AI-Powered Fish Freshness Estimator

Abstract

Ensuring fish freshness is a critical concern in the seafood industry due to its direct impact on food safety, consumer trust, and economic value. Traditional assessment methods based on human expertise and chemical analysis are often subjective, time-consuming, and impractical for real-time application. Variations in lighting, species, and storage conditions further complicate consistency. This project proposes an AI-powered fish freshness classification system using imagebased analysis of the fish eye. The system leverages the EfficientNetB3 architecture and deep learning techniques to classify samples into three categories: Fresh, Highly Fresh, and Not Fresh. To improve generalization, the model was trained on a balanced dataset with data augmentation and evaluated using metrics such as accuracy, F1-score, and Grad-CAM. For practical deployment, the trained model is integrated into a user-friendly Streamlit web application, enabling real-time predictions through image uploads or webcam input. This solution eliminates human subjectivity, enhances quality control, and offers a scalable tool for fisheries, retailers, and consumers. ***

Garantir la fraîcheur du poisson est un enjeu essentiel dans l’industrie des produits de la mer, car elle impacte directement la sécurité alimentaire, la confiance des consommateurs et la valeur économique. Les méthodes d’évaluation traditionnelles, basées sur l’expertise humaine ou des analyses chimiques, sont souvent subjectives, lentes et peu adaptées à une utilisation en temps réel. Les variations de lumière, d’espèce et de stockage rendent les évaluations encore plus complexes. Ce projet propose un système intelligent de classification de la fraîcheur du poisson basé sur l’analyse visuelle de l’oeil. Le modèle repose sur l’architecture EfficientNetB3 et les techniques de deep learning pour classer les échantillons en trois catégories : Frais, Très Frais et Non Frais. L’apprentissage a été réalisé sur un jeu de données équilibré avec augmentation d’images, et l’évaluation a été faite à l’aide de métriques telles que la précision, le F1-score et Grad-CAM. Pour une utilisation concrète, le modèle a été déployé sous forme d’une application web conviviale avec Streamlit, permettant des prédictions en temps réel via webcam ou images téléchargées. Cette solution supprime la subjectivité humaine, améliore le contrôle qualité, et constitue un outil évolutif pour les pêcheries, les détaillants et les consommateurs.