في عالم الأغذية البحرية، تظل نضارة الأسماك أحد أهم العوامل التي تؤثر على جودتها وصحتها. ومع تقدم تقنيات التصوير الطيفي (Hyperspectral Imaging - HSI)، أصبح بالإمكان تقييم نضارة الأسماك بشكل غير تدميري من خلال كشف التغيرات الكيميائية الحيوية عبر نطاقات طيفية مختلفة.

ومع ذلك، تفتقر أساليب التعلم العميق التقليدية إلى القدرة على التعامل مع الخصائص الفريدة لبيانات HSI، مثل هيمنة النطاق الطيفي على القوام المكاني، وبنية التصنيفات المرتبة، وعدد محدود من العينات التدريبية. هنا يأتي دور نموذج SGNet (Spectral-Grouped Network) - معمارية خفيفة الوزن تفصل بين استخراج الميزات الطيفية والميزان المكانية باستخدام تكتيلات مجمعة (grouped convolutions) وطريق عميق مكاني.

تقدم SGNet آلية انتباه مزدوجة تدمج بين ضغط وإثارة القنوات (channel-wise squeeze-and-excitation) مع بوابة مكانية (spatial gating)، مما يسلط الضوء بشكل ديناميكي على الميزات ذات الأهمية. ونتيجة للاختبارات التي أجريت على مجموعة جديدة تضم شرائح السلمون المخزنة في الثلاجة لمدة 16 يومًا، حقق النموذج دقة تصنيف بلغت 97.8% و0.64 يومًا كمتوسط خطأ مطلق (MAE) مع استخدام 4.75 مليون معامل فقط.

تؤكد الدراسات التجريبية على مساهمة كل مكون من مكونات النموذج، كما تبين أن SGNet يقلل عدد المعلمات بنسب تتراوح بين خمسة وثمانية عشر ضعفًا مقارنةً مع نموذج ResNet-50 وتقنيات Vision Transformers. تظهر نتائجنا أن التصميم المدرك للمجال يدعم التنبؤ الدقيق بالنضارة في الوقت الحقيقي، مما يمهد الطريق للتطبيقات الصناعية المتطورة.

مع هذه التقنية الجديدة، يبدو أن مستقبل قياسات نضارة الأسماك قد طُرق أبوابه. فهل سنشهد تحولًا كبيرًا في كيفية تقييم نضارة غذائنا البحري؟