基于深度学习的聚乳酸包装比色指示系统用于鲜切果蔬无损新鲜度监测

《Food Research International》：Deep learning-based colorimetric indicator on polylactic acid packaging for nondestructive monitoring of fresh-cut fruits and vegetables

本研究针对鲜切果蔬(F&V)易腐败、传统监测方法效率低下的问题，开发了一种结合深度学习与比色指示技术(EMT)的新型无损监测系统。通过CO2 响应型乙基纤维素基指示剂和MobileNetV3-Small算法，实现了对PLA包装鲜切青椒新鲜度的实时精准判别（准确率96.09%），为食品安全与智能包装提供了创新解决方案。

　　

鲜切果蔬因其便捷性和营养价值备受青睐，但机械加工导致的快速腐败成为行业痛点。传统检测方法如多光谱成像和化学分析耗时耗力，而现有智能指示剂多针对肉制品，果蔬领域存在空白。同时，石油基包装材料的环境污染问题日益突出。武汉大学研究团队在《Food Research International》发表的研究，通过融合比色化学与人工智能技术，为这一难题提供了突破性解决方案。

研究采用乙基纤维素/m-甲酚紫/二氧化钛纳米颗粒(EC/mCP/TiO₂
NPs，简称EMT)作为CO₂
敏感指示剂，结合深度学习算法构建监测系统。关键技术包括：1）流变学表征确认涂层溶液的假塑性；2）PCA和FLDA算法建立生理状态-新鲜度-颜色三者的关联模型；3）MobileNetV3-Small卷积神经网络实现图像识别；4）k折交叉验证评估系统性能。实验以鲜切青椒为模型，在0%-30% CO₂
浓度范围内验证系统有效性。

【材料与方法】
研究选用mCP为显色剂，TiO₂
NPs增强稳定性，通过流变测试证实涂层溶液具有剪切稀化特性（流动指数0.32）。PLA包装袋提供生物可降解载体，EMT指示剂表现出对CO₂
的梯度响应性。

【结果与讨论】

1. 指示剂性能：EMT在CO₂
   刺激下呈现肉眼可辨的颜色变化（黄→紫），且具备可逆性和环境稳定性。
2. 机器学习建模：通过PCA降维和FLDA分类，首次构建鲜切青椒生理参数与指示剂颜色的量化关系，为深度学习提供理论依据。
3. 智能识别：MobileNetV3-Small模型将新鲜度划分为"新鲜"、"次鲜"和"腐败"三类，交叉验证准确率达96.09%，显著优于人工判断。
4. 应用拓展：该系统成功推广至多种鲜切果蔬，证实技术普适性。

研究创新性地将CO₂
代谢与果蔬腐败的生物学过程通过比色信号数字化，解决了传统方法主观性强、效率低的问题。采用PLA材料响应环保需求，而深度学习算法克服了光照条件、个体视觉差异等干扰因素。该技术为生鲜食品供应链质量监控提供了实时、无损的解决方案，对推动智能包装在食品安全、健康监测领域的应用具有里程碑意义。研究团队指出，未来可进一步优化指示剂配方以适应不同果蔬品种，并探索与物联网技术的集成应用。