《Food Research International》：AI-driven snapshot hyperspectral imaging for on-line sorting systems in food industry: From real-time sensing to intelligent decision-making
编辑推荐：
•在S-HSI食品分拣系统中，系统级框架将传感与决策相连接。•食品基质会加剧快照成像中的固有权衡问题。•人工智能不仅要实现视觉重建，还需保持光谱的真实性。•在工业环境下，S-HSI原型在性能上存在局限，不如线扫描技术。•验证工作应聚焦于分拣风险及决策结果。引言高通量食品分拣需要在
- •
在S-HSI食品分拣系统中，系统级框架将传感与决策相连接。
- •
食品基质会加剧快照成像中的固有权衡问题。
- •
人工智能不仅要实现视觉重建，还需保持光谱的真实性。
- •
在工业环境下，S-HSI原型在性能上存在局限，不如线扫描技术。
- •
验证工作应聚焦于分拣风险及决策结果。
引言
高通量食品分拣需要在连续的生产线上快速且无损地检测外部缺陷、外来物质以及内部质量特性。这些目标往往存在于复杂的食品基质中，而曲面、镜面反射、组织散射、水分变化、脂肪分布以及批次差异等因素都可能削弱或扭曲与食品相关的光谱信号。传统的物理化学检测方法仍是重要的参考手段，但其破坏性、操作复杂性以及反馈延迟限制了其在实时分拣中的应用。
高光谱成像技术通过将空间成像与光谱分析相结合，解决了这一难题，能够无损地检测表面异常以及物理化学特性。通常，人们通过空间扫描或光谱扫描方式获取三维空间-光谱数据立方体（Bhargava等人，2024年）。在这些方案中，线扫描高光谱成像因其稳定的光谱采集能力和与工业环境的兼容性，成为许多基于输送带的食品检测任务中最成熟的技术。然而，当产品在输送过程中滚动、跳跃、重叠或改变姿态时，顺序采集可能会引入运动引起的伪影、几何畸变以及空间-光谱不匹配问题。正是这些限制促使人们开始研究快照式高光谱成像技术，该技术能够在单次积分时间内获取多波段的空间-光谱信息。由于无需进行时间序列扫描，快照式高光谱成像能够减少运动引起的误差，提高时间一致性，因此成为处理高度动态食品分拣场景的新兴替代方案（Ding、Liu等人，2024年）。
不过，单次采集并不能消除高光谱传感的物理限制。由于三维数据立方体必须被编码到二维探测器上，快照式高光谱成像本质上受到空间-带宽积、光子通量以及探测器资源限制的制约。因此，快照式系统需要在空间-光谱分辨率、信噪比、重建可靠性、校准稳定性以及系统成本之间进行权衡（Zhu等人，2025年；Li等人，2024年）。在食品应用中，与早期霉菌滋生、碰伤、可溶性固体含量、酸度、水分或脂肪相关特性相关的弱光谱响应，可能会被表面反射、散射变化或重建伪影所掩盖。因此，核心挑战在于：在经过空间-光谱编码和重建之后，快照式高光谱成像是否还能保留与任务相关的光谱对比度，尤其是对于那些强度较低的生化信号或早期缺陷信号而言。
人工智能已成为快照式高光谱成像的重要补偿技术。深度学习被广泛用于克服信号处理、特征表示以及决策流程中的硬件限制，使得人工智能从传统的后端分析工具转变为光学-计算感知系统中更为深入整合的组成部分（Zhao、Cui等人，2023年；Ram等人，2024年）。然而，人工智能的补偿作用是有一定条件的，并非始终可靠。其有效性取决于快照测量的精确度、训练数据的代表性，以及在不同食品基质和采集环境下的校准稳定性。如果不对这些限制加以充分考虑，人工智能模型虽然可能提升表面的重建或预测指标，但实际上却可能学习到重建伪影、受照明条件影响的关联关系，或是特定批次的光谱模式，而非真正具有实际意义的食品质量信息。
鉴于物理限制与算法补偿之间的紧密关联，基于人工智能的快照式高光谱成像无法仅仅作为单纯的成像问题或算法问题来加以评估。现有的综述已经总结了高光谱成像在食品质量评估、食品变质分析、食品加工监控以及基于深度学习的光谱建模等方面的应用（Wu等人，2026年；Zuo等人，2025年；Wan等人，2025年；Yang、Guo等人，2025年）。不过，这些综述大多以应用层面或算法层面为主，很少关注快照式架构、人工智能补偿机制、食品基质的变化性以及工业环境限制之间的相互作用。这一差距尤为重要，因为通用型快照式高光谱成像的成果并不能直接应用于食品分拣领域。与许多主要在相对可控的几何条件下侧重于数据立方体重建或场景/材料识别的遥感、生物医学或材料检测任务不同，食品分拣需要在产品通过工业生产线时，于复杂、可变形且往往含水量较高的食品基质中，依然能够保留微弱的光谱对比度。因此，针对食品领域的快照式高光谱成像，不仅需要从帧率、重建质量或离线精度等方面进行评估，还应当考量其在面对批次差异、照明条件变化以及执行器响应时间限制时，能否有效检测缺陷、外来物质以及各种物理化学特性。
如图1所示，用于在线食品分拣的基于人工智能的快照式高光谱成像并非简单的顺序处理流程，而是一个包含多种约束条件的感知-表征-决策-执行一体化系统。在这个框架下，食品基质的变化性与快照式成像特有的物理限制相互影响，进一步加剧了空间-光谱分辨率、信噪比、重建稳定性以及校准可靠性之间的权衡。因此，人工智能被视作一个贯穿信号重建、特征表示学习以及决策过程的条件性补偿层，其有效性取决于在上述多重约束条件下是否仍能保留与食品相关的光谱对比度。重要的是，该框架将上游的感知精度与下游的分拣结果联系在一起，表明必须综合评估成像质量、算法性能以及决策可靠性，而非孤立地看待它们。基于这种包含多重约束条件的系统视角，而非单纯的方法学分类，本综述首先分析了结构较为紧凑的快照式高光谱成像架构，重点探讨了它们的物理限制、在食品分拣中的应用适用性，以及速度、分辨率、信噪比、成本和稳定性之间的权衡关系。随后，综述了从光谱重建、图像恢复到空间-光谱特征表示学习、波段选择、考虑不确定性的决策制定以及边缘设备部署等，各类基于人工智能的补偿策略。此外，综述还通过区分直接的快照式高光谱成像原型与成熟的线扫描以及接近快照式的工业级检测技术，对目前的食品分拣应用成果进行了评估。最后，综述指出了未来需要解决的相关问题，包括针对特定食品基质的验证方法、基于具体任务的架构选择、光谱真实性的保持、受延迟限制的人工智能应用、校准的稳定性，以及与最终分拣结果相关联的闭环评估机制。
章节要点
S-HSI：原理与系统架构
传统的高光谱成像系统是通过时间序列扫描来重建空间-光谱信息的，而快照式高光谱成像则通过将数据立方体光学编码到二维探测器上来实现单次曝光采集。这一技术转变对于在线食品分拣尤为重要，因为在实际生产中，食品产品在不同的姿态、照明条件以及输送带工况下被输送。然而，食品并不是光学性质均匀的目标物体。复杂的食品基质以及动态的生产环境都会引入
从光谱重建到可执行的食品分拣决策：基于人工智能的补偿机制
如前文所述，快照式感知受到诸多固有物理限制的制约，因此仅依靠光学优化，快照式高光谱成像很难在食品工业那种高通量且不断变化的作业环境中产生稳定可靠的输出。所以，必须运用人工智能算法来完成整个处理流程，从解决低层级物理信号的逆问题，到处理高层级的、以任务为导向的非线性映射问题。
食品分拣领域的工业应用与性能评估
对于在线食品分拣而言，不能仅根据是否能够重建出光谱立方体，或者算法是否能达到较高的离线准确率，来判断基于人工智能的快照式高光谱成像的实际价值。实际上，其是否具备工业应用价值，取决于整个感知-表征-决策-执行链条是否能够在固定的时间范围内正常运行，同时还能保证食品的安全性与质量。因此，本节将从三个层面对现有的相关研究成果进行评估：成像方面
面临的挑战与未来发展方向
尽管基于人工智能的快照式高光谱成像在食品质量与安全检测方面展现出巨大潜力，但目前的研究成果还不足以证明其已具备成熟的工业应用条件。正如前文所讨论的，当前的瓶颈已不再是快照式系统能否快速获取光谱信息，或是人工智能能否在受控条件下提升重建与分类性能，而是整个
结论
本综述在感知-表征-决策-执行的整体框架下，对基于人工智能的在线食品分拣用快照式高光谱成像技术进行了深入分析。与传统扫描式高光谱成像相比，快照式高光谱成像能够实现单次曝光采集，因此在动态分拣环境中有望有效减少运动带来的空间-光谱不匹配问题。不过，这一优势也意味着其在空间-光谱分辨率、光子通量、信噪比、重建可靠性以及校准精度等方面存在一定的妥协
CRediT作者贡献说明
赵芬静：撰写——初稿、方法论、实验研究。程俊虎：撰写——审稿与编辑、项目指导、资金申请、概念构思。孙倩：提供资源、参与方法论研究与实验工作。张恒瑞：负责验证工作、提供资源、开展形式化分析以及数据整理。林远东：负责提供资源、参与方法论研究与实验工作。
未引用参考文献
Cai、Liu和Cai，2020年
Gao和Wang，2016年
Gauttam、Nain、Pattanaik和Mendes，2026年
Guo、Dong、Shen、Huang和Zhang，2025年
Jay、Baret、Thomas和Weiss，2025年
Lai等人，2026年
Looney、Raab、Poglitsch和Geis，2003年
Wang等人，2024年
Zhao、Yang、Smith和Gao，2023年
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢
本研究得到了广东省重点研发计划（2025B0202120003）、佛山市新型工业化研究院关键技术研发计划（JBGS2025006）、中国国家重点研发计划（2023YFD2101000、2023YFD2101002）、广东省科技创新杰出青年基金（NYQN2024003）以及TCL青年学者基金的支持。
Fenjing Zhao|Jun-Hu Cheng|Qian Sun|Hengrui Zhang|Yuandong Lin
