgemaakte features combineren om zowel semantische als fysieke attributen te vangen, en het valideren van de aanpak op grotere, diversere real-world datasets om de robuustheid in industriële omgevingen te verbeteren.