利用人工智能进行食品加工过程中由热引起的化学污染物的监测与控制：综述

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Artificial intelligence-enabled monitoring and control of heat-induced chemical contaminants during food processing: A review

　　•热驱动变量将污染物化学与模型设计联系起来。
•快速传感器通过依赖于基质的代理信号来估计污染物。
•模型比较需要一致的数据集、验证和参考分析方法。
•预测、早期预警、优化和闭环控制是不同的概念。
•已有的研究未能建立工业上的闭环污染物控制机制。

引言
热加工，包括烘焙、油炸、烘烤和烧烤，是现代食品制造中最基本的操作之一（T?r?s等人，2026年）。这些高温处理对于确保微生物安全、延长保质期以及开发理想的感官特性（如颜色、风味和质地）至关重要（Alizadeh等人，2025年）。复杂的化学反应，包括美拉德反应、焦糖化和脂质氧化，是形成这些感官特性的主要因素（Tas & Gokmen，2017年）。然而，同样的反应也可能导致形成通常被称为新形成污染物（NFCs）的潜在有害化合物。

在热加工食品中鉴定出的各种热诱导污染物中，有几类由于它们的毒理学相关性和普遍存在而受到特别关注（Hee等人，2024年）。丙烯酰胺（AA）通常通过涉及天冬酰胺和还原糖的美拉德反应路径在富含碳水化合物的食品中形成（T?r?s等人，2026年）。多环芳烃（PAHs）可能在有机物的不完全燃烧或热解过程中产生，尤其是在烧烤、熏制或烘烤的食品中（Hee等人，2024年）。5-羟甲基呋喃（HMF）主要由己糖脱水产生，与焦糖化和高级美拉德反应密切相关。此外，高级糖基化终产物（AGEs）在美拉德反应的后期阶段形成。由于它们与慢性疾病的可能关联，这些物质越来越受到研究（Martins等人，2022年）。其他热诱导污染物，如杂环胺（HCAs）、呋喃和N-亚硝胺，在某些热条件下也可能形成，尤其是在富含蛋白质或含有亚硝酸盐的食品中。这些化合物的存在引起了食品科学家、监管机构和消费者的关注，促使人们对其形成机制、分析检测方法和缓解策略进行了广泛研究。

目前，热诱导污染物的控制主要依赖于回顾性检测和经验性工艺设计（Chen, Zhang, & Zhang, 2026年）。传统的分析技术，如高效液相色谱（HPLC）和气相色谱-质谱（GC-MS），仍然是污染物量化的金标准（da Silva & Duarte, 2025年；Mansour等人，2025年）。尽管这些方法提供了高分析精度，但它们通常劳动密集、具有破坏性，并不适合工业加工过程中的实时监测（Gao等人，2026年；Ziani等人，2025年）。也有尝试使用传统动力学模型（例如Arrhenius型模型）来预测污染物的形成（Tas & Gokmen，2017年）。然而，食品系统具有高度异质性，热量和质量传输与多个平行的化学反应相互作用，导致复杂的非线性动态，难以用简化的确定性模型来捕捉（Erdogdu，2023年）。

近年来，人工智能（AI）和数据驱动的方法作为应对这些挑战的潜在工具而受到越来越多的关注。机器学习和深度学习算法可以从高维数据中提取复杂的非线性关系，而无需明确的机理方程（Xia等人，2026年）。当与计算机视觉和近红外光谱等快速传感技术结合时，基于AI的系统能够实现热加工过程中污染物的无损检测和预测（Erdogdu，2023年； Zhao Z.等人，2025年）。此外，预测模型可用于探索工艺参数（如温度、时间和配方变量）与污染物生成之间的关系，为智能工艺优化提供了新的机会（Zhao, Shi等人，2025年）。

尽管取得了这些进展，但仍存在一些重要挑战。首先，大多数基于AI的监测系统依赖于与污染物形成间接相关的代理信号，而不是直接测量污染物（Li, Wu等人，2025年）。这些代理信号的特异性在不同的食品基质和加工条件下可能会有很大差异（Zhang, Lin等人，2025年）。其次，许多报道的AI模型是在受控实验室条件下收集的相对较小的数据集上开发的，这引发了对其在多样化加工环境中的鲁棒性和普遍性的担忧（Wang等人，2023年）。第三，对外部验证、跨基质转移性和长期传感器稳定性的关注有限，这些都是工业应用的关键因素（Zhang & Yang，2024年）。最后，尽管基于AI的预测模型报道越来越多，但它们在实际的污染物缓解策略和实时工艺控制系统中的整合仍然有限。

以往的综述主要集中在个别热污染物的形成机制、毒理学问题或传统缓解策略上，例如AA、PAHs和HCAs（Hee等人，2024年）。然而，将污染物形成化学与AI支持的传感、预测建模和自适应工艺控制相结合的全面视角仍然有限（Zahir等人，2024年）。与主要总结分析检测方法或缓解方法的以往综述不同，本综述建立了一个整合框架，将化学机制、快速传感技术、AI模型和智能制造系统联系起来（Zhang, Lin等人，2025年）。这一视角为从回顾性污染物分析向预测监控，最终实现热加工安全的闭环控制提供了新的见解。

为了应对这些空白，本综述结构化了主要热污染物的形成机制，并对其在AI辅助传感技术、预测建模和智能工艺控制方面的最新发展进行了批判性评估。具体来说，它（i）从统一的反应角度总结了主要热诱导污染物的关键形成机制；（ii）评估了传统的和新兴的间接污染物检测技术；（iii）批判性地分析了用于污染物预测的机器学习、深度学习和混合物理信息建模策略；（iv）讨论了用于工业食品加工中污染物缓解的AI支持工艺优化和闭环控制策略。图1展示了食品中热污染物的监测和缓解的集成框架。该框架由四个相互连接的模块组成：食品基质、热加工、传感器检测技术和具有智能控制的AI模型。这些模块形成了一个连续的路径，在该路径中，食品成分和加工条件影响污染物生成，传感技术捕获相关信息，AI驱动的模型实现预测、优化和智能工艺调节，提供了对该领域挑战和机会的全面视图，以及用于热加工食品的实际污染物监测系统。这项关键综述重点关注了关于食品中热诱导污染物的形成、参考分析、传感和AI辅助预测的同行评审研究。

### 热加工污染物的形成机制：AI辅助预测和控制的化学基础
在本综述中，热加工污染物被定义为在加热过程中生成的不希望存在的化学化合物，当在食品中积累时可能对健康构成潜在风险（Zahir等人，2024年）。这些化合物包括通过美拉德反应、脂质氧化或热降解形成的AA、PAHs、HCAs和其他有害化合物（Hee等人，2024年）。一些热反应产物，如HMF和AGEs，可以作为加工强度或质量变化的指标。

### 参考分析方法和AI辅助传感技术用于热污染物
准确监测热污染物需要明确区分参考分析量化和快速筛选策略。传统的色谱技术，如液相色谱-串联质谱（LC-MS/MS）和GC-MS，由于其高灵敏度和选择性，仍然是特定热污染物明确识别和定量确定的参考方法（Mansour等人，2025年）。

### AI支持的污染物预测、监测和控制建模策略
前一节讨论的快速传感技术在热加工过程中生成包含光谱、视觉、化学和工艺信息的多维数据流。高效解释这些异构数据不仅需要先进的AI算法，还需要适当的数据采集、预处理、特征提取、模型解释和部署策略。因此，基于AI的污染物监测应被视为一个综合系统。

### AI辅助的缓解和工艺优化
虽然快速传感和预测建模能够改善污染物生成的监测，但这些技术的最终目标是减少食品加工过程中有害化合物的形成。实际上，由于许多热诱导污染物是由同时赋予理想感官特性的复杂化学反应产生的，因此缓解策略必须仔细平衡安全和质量考虑（El Hosry等人，2025年；Sendin等人，2010年）。

### 工业转化和实际应用
尽管许多研究展示了快速传感和基于AI的建模在污染物监测方面的潜力，但从实验室规模研究到工业应用的过渡仍然有限（Awlqadr等人，2026年）。这些技术的实际应用需要强大的传感系统、可靠的预测模型以及与现有加工设备的无缝集成（Kannapinn等人，2026年）。工业食品加工环境面临多个挑战。

### 挑战、反思和展望
尽管用于热污染物监测的AI辅助传感和建模技术发展迅速，但在其广泛工业应用之前仍存在几个关键挑战。数据相关限制，包括样本多样性不足、数据采集协议不一致以及不同食品基质和加工条件下的有限转移性，仍然是模型普遍化的主要障碍。此外，许多AI模型仍然依赖于间接传感。

### 作者贡献
Zhang Q.C：撰写原始草稿；方法论；研究；数据管理。
Wei Haiyang：撰写综述和编辑。
Li Zhihua：撰写综述和编辑。
Shi Jiyong：资金获取。
Sun Quancai：撰写综述和编辑。
Peng Ye：撰写综述和编辑。
Huang Xiaowei：数据管理、可视化、研究。
Zhang Xinai：研究、概念化、撰写-综述与编辑。
Zou Xiaobo：概念化、验证、监督、项目管理、资金。

### 伦理批准和参与同意
不适用。本综述未涉及人体参与者、人体数据或动物实验。

### 资助
作者感谢中国国家重点研发计划（2024YFF1106100）、国家自然科学基金（32272407、32372465、32102080）、江苏省自然科学基金（BZ2024029）、江苏省特聘教授基金（202074）、中国农业研究系统专项基金（CARS-25）以及江苏省自然科学基金（BE2022313）提供的财务支持。

### 利益声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能影响本文报告的工作。

Zhang Q., Wei Haiyang, Li Zhihua, Shi Jiyong, Sun Quancai, Peng Ye, Zhang Xinai, Huang Xiaowei, Zhou Xiaobo