《Foods》：Smart Egg Processing in the Digital Food Era, Part I: Advanced Sensing and Artificial Intelligence for Non-Destructive Egg Quality and Safety Assessment
蛋品目前仍常通过周期性破坏性检测进行评估，而高通量加工日益需要能够支持及时决策的无损测量。本第一部分批判性综述考察了智能蛋品加工的传感与预测层，涵盖计算机视觉、高光谱与多光谱成像、近红外（NIR）、拉曼与荧光光谱、电子鼻传感、生物传感器，以及用于解析这些信号的机器学习方法。证据表明，没有任何单一模态能够完整覆盖外部、内部、化学与微生物学属性，多模态融合已不再仅停留于概念层面：蛋品特异性研究已证实光谱与嗅觉信息的融合，近期更实现了图像、形状与重量特征的融合。可解释人工智能（XAI）同样已进入蛋品研究，包括基于SHAP（Shapley Additive Explanations）对NIR与高光谱模型的解释。更为持久的局限在于超出开发数据集之外的验证薄弱且不一致。小规模或单一来源数据集、预处理与特征选择过程报告不完整、可能存在数据泄漏、类别不平衡、校准与不确定性分析有限，以及外部或前瞻性验证稀缺，均制约了其工业就绪度的主张。本综述由此将核心研究空白重新界定为可信泛化：即证明传感与人工智能在真实蛋品加工系统的生物学、环境与操作变异性下仍保持准确、可解释且对决策有用。
1. 引言
到2024年，全球蛋产量估计已达1亿吨，其中仅鸡蛋就占该产量的94%，使该行业成为过去十年动物蛋白中增长最快的类别之一。这种扩张并不均衡，主要由大型垂直一体化运营驱动，其设计目标是在数小时内将蛋从产蛋环节送至包装环节，其吞吐速率使逐枚蛋的视觉或人工检查变得不切实际。与这种工业变革速度形成对照的是，质量保证实践变化甚微。照蛋、人工分级以及为测定哈夫单位（Haugh unit）、蛋黄指数或微生物负载而进行的周期性破坏性抽样，仍在加工线上广泛使用。这些方法并非没有价值，但随着生产速度提高，其三项局限愈发重要：它们仅检查产出的一小部分子样本而非每一枚蛋；它们破坏其所评估的蛋本身；更重要的是，它们在事后才产生质量信息，而此时已无法采取纠正措施。
两项技术进展可能有助于弥合这一差距。其一是非破坏性传感领域的成熟——涵盖光学、光谱与化学模态——能够在不损害蛋壳完整性或不将蛋从生产线上移除的情况下表征蛋的内外部状态。其二是机器学习与深度学习架构的并行进步，能够将由此产生的高维输出（无论是高光谱数据立方体、挥发性有机化合物指纹还是光谱曲线）转化为近实时窗口内可执行的质量或安全预测。两者单独而言均非新颖：蛋新鲜度的光谱评估已研究数十年，蛋壳裂纹的计算机视觉检测早在1991年即有报道。较新的理念、也是本综述的动因，在于将这些传感与人工智能能力直接耦合于加工决策，使测得或预测的属性不仅标记出缺陷蛋以供剔除，更主动引导一枚蛋或一批液蛋接受何种加工路线（热或非热、温和或强化）。这种耦合尚属前瞻性。第一部分所综述的研究展示了传感与预测。在所考察的材料中，未识别到传感器引导选择食品安全干预措施的实验证明案例，因此本综述中关于此类决策的陈述描述的是一种拟议架构，而非现有系统。
我们将这一融合定义为智能蛋品加工——即先进传感、人工智能与机器学习以及非热或微创加工技术通过持续、实时数据流协调运作的系统，使质量分级、安全验证与工艺优化能够并行推进，而非作为离散、顺序的阶段进行。它与传统蛋品加工的区别体现在三方面。第一，测量是连续且无损的，而非周期性与破坏性的。第二，施加于一批次的加工强度原则上可由传感器与模型对该特定批次的报告来指导，而非由一套统一施加、不顾 incoming 物料状况的单一验证热力方案所固定。第三，功能与营养保持被视为与微生物安全同等地位的设计目标，而非在巴氏杀菌工艺已确定后才加以检查的事后考量。从传统蛋品加工向传感与人工智能赋能的智能蛋品加工4.0框架的概念转变总结于图1。
图1. 从传统蛋品加工向智能蛋品加工4.0的演进。上排总结传统蛋品加工，其特征为人工或视觉检查、周期性评估、固定加工条件与终产品检验。下排展示由无损传感、基于AI/ML的预测以及新兴自适应与非热加工方法所赋能的相应智能加工能力。实线轮廓标记蛋品研究中已展示的步骤；虚线轮廓标记已提出但尚未经实验证明的步骤。传感与AI赋能的评估比自适应、批次特异性工艺选择更为成熟。所示潜在结果为有待验证的假设，而非所综述研究的结果。
保持功能与营养品质的压力并非偶然。蛋在烘焙、糖果与预制食品应用中大部分商业价值归因于蛋白质驱动的功能特性——起泡、凝胶与乳化——而这些特性对热变性高度敏感。标准蛋巴氏杀菌（某些监管方案中带壳蛋为57 °C约57.5 min）能有效灭活沙门氏菌，但以牺牲这些功能特性及热敏微量营养素为代价，且覆盖率仍不完整：例如在美国，按传统热力方案巴氏杀菌的带壳蛋远不足3%。这种张力——即对蛋处理足够以使其安全与处理过度以使其保持有用之间的张力——正是非热技术（紫外与脉冲光、冷等离子体、高静水压、脉冲电场、超声以及射频加热等新型热替代方案）在过去十五年持续受到研究关注之处。本综述追问AI引导的传感能否弥合这一差距：识别哪些蛋值得强化处理、哪些不值得，并将工艺参数调至满足给定安全目标所需的最低强度。现有综述无法完全回答这一问题，因为各自聚焦于单一技术族。以传感为重点的综述——最全面的是Ahmed等对"蛋业4.0"光学传感技术的综合，以及另外三篇近期专门针对新鲜度检测技术的论述——深入涵盖传感与预测，但未涉及加工决策。以加工为重点的综述涵盖非热巴氏杀菌技术以及加工驱动的蛋蛋白功能变化，但均未实质性涉及基于AI的传感或过程控制。因此，传感与预测一方以及加工与保存另一方各自已被反复综述，而二者之间的联系却鲜受关注。表1比较了六篇最接近的综述，并说明本综述对每篇的补充。
表1. 本综述相对于近期主要综述的定位，其贡献集中于验证、泛化与传感至决策的整合。
由这一比较可得出两点。第一，先前的综述均未被本综述取代；每篇仍是其自身技术族更详细的参考，本综述将其作为基础而非试图复制其深度。第二，此处所主张的核心空白不应被表述为多模态传感或可解释AI的缺失。蛋品特异性多模态融合现已得到展示，基于SHAP的解释也已在蛋品NIR与高光谱模型中有所报道。更具辩护性的空白在于缺乏一条成熟证据链，将异构传感、经校准且可解释的预测、不确定性感知的决策规则以及独立验证的工艺动作连接起来。因此本综述所主张的新颖性在于批判性与架构性：它评估传感至决策通路有多可信，而非将多模态或AI本身呈现为新事物。
鉴于这一综合所需证据的广度——跨越多种传感模态、AI/ML范式，以及验证、实时控制、可追溯性、可持续性与工业放大的系统级问题——本综述分为两部分。本文即第一部分，处理智能蛋品加工通路的传感与预测一半：第2节界定智能系统需要测量或预测的质量与安全属性，并区分直接测量与统计推断；第3节评估传感技术；第4节考察AI/ML方法、可解释性与验证；第5节综述应用特异性预测任务。第二部分讨论非热加工、功能与营养保持、实时控制、数字可追溯性、可持续性与工业实施。在两部分中，凡原始文献允许，证据均按验证层级分类，且来自非蛋食品系统的证据不被视为直接的蛋品证据。第一部分不依赖第二部分来支持其关于传感与预测的任何结论。蛋品特异性文献薄弱的技术（中红外、太赫兹、超声、介电、热、X射线与低场NMR方法）在第3.4节与第3.9节简要处理，且不主张对这些方法的覆盖是完整的。
2. 与智能加工相关的蛋品质与安全属性
本手稿为批判性叙述综述，而非正式系统综述或荟萃分析，且未报告对原始来源选择的方案驱动系统检索。因此，证据框架的目的并非分配合并效应量，而是区分已被证明与仍属合理推测的内容。研究依五个问题加以解读：(i) 测量或预测何种属性；(ii) 信号是直接还是替代；(iii) 预处理、特征选择与模型调优是否与测试数据隔离；(iv) 验证是内部、同源留出、独立来源、跨设施、跨季节/地理，还是前瞻性生产线验证；(v) 是否报告不确定性、类别不平衡与操作决策成本。因此"未报告"与"未证明"二词系有意使用：论文中证据的缺失不被视为该程序未执行的证据。当比较不同数据集与验证设计下看似高准确率的研究时，这一区分尤为重要。
补充文献检索。证据基础分两步核查。第一，于2026年10月23日至24日在通用网络搜索引擎上运行定向查询（查询与结果：补充表S1）。这些查询涵盖声学裂纹检测、饲养系统的拉曼认证、蛋黄抗体的表面等离子体共振检测、近红外蛋品研究中的波长选择、太赫兹与超声方法、商业分级线、蛋壳卟啉荧光以及保质期模型中的母鸡年龄。第二，于2026年10月25日在Scopus、Europe PMC、PubMed、Lens.org与Google Scholar上运行结构化检索，将蛋品术语与非破坏性术语以及目标术语（新鲜度、裂纹、缺陷、认证、沙门氏菌）、传感方法与分析方法组合（查询串与结果计数：补充表S1）。未检索Web of Science。五个数据库检索返回112条记录（Scopus 66、Europe PMC 14、PubMed 11、Lens.org 1、Google Scholar 20，后者为两项查询的首屏结果）；去除31条重复后余81条。标题与摘要（Google Scholar仅标题）由作者借助AI工具筛选。Claude Sonnet 5.5（Anthropic）协助补充文献检索、检索记录筛选与参考文献核验；在修订版中，它还协调了筛选计数、从作者提供的全文提取样本量与验证设计，并起草相应文本与表格。所有AI输出均与源文件交叉核对并由作者审阅，作者对内容承担全部责任。81条唯一记录中，18条已被引用。其余63条中，20条因超出范围（孵化蛋受精或性别鉴定、蛋制品或其他物种、非蛋品特异性记录或前置内容）被排除，1条关于化学残留的被搁置，10条会议、书籍章节或中文记录未评估，32条保留为候选；其中12条在作者提供的全文阅读后加入本综述[12–23]；另1条阅读后因非蛋品特异性被排除；其余19条未全文阅读、未被引用、亦无最终纳入决定，因此本综述结论依托于此处所引来源，那19条的影响未予评估（补充表S6）。除此13项研究外，未进行全文筛选或正式质量评价。仅当来源为同行评审或机构记录、蛋品特异性、直接支持某陈述，且其书目记录可从出版商、期刊、知识库或引用文章确认时，方予纳入。
证据层级。为使各节与各表的验证语言保持一致，采用以下定义。第1层：仅训练或回代性能。第2层：在开发数据集上的内部交叉验证，包括嵌套交叉验证。第3层：取自与训练数据同一采集活动（同一鸡群、设施、仪器与时期）的留出测试集。第4层：独立来源验证，即新蛋与开发集分开获得（例如来自不同鸡群或批次，或在零售购买），但以相同实验室工作流程测量。第5层：跨设施、跨季节或地理验证，即站点、仪器、季节或群体发生变化。第6层：在运行生产线上进行前瞻性验证。部分论文将从第3层起的一切称为"外部"；此处仅第4至6层计为外部，且仅第5与第6层检验设施或操作条件间的迁移。每项研究被赋予其报告设计明确支持的最高层级。若来源未描述测试数据如何与训练数据分离，则层级记为不可确定，不作假设。
在评估传感或AI架构之前，必须界定其旨在测量的属性。蛋品质与安全并非单一、整体变量，而是外部、内部、化学与微生物学属性的集合——有些可通过直接物理测量获得，另一些只能作为来自相关间接信号的预测而获得。混淆这两类类别是传感文献中反复出现的弱点，且这一区分对本类综述至关重要：一个据报道以95%准确率"检测"沙门氏菌的模型，其主张性质取决于它是直接测量了细菌标志物，还是从蛋壳颜色或角质层完整性等无关光学替代推断污染风险。
2.1 外部品质属性
外部而言，蛋品质由一组相关属性界定：蛋壳完整性——包括裂纹、发丝状裂缝与针孔——蛋壳颜色及其均匀性、整体形状与大小、粪便物质、血液或污物的表面污染，以及角质层状况。这些特征之所以重要有两方面原因。裂纹与针孔损害蛋壳作为物理与抗菌屏障的作用：沙门氏菌及其他细菌对蛋壳的穿透与角质层丧失及蛋壳损伤密切相关，因为角质层封闭了细菌否则可进入壳膜的孔隙。相比之下，形状、大小与表面清洁度主要是分级与营销属性而非安全属性，尽管严重污染的蛋壳确实会增加任何下游清洗或消毒步骤必须克服的微生物负载。几乎所有外部属性原则上均可通过光学手段（机器视觉、结构光或声脉冲响应）直接测量，这正是计算机视觉历史上成为商业分级线上首个被采用的传感技术的原因。
2.2 内部品质属性
内部品质是非破坏性评估变得困难之处，因为所关注的参数传统上需要破蛋。哈夫单位在引入近九十年后仍是行业标准新鲜度指数，由蛋白高度与蛋重计算，需要将蛋打碎于平面上。蛋黄指数（蛋黄高度除以蛋黄直径）、蛋黄颜色、气室大小、蛋白pH以及血斑或肉斑的存在，在传统实验室实践中同样以破坏性方式评估。Karoui等对蛋新鲜度评价方法的综述阐明了这些经典破坏性指标如何与贮藏相关劣变的潜在生物化学相关联：随着蛋老化，二氧化碳与水分通过蛋壳扩散逸出，蛋白pH从约7.6上升至9或更高，浓稠蛋白液化（变稀），蛋黄膜减弱并使水分从蛋白迁移至蛋黄，增大蛋黄尺寸并压扁蛋黄指数。第3节所讨论的每一种非破坏性传感技术，实际上都在试图在不物理接触的情况下检测这些潜在生物化学变化的某种光学、光谱或介电相关物。
2.3 化学与营养特性
第三层属性涉及蛋的化学组成：蛋白质含量以及卵白蛋白、卵转铁蛋白与其他蛋白的相对比例；几乎完全集中于蛋黄的脂质含量与脂肪酸谱；水分含量；pH；脂质与蛋白质氧化状态；脂溶性维生素（A、D、E）与类胡萝卜素（叶黄素、玉米黄质），后者决定蛋黄颜色并具有文献记载的抗氧化与眼健康相关性；以及其他生物活性化合物如卵黄高磷蛋白与免疫球蛋白Y。这些通常是最难以非破坏性方式获取的属性，因为它们需要光谱技术足够灵敏以透过完整蛋壳分辨重叠的化学特征，且加工本身可改变它们，这一关切在第二部分进一步展开。
2.4 安全特性
安全相关属性包括微生物污染（主要是肠炎沙门氏菌与鼠伤寒沙门氏菌，这两种血清型最一致地牵连于带壳蛋与液蛋暴发）、腐败指示物如总挥发性盐基氮、化学污染物，以及掺假或真实性（例如生产系统标签错误，如笼养与散养或有机，这已激发专门的认证研究）。正是在这一属性层，测量与预测的区分最具后果。在商业条件下，没有光学或光谱传感器直接检测沙门氏菌细胞；此类传感器检测的是替代物、与细菌活动相关的挥发性代谢物、与污染风险升高统计相关的物理损伤（裂纹），或与腐败化学副产物而非致病生物本身相关的光谱位移。基于此类替代物构建的预测，其可靠性仅取决于替代物与潜在危害之间的相关性，而该相关性可被实验室规模校准集可能未采样的变量（母鸡品系、日粮、贮藏温度、地理来源）所破坏。这种直接测量与间接预测之间的区分贯穿本综述，凡讨论具体传感或AI应用时均明确处理，并在第二部分关于食品安全风险管理的语境中进一步展开。表2总结这些属性及其目前报道可获取的传感模态，并逐属性标明当前证据支持直接测量还是仅统计预测，以及所报道的就绪水平。
表2. 与智能加工相关的蛋品质与安全属性、报道可获取它们的传感技术，以及当前证据支持直接测量还是间接预测。认证条目（NMR、脂质组学质谱、蛋壳元素谱）与生物传感器条目依赖样品提取或制备。它们是实验室分析方法，而非完整蛋的无损测量。
3. 用于智能蛋品加工的先进传感技术
3.1 计算机视觉
在本综述所考虑的传感技术中，计算机视觉——传统RGB或灰度成像配合图像处理，并日益结合深度学习分类——是工业成熟度远最高者。自动收集与清洗已在许多商业鲜蛋设施中成为标准，而计算机视觉只是将现有自动化延伸至基于外部缺陷的分级，否则该任务仍将依赖人工检查员以生产线速度工作。机器视觉裂纹检测历史悠久。1991年报道的一种针对静止蛋的灰度图像分析方法达到96%成功率，但每枚蛋需约25 s，后续工作将其扩展至旋转蛋；随后报道的图像直方图神经网络分类器据总结可达约90%准确率且速度高得多，彩色计算机视觉与神经网络也被应用于裂纹、血斑与污渍以及褐壳蛋污物。这些早期研究确定了当前深度学习系统所处理的主要图像分析任务（裂纹、污物、血斑）；所变化的主要是速度与所学特征的使用。近期一篇蛋壳质量检测综述更详细地涵盖该领域。一种基于图像处理的多流生产线分选蛋也已有描述。
文献中报道的方法从经典图像处理到完全学习的深度架构不等，Ahmed等的综述总结了三种此类方法在同一任务（识别脏蛋与裂蛋）上的比较。经典特征法、卷积神经网络与语义分割模型返回的平均精确率（在正常、脏、裂三类上）分别为94%、91.25%与85.75%，平均处理时间分别为每枚蛋图像0.049、0.11与0.47 ms。表面看来，经典方法平均而言既最精确又最快。91.25%这一数值是原始研究结论中所述数字；其自身表3中的类别精确率平均为91.0%。然而在原始研究中，分割模型具有最高的裂纹召回率（0.99对经典方法的0.88），且测试集仅含70幅图像。该比较说明了传感文献中反复出现的局限：跨不同研究、数据集乃至同一研究内评估的不同方法所报道的准确率数字，并不自动相互可比。它们受类别平衡、缺陷严重程度在测试集中的分布方式以及开发者选择优化的误差成本所塑造。在边界案例较少的数据集上调优的经典方法，可能优于在更难、更具代表性数据集上训练的深度模型，而此类比较对 unseen 生产线的泛化所言甚少。
表3. 应用于蛋品的先进传感技术：原理、目标属性、速度、相对成本、工业就绪度、主要局限与代表性证据。最后一列数值来自不同任务、数据集与指标，跨行不可比；"未提取"指本综述未收集该项。
表4. 本综述所讨论的用于蛋品质/安全预测的机器学习与深度学习方法，明确列出数据集大小与验证实践。
该领域较近的轨迹是转向能够联合处理外部缺陷检测与分级的深度卷积架构，而非作为分离步骤。例如，Yang等开发了一个两阶段系统，将用于分类的实时多任务检测器（RTMDet）与用于重量预测的随机森林模型配对，在无笼蛋生产上评估，能将蛋分入五类：完整、破裂、带血、地面蛋与非标准尺寸。该系统达到最佳分类准确率94.8%，重量预测R2为0.960，作者将其定位为首批在单一流水线内执行分类与称重的系统之一。应当注意，该证据来自实验室与中试规模的大学研究平台，而非跨商业设施的验证，作者本人也将工作定位为概念验证而非可部署系统。即便如此，它指向该领域的发展方向：朝着将若干单一用途经典视觉步骤整合为一个学习流水线的多任务模型。
声脉冲分析是裂纹检测最成熟非光学方法。该方法分析轻敲蛋的频率响应，因为完整蛋壳以可重复频率模式响应，而破裂蛋壳则不然。商业部署集中于外部 grading 步骤。当前高产能分级机的制造商描述列出自动称重、污物检测与裂纹检测，一台18排机器吞吐量高达每小时180,000枚蛋，另一台提供非接触式视觉裂纹检测作为集成模块。声脉冲裂纹检测是为高速生产线开发的，当时每通道每小时约10,000枚以上的人工照蛋已成为瓶颈；原始研究报道90%裂纹检测率且误剔除率低于0.5%，后续工作将声学特征与监督分类器结合，在预测集报告97.1%识别率。这些来源描述设备能力。它们是制造商或实验室报告，本综述未识别到对商业裂纹检测器的独立同行评审准确性审计。内部品质、组成与微生物安全在商业线上仍通过抽样与破坏性检测评估，而下文综述的光谱、电子鼻与生物传感器研究仍处于实验室或中试规模。
计算机视觉本质上局限于表面信息。它能表征蛋壳，并通过照蛋式透射分辨气室大小或总体蛋黄位移等粗略内部特征，但无法获取化学组成，无法在不进行破坏性校准的情况下分辨哈夫单位等更精细的内部品质指数，也无法直接检测微生物污染。这一差距促成了下文所述的光谱与高光谱方法。
3.2 高光谱成像
高光谱成像（HSI）将相机的空间分辨率与光谱的化学特异性相结合，在宽连续波长范围的每个像素处获取反射或透射光谱，近期综述将其视为非破坏性内部蛋品质评估的主要候选。由于HSI同时捕获空间与光谱信息，它原则上既能定位缺陷（裂纹位于蛋壳何处），又能表征组成（新鲜度变化的化学基础），这是纯成像或纯点光谱各自无法单独提供的组合。
Yao等2022年的研究说明单一高光谱数据集如何服务于多项任务。他们使用在401至1002 nm采集的透射可见-近红外高光谱图像，采用标准正态变量预处理与迭代保留信息变量算法进行波长选择，然后将所得模型应用于同一数据集的三个不同任务：预测蛋新鲜度（通过哈夫单位）、检测散黄（破蛋黄）以及检测蛋壳裂纹，后者通过专门构建的算法提取图像中裂纹模式的几何特征。一项由部分重叠作者组开展的伴随研究，将相同透射HSI方法应用于更聚焦的问题：追踪S-卵白蛋白含量这一公认新鲜度生物标志物在蛋贮藏过程中的变化；其所产生的简化模型在第3.3节讨论。然而两项研究共享相同的证据局限：它们代表实验室规模、单站点验证，且此处所考察材料中未报告基础数据集大小或跨不同鸡群、饲料或贮藏历史蛋的外部验证程度。这是一个实质性差距，因为已知蛋组成取决于母鸡品系、年龄与日粮；若无跨群体验证，则不清楚这些模型在构建条件之外能泛化多远。更近期的HSI研究将方法扩展至跨品种与贮藏温度，并将其与深度学习和距离相关波长选择结合；二者均在第5.1节考察。早期900–1700 nm范围的近红外HSI工作预测了25 °C贮藏蛋的哈夫单位。采集几何也影响性能。在一项结合集成学习的高光谱散射图像研究中，最高分类准确率为散射100%、混合96.25%、透射95.0%、反射88.75%。这些数值来自一项研究、一台仪器与一个样本集，因此几何排序不能假定在别处成立。
裂纹检测是HSI附加光谱维度产生可证明（尽管仍部分）优于传统成像的一个实例。近期一项研究将1000–2500 nm高光谱数据与注意力增强三维卷积神经网络（称为3D-CrackNet）配对，专门识别在传统照明下难以检测的蛋壳裂纹，尤其是在褐色或多色蛋壳上以及视觉复杂背景下。所报道F1分数为75.49%，基于自建的400枚蛋样本数据集。作者直接将动机与上述Yao等的方法相联系，指出传统基于HSI的裂纹检测仍在精细裂纹尖端处挣扎，其与周围蛋壳的微弱对比使精确定位困难。一个中70多F1分数被呈现为进步，表明即使附加光谱信息，精细蛋壳裂纹的自动检测仍未解决，而外部缺陷分类则更为成熟。400样本数据集为自建，所报道性能尚未在独立蛋群体上测试。
在应用于蛋品的HSI文献中，三项局限以一定一致性反复出现。第一是几何性的：弯曲、光亮的蛋壳表面以复杂化图像分割与光谱解释的方式散射和镜面反射光，多数研究通过精心控制的照明几何解决，而这种方案可能无法干净地迁移至高速生产线较不可控的条件。第二涉及色素沉着，其作用为混杂因素而非纯装饰变量：褐壳与白壳在可见与近红外范围吸收和透射光的方式不同，因此在一种壳色上校准的模型通常需要单独校准，或至少仔细的独立验证，才能可靠应用于另一种。第三且可能对工业转化最具后果的是经济与计算方面：高光谱系统比传统RGB相机更昂贵，其生成的数据立方体庞大，对商业线速度下的实时处理构成吞吐问题。一篇2025年专门聚焦蛋品与孵化业高光谱成像的综述较深入考察了这一就绪差距。该综述未涉及与下游工艺选择的联系，这超出其范围。
3.3 多光谱成像
多光谱成像（MSI）是绕过高光谱成像吞吐局限的一条可能途径：MSI系统不在每个像素获取连续光谱，而是在少量预选离散波段捕获反射率，以光谱分辨率换取采集速度与成本。在蛋品文献中特别值得注意的是，专门构建的多光谱硬件相对罕见；相反，大多数在蛋品中起多光谱传感作用的东西，是作为高光谱研究的第二阶段出现的，其中化学计量波长选择算法被用于识别数百个波段中哪少数几个实际携带判别信息，从而原则上可围绕这些波段构建更简单、更快速的仪器。Yao等的S-卵白蛋白监测研究明确阐述了这一逻辑，使用竞争性自适应重加权采样将数百个高光谱波长缩减为小特征集，其明确目标是开发适用于在线多光谱系统而非全高光谱系统的简化模型。
波段选择也已与深度网络结合用于实时检测。Chen等开发了将波段选择与深度神经网络、一维、二维与三维卷积网络以及MobileNet结合的高光谱蛋缺陷与新鲜度检测技术。他们报道新鲜度总体准确率99%、缺陷检测100%，并在一种检测时间31 ms的更快速缺陷检测配置中达到95%总体准确率；工作围绕生产线与消费者使用两者构建。摘要未说明测试数据如何与训练数据分离，因此未分配验证层级（表4）。一篇更广泛的应用于禽产品（非蛋品特异性）的光谱成像综述对该领域整体得出可比结论：高光谱与相关光谱成像方法在粪便检测、食品欺诈、微生物污染、物理缺陷与产品质量的文献中均有充分代表，但该综述自身的综合（基于67项研究的系统检索构建）仍将这些大体视为实验室演示而非已部署系统。对本综述的实践结论是，蛋品多光谱成像最好不被理解为高光谱成像的竞争技术，而是其面向工业的终点，即高光谱校准一旦识别出信息波段后所要产生的波长缩减、成本降低版本。
3.4 近红外光谱
近红外（NIR）光谱通常以点光谱形式透过蛋壳而非作为成像模态应用，已应用于蛋新鲜度十余年。Giunchi等使用带光纤探头的傅里叶变换NIR光谱展示了带壳蛋的非破坏性新鲜度评估，确立该技术可透过完整蛋壳追踪贮藏相关劣变。蛋在20 °C贮藏16天；测试集R2值气室高度为0.722、浓蛋白高度为0.789、哈夫单位为0.676，且蛋按贮藏天数分类准确率100%。所有蛋均在单一温度贮藏。在此基础上，Abdel-Nour等使用可见/NIR光谱专门预测哈夫单位、气室高度及其他蛋白品质指数，将NIR定位为旨在取代的破坏性参考测量的候选替代。贯穿这一系列工作的一致发现——在更近期使用化学计量波长与变量选择算法的研究中亦有呼应——是NIR光谱能够追踪定义经典哈夫单位与蛋黄指数的同一潜在生物化学轨迹（蛋白变稀、pH上升与水分迁移），而无需破蛋。
NIR的主要优势是仪器性的而非纯分析性的：便携式、手持式与光纤探头NIR系统已商业化，比高光谱相机便宜，且无需成像光学，因此点NIR是此处讨论的较可行选项之一，可改造加装于现有照蛋或分级线。便携式NIR仪器已在完整蛋上测试：Cozzolino等分析来自两种生产系统（笼养与散养）、在室温或冷藏温度贮藏的700枚蛋，预测贮藏时间的交叉验证R2为0.67至0.84，交叉验证标准误为5.4至7.6天；最弱结果（R2 0.67，RPD 1.8）为室温笼养蛋。便携式NIR结合机器学习也已应用于鹌鹑蛋。紫外-可见范围（200–1000 nm）透射光谱预测300枚在两种温度贮藏21天的鸡蛋的S-卵白蛋白含量，测试集相关系数0.93，并在一次活动的随机70/10/20划分上以92.00%总体准确率区分新鲜与陈旧蛋（第3层）；新鲜/陈旧类别通过同一批蛋破坏性指数的模糊聚类导出，三分类时总体准确率降至79.85%。一台手持NIR光谱仪（740–1070 nm）以高于95%的识别率识别在常温或冷藏条件下贮藏蛋的新鲜度类别，并基于独立集预测产蛋标记日期R = 0.87–0.88（RMSEI 2.57–2.66天），但它使用来自一个农场的120枚蛋，每枚扫描三次，因此若干光谱来自同一枚蛋，第3层是该设计最多能支持的层级。其主要局限是其优势的镜像：由于传统NIR光谱仪收集单一平均光谱而非空间分辨图像，它无法定位缺陷或组成梯度出现在蛋壳何处或蛋内何处，而高光谱与计算机视觉系统（第3.1、3.2与3.3节）本质上更擅长此任务。这种互补性——成像模态的空间分辨率、点光谱的化学信息与低成本——是传感文献中支持多模态而非单一技术传感架构的最清晰论据之一，这一主题在第3.10节展开。
两项研究说明测量几何与贮藏条件如何限制NIR性能。Wang等比较了在4或25 °C贮藏的210枚褐壳蛋上的漫反射与漫透射。透射是更具信息量的模式，因为在反射模式下信号主要来自壳膜。线性判别分析在25 °C预测集以91.4%准确率识别贮藏天数，但冷藏蛋仅25.6%，协同区间PLS预测哈夫单位在25 °C的RMSEP为4.25。Lin等发现连续投影与基于区间的变量选择减少了建模蛋新鲜度所需的波长数；最佳模型将遗传算法与协同区间PLS结合，使用42个变量，达到RMSEP 3.29。两项研究均为小样本集实验室研究，此处所综述摘要未说明其验证层级。NIR研究在测量几何（反射、透射、光纤探头接触）、贮藏温度、样本量与目标（哈夫单位、贮藏天数、贮藏时间）上各异，因此其性能数值不能直接比较。在此所综述摘要中，无一描述在不同设施或季节的蛋上验证，且校准模型特定于所用仪器与贮藏条件；向其他仪器、鸡群与贮藏历史的迁移将需要重新校准或校准转移，而这些研究未予考察。中红外（MIR）光谱因采样要求不同而单独考虑。MIR波段为基频振动，比NIR倍频与合频更特异，但穿透很短且水吸收强烈，因此蛋品MIR研究使用衰减全反射（ATR-FTIR）对采样材料进行。Michalczyk与Kurczab记录来自50枚蛋（每 laying-system 类10枚，29天贮藏期内10天每天每类一枚）的壳碎片、蛋白与蛋黄的ATR-FTIR光谱，并使用聚类分析与PCA分离类别并追踪组成变化。蛋白与蛋黄取自破蛋，因此该工作并非完整蛋测量，样本小，且未描述具独立验证的预测模型。未识别到线速度下完整蛋MIR研究，基于当前证据，MIR不是在线部署的候选。
3.5 拉曼光谱
拉曼光谱探测分子振动模式，且由于其散射信号对水含量基本不敏感，提供了互补于NIR光谱所依赖的水主导吸收光谱的化学特异性窗口。直接应用于蛋壳表面，拉曼光谱已被证明可追踪支配新鲜度丧失的同一角质层降解过程：Liu等展示了使用拉曼光谱结合化学计量学从蛋壳进行在线、非破坏性蛋新鲜度评估，报道当光谱从直接接触蛋白的蛋壳区域收集时预测性能最强，这与角质层蛋白降解机制一致，并构建了偏最小二乘判别分析分类模型，其混淆矩阵性能被作者直接联系回该机制解释，而非将模型视为黑箱。另一项将显微拉曼光谱应用于蛋壳与蛋黄的工作报道了基于温度与贮藏时间的蛋条件80%验证集分类准确率，类胡萝卜素相关拉曼峰被识别为主要判别特征，并将分类与化学变化（类胡萝卜素耗竭及脂质与蛋白质氧化）相关联。
拉曼模型可通过特定峰（如类胡萝卜素或蛋白质酰胺带）解释，这优于某些驱动特征较不直接可解释的深度学习成像方法。拉曼光谱也已被提出用于蛋品认证，基于类胡萝卜素、脂质与蛋白质拉曼强度比区分来自不同饲养系统（笼养、舍饲、散养与有机）的蛋，这一应用类别直接相关于第2.4节引入的掺假与真实性属性。与这些优势相对，生物样品的拉曼信号常受荧光背景混杂，蛋色素与卟啉是蛋品特别相关的干扰来源，且与此处综述的其他光谱模态一样，迄今报道的校准模型是在单一、实验室控制的样本集上开发与验证，而非跨多个鸡群、季节或设施。此处讨论的拉曼研究报告各自一个样本集的校准或验证结果（表4），且无一测试向其他鸡群或设施的迁移。
3.6 荧光光谱
荧光光谱利用蛋的若干内在生化成分——色氨酸与其他芳香族氨基酸、维生素A，以及与蛋壳角质层相关的卟啉衍生物——天然具有荧光，且其发射强度与光谱位置随蛋老化而可测量地移动这一事实。Karoui等关于前表面荧光光谱的两部分研究是此处识别的最详细处理：首先处理浓与稀蛋白，他们发现基于色氨酸荧光的分类仅达中等准确率（校准与验证中正确分类分别为57.1%与51.9%），随后处理蛋黄，报道使用维生素A荧光的校准与验证正确分类为94.9%与91.4%。这些结果之间的差距表明，在单一模态内，目标荧光团的选择可能与技术选择同等重要；然而两项研究使用不同蛋组分（蛋白与蛋黄），因此比较仅为指示性。另外，可在蛋壳表面检测的角质层相关卟啉荧光已被提出作为无需探测蛋内部即可获取的新鲜度相关信号。该处所引机构报告发现，归因于卟啉的蛋壳红色自发荧光在新鲜蛋中强于较陈蛋。两项Karoui研究均报道来自一个研究群体的校准与验证结果，此处所考察材料中未描述独立外部测试。
荧光光谱共享NIR与拉曼光谱的核心无损优势，并增加一项益处：由于荧光测量在低分析物浓度下可高度灵敏，检测限原则上可低于靶向同一化合物的吸收型技术。其主要实践约束（由上述色氨酸与维生素A结果之间的差距所提示，二者来自不同蛋组分）在于荧光信号强度与特异性随目标荧光团、贮藏条件与激发波长而显著变化。因此基于荧光的传感系统需要比宽带吸收或散射技术更仔细、化合物特异性的优化。
3.7 电子鼻与挥发性传感
电子鼻（e-nose）系统使用气体传感器阵列，或在某些配置中使用快速气相色谱，从蛋随老化或腐败通过壳孔释放的挥发性有机化合物生成复合"气味指纹"。在此所考虑的各传感类别中，这是最直接靶向腐败本身化学的类别，而非其物理或光学替代。Dutta等的早期工作使用导电聚合物传感器阵列确立了该方法用于蛋新鲜度测定的基本可行性。在此基础上，Yimenu等使用快速气相色谱电子鼻在20天贮藏期内判别新鲜度并预测贮藏时间、感官品质与内部品质变化，在独立校准（35样本）与验证（28样本）集上评估其模型。这种明确的训练/验证划分在蛋传感文献中并非普遍（第4.4节）。Li等采取互补、更定量的方法，将电子鼻信号与小波变换特征提取结合以预测贮藏时间与蛋黄指数。其分类模型（线性判别分析与概率神经网络）在留出测试集上对贮藏时间类别达到高达92.86%正确分类，而在其回归模型中，支持向量机在蛋黄指数预测上优于反向传播神经网络（训练R2 0.9641对测试0.8339）。从训练到测试R2的下降说明了第4.4节所讨论的泛化差距。
挥发性传感最清晰的概念优势在于它靶向的信号——胺、醛及其他挥发性代谢物的积累——在机制上比大多数光学替代更接近实际腐败。其最清晰的局限在于吞吐量与特异性。气体传感器阵列通常需要数分钟而非成像方法所报道的亚秒采集时间的顶空平衡期，这使整合入高速分级线复杂化。传感器漂移与对环境湿度、温度的交叉敏感性仍是公认的现场部署实际障碍，尽管此处所考虑的蛋品特异性文献将这些视为一般操作关切而非直接量化其影响。
3.8 生物传感器与电化学传感器
生物传感器——将生物或仿生识别元件（抗体、适配体、噬菌体或DNA探针）与电化学、光学或压电换能器耦合的装置——占据与上述光谱及成像技术不同的生态位。它们不是从间接物理或化学替代推断安全风险，而是设计为直接结合目标病原体或病原体相关分子，使其更接近先前引入的测量与预测区分中的"测量"端。近期一篇电化学沙门氏菌检测方法的综合综述调查了这些方法，并包含若干专门在蛋或蛋壳基质上评估的生物传感器。其中包括一种使用噬菌体识别的无线磁弹性生物传感器，据报道在受控湿度条件下以1.6 × 10
2 CFU每平方厘米的检测限在蛋壳样品上检测鼠伤寒沙门氏菌，以及针对掺入已知沙门氏菌浓度的蛋与禽肉样品验证的免疫传感器方法。表面等离子体共振生物传感器也已被用于检测指示蛋鸡先前肠炎沙门氏菌感染的蛋黄抗体，这是一种不同于蛋产品本身直接病原体检测的鸡群监测应用，尽管值得明确指出，抗体阳性信号表明先前宿主暴露，而非当前产品污染，不应与上述直接病原体检测生物传感器混淆。
蛋品特异性生物传感器的证据图景目前为实验室概念验证。上述综述所综合的研究针对掺入故意引入、已知细菌浓度的样品验证其传感器，这是必要的第一步，但并未确立对实际带壳蛋或液蛋加工线上所遇更低、更多变且受基质混杂的污染水平的性能。本综述所识别的蛋相关生物传感器研究中，无一报道跨多个生产设施、多种沙门氏菌血清型组合或全液蛋复杂富蛋白富脂基质的验证，所有这些考虑都需在生物传感器可被描述（用本综述后文所采用证据层级的术语）为不止于实验室概念验证之前加以解决。
本节及本综述后文应区分三类。直接病原体检测指靶向生物体或病原体特异性标志物的传感器或测定。间接污染风险预测从裂纹、角质层状况或挥发性谱等替代推断风险；它无法确认沙门氏菌存在或不存在。实验室生物传感器测定在拭子、冲洗液、增菌培养物或匀浆中检测病原体，因此需要样品采集或制备，并非完整蛋的非破坏性评估。基于替代的模型的高准确率并非蛋无病原体的证据，此类模型不应被用作食品安全的放行标准。
3.9 其他新兴传感技术
一组较小的附加模态在蛋传感文献中以足够频率出现，值得简要提及，尽管每种证据基础仍薄于上述技术。红外热成像已被探索为一种低成本、基于相机的 freshness 分类方法；在鹌鹑蛋中，结合YOLOv8x-seg与Mask R-CNN的气室热成像在600枚蛋上达到67.5%与75.8%的分选准确率，其气室阈值在同一批蛋上校准（第1层）；介电特性结合图像特征已被用于预测蛋品质；微波光谱（波导与自由空间配置）在244与252枚蛋的单农场研究中以随机校准/测试划分（第3层）预测气室高度、蛋黄系数、浓蛋白高度、哈夫单位与蛋白pH，波导研究最佳残差预测偏差为3.50，自由空间研究为4.80，其光谱、取向与模型选择由测试集性能指导；射线（X射线）成像已被测试用于鲜蛋分级；计算机断层扫描结合三维深度学习分割在150枚贮藏至多28天的蛋中估计蛋高、宽、壳厚与体积，分割准确率在122个图像体积的80/10/10划分上高达98.69%（第3层），这属于形态测量而非新鲜度传感器；低场核磁共振（LF-NMR）已被研究用于蛋白随年龄变稀时结合水与自由水的变化。太赫兹光谱与成像以及基于超声的评估在文献中出现更为零散，通常浮现于单项研究而非形成自身的既定子文献；例子有太赫兹测量蛋壳厚度与超声相速度作为新鲜度指标。声脉冲方法是蛋壳裂纹的例外，存在可追溯至约2000年的子文献，尽管其关注壳完整性而非内部品质。若干近期综述比此处所能更详细地涵盖这些模态，且贯穿它们的一条一致线索是：这些新兴模态尚未积累到高光谱成像、NIR光谱或计算机视觉所见的独立重复深度。在此阶段，最好将其视为多模态传感架构的候选补充，而非自身独立验证的技术。
3.10 跨技术综合
从第3.1至3.9节浮现三种模式。第一，空间与化学信息之间仍存在权衡：成像方法定位缺陷与组成梯度，而点光谱与挥发性传感提供化学信息信号但无同等空间细节。这种互补性为多模态架构提供了强有力理由。多模态融合也已在蛋品中得到展示。Zhang等将电子鼻与高光谱信息结合用于蛋品质分类，而Hassan等更近期融合图像、形状与重量特征用于无损分级与新鲜度预测。一篇2026年《Foods》综述也综合了AI与VIS-NIR、拉曼、荧光及HSI日益增长的整合，并明确将多传感器融合确定为未来方向。因此证据支持如下结论：多模态融合已得到展示，但仍碎片化、任务特异性强，且跨独立生产环境的验证不足。第二，测量与预测的区分仍具根本性：计算机视觉与病原体识别生物传感器可接近直接测量，而大多数光谱与电子鼻系统从相关物理或化学信号推断目标属性。第三，最强未解决问题是泛化。即使多模态或复杂深度学习模型在内部表现良好，文献仍提供有限证据跨越独立设施、季节、品种、地理、传感器配置与生产线条件。因此该领域的核心挑战已从证明多种信号可以融合，转向证明所得模型在数据生成环境变化时仍保持可靠。表3将第3.1至3.9节所发展的逐技术评估整合为一份比较性总结。
4. 蛋品加工中的人工智能与机器学习
第3节已在行文中引入了本节现在直接考察的大多数具体算法：偏最小二乘回归及其判别变体、支持向量机、随机森林、极端梯度提升以及若干卷积架构，均附着于特定传感研究出现。该节按传感技术组织。本节追问无论以何种方式获取的传感器输出应如何转换为质量或安全预测，以及该转换可凭何依据被信任。
4.1 经典机器学习
迄今发表的绝大多数蛋品质与蛋安全模型建立在本综述依通行用法称为经典机器学习的方法之上：偏最小二乘回归及其判别分类对应物（PLS-DA）、主成分分析（用于降维，或结合判别步骤用于分类）、支持向量机（SVM）与支持向量回归（SVR）、随机森林、决策树、k近邻，以及日益增多的梯度提升集成方法如XGBoost。这一类方法对光谱与化学计量蛋数据的吸引力与其数据结构良好匹配：高光谱与NIR光谱高维但高度共线（相邻波长携带冗余信息），这正是基于PLS的方法所设计的范畴，而蛋研究典型的中等样本量（通常几百至最多几千枚蛋）处于这些方法可可靠校准的范围内。
第3节的若干例子说明该方法的优势与边界。Li等的电子鼻研究在同一数据集上从头对头比较四种经典方法——线性判别分析、概率神经网络、反向传播神经网络与支持向量机——发现最佳性能算法取决于所预测的具体结果。概率神经网络在贮藏时间分类上更优，而支持向量机在连续蛋黄指数回归任务上优于反向传播。这种研究内多算法比较比单一报道准确率数字更具信息量，因为它表明"哪种经典方法最好"没有独立于预测任务、结果类型（分类与回归）与底层数据结构的固定答案。波长与特征选择算法——其中包括竞争性自适应重加权采样、迭代保留信息变量法与连续投影算法——在光谱文献中作为这些分类器的伴随物发挥作用。它们不仅是数据缩减步骤；选择算法所保留的波长原则上可映射到已知化学吸收或散射特征，这一性质在第4.3节讨论。
经典方法的比较优势有三：它们通常比深度架构所需训练数据少得多即可达到稳定性能；其输出（回归系数、支持向量、所选波长）无需额外可解释性工具即更直接可解释；且计算轻量足以在普通硬件上运行。其主要局限是通常依赖手工设计或算法预选的特征——所选波长集、纹理描述符与定义感兴趣区域——而非直接从原始像素或光谱数据学习表示。这限制了其在检测浅淡、形状不规则的蛋壳裂纹于多变色素背景等任务上的性能，因为判别模式未被任何预定义特征良好捕获。
4.2 深度学习
深度学习与卷积神经网络（CNN）具体主要通过计算机视觉与高光谱图像分类进入蛋品文献，在那里自动学习空间或光谱特征层次的价值最清晰。Yang等开发了基于RTMDet的分级系统，将实时检测器与随机森林回归组件结合，而Li等开发了用于高光谱裂纹检测的注意力增强三维CNN。更近期工作还表明，多模态特征融合可用相对轻量的外部属性实现：Hassan等将图像衍生深度特征与蛋形状及重量结合，在五个随机种子上，于一个公开186枚蛋数据集报告分级分类（高与低哈夫单位类）平均准确率82.24%与新鲜度分类（新鲜与陈旧蛋黄指数类）70.41%。这些结果既说明前景也说明当前证据规模：多模态深度学习流水线可行，但其数据集相对于商业蛋供应链所遇变异性仍然很小。
迁移学习——用在大规模无关图像语料（最常见ImageNet）上学习的权重初始化CNN，然后在远小的任务特异性蛋数据集上微调——在此处讨论的若干深度学习蛋研究中被使用。它是小标注数据集的常用缓解措施，此处所综述研究中的数据集含数百至几千样本，远少于从头训练CNN通常使用的数万至数十万。目标检测与分割架构（其中RTMDet是第3.1节所讨论的例子）进一步扩展这一点，允许单一模型在一次推理中定位、分类并在某些情况下测量一枚蛋或一个缺陷，这是与第二部分所讨论实时生产线要求最一致的架构方向。
深度学习相对于第4.1节经典方法的比较优势在于其直接从原始图像或光谱数据学习判别特征的能力，这在精细蛋壳裂纹检测等任务中最重要，因为无手工设计特征可靠捕获该模式。该优势并非无条件：它以需要更多训练数据、更多训练与（取决于架构）推理计算资源以及——如下一小节所讨论——比PLS或SVM模型显著更难的可解释性问题为代价。
4.3 可解释人工智能
可解释性在过去几年已从边缘关切转变为食品质量机器学习中的明确设计要求，近期一篇食品特异性可解释人工智能（XAI）技术综述清晰阐述了原因：满足食品质量准确率需求日益需要更复杂模型，但这种复杂性本身引发可靠性关切，且XAI在该综述自身评估中相对于其他应用领域在食品工程中利用不足，同一综述认为这限制了模型使用者可合理对基于AI的质量决策寄予的信任。同一来源对可解释性（模型内部逻辑可直接检查的内在属性）与可解释性（模型已训练后生成的事后近似）所作的区分，是带入蛋品加工语境的有用区分。第4.1节所综述的那类经典方法——PLS回归系数、所选波长、低维特征空间中的支持向量决策边界——在这一内在意义上基本可解释：PLS-DA新鲜度模型权重最大的波长可直接对照水、蛋白质或类胡萝卜素的已知吸收特征检查，这是波长选择算法作为内置可解释性形式发挥作用的原因之一，如第4.1节所述。相比之下，深度架构通常需要单独的事后解释步骤，常用SHAP（Shapley Additive Explanations）处理表格或光谱输入，或Grad-CAM（Gradient-weighted Class Activation Mapping）处理图像输入，以识别哪些输入区域或光谱带驱动了给定预测。
蛋品特异性可解释AI现已被展示而非缺失。Ahmed等将NIR光谱与机器学习及SHAP结合预测蛋壳强度，所选变量促成了一个可解释的壳强度模型。第二项研究将可见-NIR高光谱成像、机器学习与SHAP结合用于蛋蛋黄比率的无损预测，解释图将影响波长区域联系到水、脂质与蛋白质相关光谱特征。这些研究实质性改变了可解释性差距的框架。问题不再是XAI能否应用于蛋品，而是其应用有多广泛、严谨与操作化。当前证据仍集中于少量回归与光谱应用，且文献仍提供有限证据表明解释经专家知识验证、在域偏移下保持稳定，或被前瞻性用于在部署前检测虚假线索。特别是对于计算机视觉系统，蛋品特异性Grad-CAM式分析仍远不如表格或光谱模型的基于SHAP的解释发达。因此，可解释性应被视为一种需要验证的新兴能力，而非可信部署的已解决前提。互补传感模态、多模态数据融合、AI/ML预测、可解释性与外部验证之间的关系在图2中概念性总结。
图2. 用于无损蛋品质评估的多模态传感与AI赋能架构。来自成像、高光谱/多光谱传感、光谱、电子鼻与物理测量的互补信息可在特征、决策或模型层面整合，以改善蛋品质与安全属性的预测。可解释AI方法随后可提供传感器衍生特征与模型预测之间的可解释联系，而独立验证是评估跨蛋、贮藏条件、品种、仪器与设施稳健性与泛化性所必需的。
4.4 模型验证
准确率数字如何估计比数字本身更重要，因为估计程序决定结果是否适用于其来源数据集之外。近期一篇跨越食品完整性中机器学习与深度学习应用的综述发现过拟合普遍，尤其是在小数据集（许多情况下不足100样本）上训练的深度架构中。与之并存的第二个复合问题是：独立队列上的外部验证常被完全跳过。正如该综述所论证，后果是一批文献报道的准确率数字纸上强劲，但在现实实施中站不住脚。应用于本综述所综合的蛋品特异性研究，上述若干研究说明了这些要点，此处总结每项的验证实践，而非将每个报道的准确率视为等同。Yimenu等的电子鼻研究使用明确、独立抽取的校准/验证划分（分别为35与28样本）；Li等的电子鼻回归模型报告训练与测试R2值（蛋黄指数预测为0.9641与0.8339），使泛化差距可见而非以单一数字掩盖；Hassan等发布公开186枚蛋数据集与代码，并通过k折交叉验证评估其模型；如该文所述，SMOTE过采样与PCA在交叉验证折评估前应用于全特征集，因此不能排除训练与测试折之间的信息泄漏。这些是适当方法学透明度的例子，而不必然是强泛化的例子，因为可见的训练-测试差距仍是差距；要点在于报告两个数字的研究允许读者直接判断该差距，而仅报告单一头条准确率数字的研究则不然。
此处所综合蛋品AI文献中反复出现四项验证关切。第一，数据集大小与代表性：许多研究仍依赖一个鸡群、一个设施、一个品种或狭窄贮藏方案。第二，验证层级：来自同一采集活动的留出子集不等同于独立来源验证。第2节所定义的层级构成一个层级：(1) 训练性能，(2) 内部交叉验证，(3) 同源留出测试，(4) 独立来源验证（来自不同鸡群或批次的新蛋，或在零售购买，以相同实验室工作流程测量），(5) 跨设施、跨季节或地理测试（站点、仪器、季节或群体改变），(6) 前瞻性生产线验证。第三，类别不平衡与决策不对称：当裂纹、污染或其他安全关键状态罕见时，总体准确率可掩盖较差的少数类召回。因此应同时报告平衡准确率、灵敏度/召回、特异性、精确率-召回曲线、F1分数以及（在相关时）校准。第四，数据泄漏：在验证划分之前执行的波长选择、归一化、特征提取、增强、PCA、SMOTE或超参数调优可将信息从测试集转移到模型开发中。文献常未报告足够细节以确定每个预处理步骤是否正确嵌套。这些是报告与设计局限，而非个别模型无效的证明；它们决定所报道性能可合理泛化多远。
这一切不应被解读为怀疑底层传感与AI技术是否实际有效。大多数技术的机制基础是可靠的。光谱吸收追踪已知化学变化；图像特征追踪可见物理缺陷。在方法学透明处，所报道准确率常很高。要点比全面怀疑更窄，且遵循贯穿始终的同一证据层级逻辑：在有限、单站点实验室数据集上获得的高准确率数字证明概念验证，而非工业稳健性。在考虑商业规模部署时，混淆二者代价高昂。表4汇集本综述所讨论的代表性机器学习、深度学习、多模态与XAI研究，并明确数据集大小与验证实践。"未报告"指所综述来源未提供足够信息以作确信条目；它不意味着该程序未执行。
最右列现应作为验证地图而非"外部验证缺失"的二元主张来阅读。Bischof等提供本综述中最清晰的独立来源测试（第4层），在超市样品上性能急剧下降；由于其方法需要蛋黄提取，该研究因其验证设计而非作为完整蛋技术被纳入。更近期研究加强了内部严谨性：Nukala等在三个品种、三个贮藏温度与42天上评估，使用无泄漏预处理与嵌套交叉验证，但这仍不构成跨设施前瞻性验证。Liu等将其近红外高光谱模型描述为跨时间，但全部300枚蛋均在产蛋日获得并在一次贮藏实验中跟踪（第1、20与40天），且20%测试集为该活动的随机划分（第3层）；因此那里的"跨时间"意味着跨贮藏时间，而非跨季节或设施。其单任务模型在第1天与第40天之间损失约11个百分点品种准确率（81.2%至70.4%），而多任务设计将其保持在86%附近。Nakaguchi等在同一600枚鹌鹑蛋上导出气室阈值并测试分选，仅支持第1层。Paku?a等以约99%的F分数分类健康与感染支原体母鸡的蛋壳，但健康蛋来自一个参考鸡群，感染蛋来自商业鸡群，且2,521次测量（每壳多次）被随机7:3划分，因此鸡群身份与重复测量同标签混杂，仅支持内部验证（第2层）。Hassan等发布公开数据集与代码并使用交叉验证，提高可重复性，然而研究仍基于小型单数据集开发环境。因此证据支持更精确的结论：验证实践正在改善，但外部、前瞻性与决策导向验证仍稀疏。主要方法学差距不是验证完全缺失；而是检验模型在真实生物与操作域偏移下是否仍可靠的验证层级稀缺。
5. AI赋能的质量预测与自动分级
第3节与第4节分别围绕传感硬件与算法族组织。本节围绕预测任务本身——新鲜度、缺陷、蛋黄特性、组成、腐败与认证——重新组织同一底层证据，因为工厂管理者或监管者并非抽象选择传感技术；他们选择最能解决特定质量或安全问题的技术与算法组合。如此组织也使一项特定方法学警示更易执行：所报道的准确率、R2或F1分数仅相对于产生它的数据集、类别分布与验证程序才有意义，且本节有意避免仅凭头条指标将研究相互排名，原因正是第4.4节所发展的那些。
5.1 新鲜度与哈夫单位预测
新鲜度预测（主要围绕估计或分类哈夫单位构建）是本手稿所综述任务中跨技术证据基础最广者：已通过高光谱成像、近红外光谱、拉曼光谱、荧光光谱、电子鼻传感以及结合波段选择与深度网络的高光谱成像加以处理。合而读之，这一系列工作以合理置信度支持一个结论：新鲜度相关生物化学变化——蛋白变稀、pH上升、水分与CO2损失——在广泛的物理测量原理（光学、振动与化学）上留下可检测特征。这种广度很重要。它表明新鲜度评估的瓶颈不在于任何单一传感原理的不可用，而在于先前提出的验证与标准化问题。
这一系列工作不支持仅凭所报道准确率数字将这些技术相互排名，且此处有意不尝试该比较。此处所综述的新鲜度研究在结果类型（一些通过回归预测连续哈夫单位值，另一些将蛋分类为离散新鲜度或贮藏时间类别）、数据集大小与组成（从数十至数千枚蛋）、贮藏方案（恒温与波动温度、实验室与真实冷链条件）以及训练与测试准确率是分开报告还是合并为单一数字上各异。在这些条件下，一项拉曼研究的分类准确率与一项NIR研究的回归R2并非足够接近地测量同一事物，无法在单一尺度上排名，而将此类比较呈现为仿佛可通约的综述，有暗示存在证据并不支持的既定"最佳"技术之风险。
在单一受控研究内比较可行处，它比跨研究比较更具信息量。Kim等的冷链研究是有用例子：从无损测量的重量损失预测哈夫单位，其迁移学习CNN-LSTM模型在同一研究与验证框架内将RMSE从随机森林比较器的6.62降至2.02。更近期工作说明为何贮藏与群体变异性必须作为模型输入而非 nuisance 因素处理。Ong等使用450–1100 nm HSI结合距离相关波长选择与CNN，获得新鲜度预测相关系数0.9056与RMSE 4.4152。Nukala等将HSI评估扩展至三个品种与三个贮藏温度42天，报告3 °C分级准确率高于92%、20 °C为88%、约33 °C为85%，采用嵌套交叉验证与无泄漏预处理。这些较新研究加强了受控变异下稳健性的证据，但也说明为何跨研究头条比较仍不适当：目标、贮藏条件、预处理流水线与验证设计并不相同。
5.2 蛋壳与内部缺陷检测
缺陷检测——裂纹、针孔、污物、血斑以及（对于孵化蛋）不育——是计算机视觉与高光谱成像产生本手稿所综述最具工业导向结果的任务，第3.1与3.2节已详述主要例子：Yang等在五类缺陷分类上的94.8%分级准确率、Chen等通过结合波段选择与CNN的高光谱成像获得的100%缺陷检测准确率（31 ms实时配置中95%），以及Li等通过高光谱成像对更难精细裂纹检测子问题的75.49% F1分数。这些数字跨越70多至100%。这一跨度不应被解读为算法排名：研究在任务、数据集与验证设计上各异，其中部分合理反映任务难度差异。总体外部缺陷——污物、明显裂纹以及尺寸与形状异常——对任何现代计算机视觉系统而言是相对容易的目标，上述研究报告的分级准确率超过90%。精细蛋壳裂纹，尤其是在色素壳上或复杂背景下，仍更难，因为视觉信号微弱，这就是为何Li等专门为处理这一更难案例构建的高光谱与基于注意力的架构报告相应更温和的F1分数。不考量任务难度而并排阅读这些数字，将低估总体缺陷的进展并高估精细裂纹检测的解决程度。内部缺陷迄今多在诱导案例上测试：Al-Mamun等向蛋内注射血液或刺破卵黄膜以模拟散黄（每种缺陷与壳色100枚诱导与100枚对照），可见-近红外光谱结合判别分析在分层五折交叉验证（第2层）下血斑分类为97.50%（白壳）与98.37%（褐壳）、散黄为99.01%与100.00%，而像素阈值成像方法检测92.00%与88.00%的血斑蛋且无法分割散黄；自然缺陷未测试。对于裂纹，720枚带碰撞诱导裂纹蛋的近红外反射分选在三分之一留出集（第3层）上达到100%（粉壳与绿壳）与98.75%（白壳）准确率，一种电学性质方法在770枚蛋中检测由击打机制造的人工微裂纹，准确率高达99.44%，未描述测试划分。2025年一篇外部蛋壳质量综述同样将壳色、质地与品种变异以及标准化数据集与基准的缺失列为工业部署障碍。
5.3 蛋黄特性
以蛋黄为重点的预测——主要是蛋黄指数与蛋黄颜色/类胡萝卜素含量——已通过结合小波特征提取的电子鼻传感以及对维生素A特异靶向的荧光光谱加以处理。两者之间的比较涉及第3.6节早先提出的一个点：蛋黄维生素A荧光在校准中给出94.9%正确分类，而伴随研究中浓与稀蛋白的色氨酸荧光为57.1%。由于这些结果来自不同蛋组分，它们并非荧光团的同类比较，但表明目标标志物的选择可能与传感原理的选择同等重要。
5.4 化学组成
蛋化学组成（蛋白质或脂质分数、脂肪酸谱与特定维生素浓度）的直接AI预测——而非与组成相关的新鲜度或真实性分类——是本节所综述最不发达的预测任务。本综述浮现的大多数组成相关证据是间接的：NIR与拉曼光谱对蛋白质与脂质特征敏感，作为本节别处所讨论新鲜度与认证预测的机制基础，而第5.6节所讨论的脂质组学与基于NMR的认证研究量化不同饲养系统间的组成差异，作为其分类任务的副产品而非独立组成预测目标。专门使用AI预测定量蛋白质或脂质含量（类似于第5.1节所讨论定量保质期回归）的工作体系，在本综述可用材料中未以与本节所讨论其他任务相当的深度被识别，且该缺失被记为未来工作的特定空白，而非由新鲜度与认证文献外推填补。
5.5 腐败与保质期预测
保质期预测将新鲜度评估（第5.1节）从单时间点估计延伸为在指定或可变贮藏条件下对剩余可用寿命的前瞻性预测，且它是贮藏环境本身（而不仅是蛋）为必要模型输入的任务。Kim等的冷链研究（已在第5.1节讨论）在此直接相关，因为其整个前提与保质期相关：在真实波动冷链温度条件下而非新鲜度文献别处更常用的恒温实验室条件下，从重量损失预测哈夫单位轨迹。这一区分——恒温实验室贮藏与可变真实冷链条件——对保质期预测具体而言比单时间点新鲜度分类更重要，因为仅在恒温数据上训练的模型没有基础外推至蛋在农场、加工商、分销商与零售商之间实际经历的温度波动。另外，包含蛋鸡年龄作为输入的混合机器学习模型已被提出。在一项研究中，通过布谷鸟搜索优化并用AdaBoost提升的反向传播神经网络在测试集预测剩余保质期RMSE 0.68与R2 0.97，去除母鸡年龄降低准确率（R2 = 0.95，RMSE = 1.00）。Arrhenius型动力学方程仍是温度依赖品质损失的经典方法，但所考察材料中未识别到将其与机器学习结合的研究。
5.6 认证
认证——主要是区分来自不同饲养或养殖系统（笼养、舍饲、散养、有机）的蛋——位于第2.4节所引入化学组成与食品欺诈关切的交叉点，并吸引了大量方法学多样的文献：蛋黄脂质的核磁共振光谱、脂质组学质谱结合FT-NIR，以及通过原子发射光谱对蛋壳本身的元素谱分析，均已被用于构建区分饲养系统的分类模型，通常具有高实验室准确率：L?sel等使用基于270枚蛋脂质组学与FT-NIR数据的随机森林模型报道有机与常规蛋96.3%分类准确率，Xie等基于蛋壳元素谱使用最小二乘支持向量机区分散养与笼养蛋，报道95.3%总体准确率、95.6%灵敏度与95.1%特异性。这些认证方法是需要样品提取或制备（例如NMR的蛋黄脂质提取）的实验室分析技术，因此并非完整蛋的无损评估。讨论它们是因为它们承载认证文献中最清晰的验证证据。较小样本集上的早期研究使用蛋黄脂质提取物与蛋血浆的UV-Vis-NIR光谱、1H NMR与靶向脂质组学；据Bischof等，这一早期文献的样本量范围为34至357。
该子文献中一项研究需要比单一准确率数字更仔细的关注，因为它在本综述所综合的每项研究中，是最清晰且最直接量化说明本综述自第4.4节以来所强调内部与外部验证差距的例子。Bischof等使用来自4188个经认证蛋黄的1H NMR光谱，跨四个饲养系统、四个母鸡品种与整个产蛋期，构建跨七种机器学习算法（线性与二次判别分析、PLS-DA、支持向量机、随机森林、k近邻与人工神经网络）的分类模型，这是此处所综述最大的经认证蛋认证数据集。在标准内部验证下（80/20训练-测试划分结合10折交叉验证），支持向量机模型达到交叉验证准确率98.5%与留出测试集准确率99.0%，为所比较七种算法中最强。作者随后直接从超市与折扣零售商购买290枚蛋——独立样品，住房系统有标签但未经验证——并将所有七个训练模型应用于它们。准确率急剧下降。支持向量机模型（内部验证下最强表现者）仅正确分类52.8%的超市蛋按其标签住房系统；该外部集上表现最佳的模型实际上是线性判别分析，为62.8%，其在内部交叉验证中排名第三，而最差模型（k近邻）为45.9%。超市集仅含三类，因为 colony-cage 蛋不可商业获得。
这一下降不应简单解读为泛化失败。作者提供两种解释。部分差距可能反映商业供应链中的标签错误，这本身是与该研究所要解决的认证问题相关的食品欺诈发现；部分反映真实生物变异性（母鸡品种、饲养方案，以及一项前规则：在室内饲养超过12周的散养母鸡蛋必须标为舍饲蛋，该规则于2023年11月改变），而训练集尽管异常大，仍未完全采样。两种解释都指向第4.4节已确立的同一底层方法学教训：模型的交叉验证准确率描述其拟合自身训练群体统计结构的程度，而对独立真实世界样品所引入的变异全范围（生物、季节与供应链）的表现所言相对甚少。LDA经内部交叉验证排名第三（97.2%）却有最高外部准确率，而SVM排名第一（98.5%）却在七者中外部排名第五，这比均匀下降更强的警示：内部验证指标不一定能正确排名模型以反映真实世界性能，更遑论估计绝对准确率。内部验证与独立外部性能之间的这一差异在图3中说明。本综述所综合的其他蛋品AI研究无一直接测试这一点，这就是为何表4仅将第4层赋予Bischof等的研究，即此处所调查文献中的唯一例外。该结果最好被解读为文献大多数尚未测试的风险的一个例子，而非孤立异常。
图3. 从蛋黄提取物1H NMR光谱认证蛋鸡住房系统的七个机器学习模型的内部与外部准确率。数据取自Bischof等[28]的表1与表2（开放获取，CC BY 4.0）。蓝色柱显示4188枚蛋开发集上的10折交叉验证准确率。橙色柱显示从超市与折扣零售商购买的290枚蛋的准确率，按标签上打印的住房系统分类；这些标签未独立验证，且 colony-cage 蛋不可获得，因此外部集有三类。模型按内部准确率排序。虚线标记98.5%，即最佳内部交叉验证准确率（SVM）。外部准确率比该值低35.7至52.6个百分点。LDA内部准确率第三，外部准确率最高（62.8%）；SVM内部第一，外部在七者中排名第五（52.8%）。
补充材料
以下支持信息可下载于：https://www.mdpi.com/article/10.3390/foods15213956/s1。表S1：补充检索日志（2026年10月23–24日，通用网络搜索引擎）；表S2：参考文献审计（87条参考文献）；表S3：表4研究的证据层级；表S4：关键定量主张的主张-来源矩阵；表S5：响应状态矩阵（35条评论）；表S6：数据库检索流程与筛选日志（81条唯一记录）。
