《Foods》:AI-Driven Nondestructive Measurement Technologies for Meat Quality and Safety: A Review
编辑推荐:
肉类品质与安全是全球粮食安全的关键组成部分。然而,传统评价技术,包括感官分析以及化学与仪器检测,受到主观性强、耗时高、具有破坏性以及易受偏倚影响等限制。随着传感器技术与计算方法的快速进展,业界对肉类品质与安全属性进行无损、精准且快速测量的需求不断增长。近年来,
肉类品质与安全是全球粮食安全的关键组成部分。然而,传统评价技术,包括感官分析以及化学与仪器检测,受到主观性强、耗时高、具有破坏性以及易受偏倚影响等限制。随着传感器技术与计算方法的快速进展,业界对肉类品质与安全属性进行无损、精准且快速测量的需求不断增长。近年来,人工智能(AI)与无损传感的融合已成为一种变革性范式,能够从多种无损传感技术产生的复杂数据集中提取品质信息,展现出卓越能力。该综述对人工智能驱动的肉类品质与安全评估无损技术进行了系统分析,重点关注机器学习与深度学习同多类传感技术的集成应用。此外,综述评估了当前先进算法及其性能,并识别出部署障碍,尤其包括校准迁移、环境敏感性、可重复性问题、传感器污染,以及跨批次与跨加工厂泛化困难。进一步讨论了经济与监管约束,包括传感器成本高、中小企业(SME)采纳困难,以及与危害分析与关键控制点(HACCP)/国际标准化组织(ISO)框架的协调问题,这些因素进一步限制了商业化扩展。不同于以往主要聚焦单一传感技术的综述,该综述强调了工业实施过程中面临的现实挑战,以及面向真实场景部署的可扩展解决方案开发。最后,研究人员提出了战略性研究重点与建议,以加速智能化肉类品质监测系统在全球肉类产业中的工业化应用。
1. Introduction
引言部分首先指出,全球肉类消费在近几十年显著增长,人口增长、城市化与可支配收入提升是主要驱动因素。肉类作为蛋白质、脂类、维生素和必需矿物质的重要来源,其品质与安全直接关系公共健康与消费者信任。然而,病原体污染与化学残留使得可靠、高效的质量安全评价成为产业刚需。文章据此批判性分析了传统评估路径的局限:感官评价虽在部分场景中快速且成本较低,但标准化不足且易受人为偏倚影响;实验室化学分析与仪器分析则通常具有破坏性、耗时、依赖试剂,难以满足高通量生产线的实时监测需求。
在此基础上,作者提出无损传感技术是解决上述矛盾的重要方向。计算机视觉系统(CVS)、电子鼻(E-nose)、光谱与成像技术能够在不破坏样品的前提下实现物理和化学属性的快速、免试剂检测,并具备嵌入加工线连续监控的潜力。但这些传感器会产生高维、复杂且异构的数据,因此人工智能(AI)的引入成为实现数据到决策转化的关键环节。文章指出,卷积神经网络(CNN)已用于大理石纹与新鲜度评价,近红外光谱(NIR)结合偏最小二乘回归(PLSR)可有效预测水分、脂肪和蛋白含量,而电子鼻结合机器学习则适于检测与腐败相关的挥发性有机化合物(VOC)。除检测准确性提升外,AI驱动系统还可用于腐败预测、工艺优化、货架期估计与损耗降低。
该部分进一步强调,尽管实验室与中试层面的技术进展显著,但多数AI赋能感知方案尚未真正进入工业规模应用。高集成成本、严格的食品安全法规、原料与包装差异性等均构成现实障碍。现有研究往往偏重模型构建及预测性能,而对工业部署因素关注不足。本文的核心贡献即在于将传感技术、AI算法与工业部署挑战直接关联起来,为可真正落地的智能肉类质量安全评价系统提供研究框架。
2. Literature Search Strategy
文献检索策略部分说明,该综述综合使用Web of Science、ScienceDirect、Google Scholar与PubMed数据库,系统检索时间范围为2015年1月至2026年4月。检索式覆盖传感技术、肉类基质、品质与安全指标以及分析方法四大类术语,并通过布尔逻辑AND/OR进行组合。文章依据系统综述和荟萃分析优先报告条目(PRISMA)2020指南进行去重、题名筛选、摘要筛选与全文筛选,最终保留148篇研究,同时补充20篇具有方法学奠基意义的早期文献,合计整合168篇来源。该部分表明本文在资料来源、筛选流程与证据整合方面具有较强系统性。
3. Nondestructive Technologies
本节系统梳理了肉类品质与安全评价中的主要无损检测技术,并从原理、适用属性、性能表现与部署局限四个维度展开分析。
3.1. Computer Vision Systems (CVSs)
计算机视觉系统(CVS)主要用于颜色、形状、尺寸和表面纹理等可视属性的快速无损评价,典型配置包括光源、电荷耦合器件(CCD)相机、图像采集卡与处理单元。文章指出,CVS特别适用于表面颜色、大理石纹、苍白松软渗水肉(PSE)和暗硬干肉(DFD)等具有可见表征的指标评估,在RGB、HSV/HSI、CIELAB等色彩空间下可实现较高分类或回归性能。其优势在于速度快、成本较低、适合在线分级;但由于依赖表面视觉信息,难以可靠评估蛋白、水分、内部脂肪分布及安全性风险,对光照均匀性、眩光、视角和表面洁净度也高度敏感。因此,CVS更适合外观导向型分级,而不适于深层成分与病原风险判断。
3.2. Spectroscopic Techniques
光谱技术通过分子振动、散射或荧光特征获取肉样化学信息,是无损成分与腐败分析的重要路径。近红外光谱(NIR)在780–2500 nm范围内对C–H、N–H、O–H振动倍频与组合频敏感,可较好预测水分、脂肪、蛋白等主体成分,但对pH、颜色和微生物负荷等间接表征指标的鲁棒性相对较弱,且受温度漂移、表面水分饱和、信噪比与校准迁移问题影响。傅里叶变换红外光谱(FT-IR)特别是衰减全反射傅里叶变换红外(ATR-FT-IR)可提供高特异性分子指纹,适于新鲜度、掺假与微生物质量分析,但中红外(MIR)穿透深度浅,更多反映表面特征,且水与蛋白吸收带重叠增加了定量难度。
拉曼光谱依赖分子极化率变化,对脂质与非极性键表征尤其敏感,且受水干扰较小,适用于脂肪酸、早期宰后pH及滴水损失等指标分析。然而,其点测量特征导致代表性有限,扫描速度慢、荧光干扰明显、设备昂贵,故更适合实验室或终端质控而非高速在线分选。太赫兹光谱(THz)具备穿透纸与塑料包装的潜力,可用于密封产品检测及异物识别,但由于水吸收强、设备昂贵、环境敏感且标准化不足,现阶段主要仍停留在研究或特定场景。荧光光谱则依赖内源荧光团,适于监测还原型烟酰胺腺嘌呤二核苷酸(NADH)、Schiff碱等与腐败相关的特征信号,在TVB-N、TBARS和菌落总数(TVC)预测方面表现良好,但其适用范围受限于可发荧光物质,难以全面覆盖脂肪、水分和总蛋白等主体成分。因此,文章认为荧光技术适合作为特定任务型工具,而非通用型肉类分析方案。
3.3. Imaging Techniques
成像技术将空间结构信息与光谱或热信息结合,可对肉样进行更精细的表征。高光谱成像(HSI)可形成包含空间维与波长维(λ)的三维超立方数据,在蛋白、水分、脂肪、色素、成熟度和异常结构识别方面具有较强性能,尤其适合异质产品的组成映射。但其数据量大、计算与存储负担重、设备昂贵、校准复杂、对光照和定位敏感且穿透有限,故难以在高速生产线上大规模部署。多光谱成像(MSI)通过减少波段数提升处理速度与部署可行性,是精度与效率之间的折中方案,更适于颜色、脂肪、水分等已知关键波段属性的在线应用,但其较低光谱分辨率限制了对细微化学差异的感知能力。
热成像基于长波红外辐射测量表面温度及传热行为,适用于检测掺假、组织不均一性与热学异常,但其本质反映的是物理热流特征而非直接化学组成,对环境温度、气流和表面湿度较敏感,因此更适合作为特定异常筛查工具。超声成像通过2–10 MHz高频声波表征组织界面,可有效评估背膘厚度、肌肉深度和部分胴体产量性状,对内部结构具有优势,但依赖接触式耦合介质、操作员经验及稳定姿态,自动化与高通量适应性有限。X射线成像包括计算机断层扫描(CT)和双能X射线吸收测量(DEXA),能够实现内部脂肪、异物和组织组成的无损分析,是内部评价的重要参考方法,但设备庞大、成本高、受辐射防护要求限制,因此多用于实验室或固定检测节点。
3.4. Multimodal Sensor Fusion Systems
多模态传感融合系统通过数据层、特征层或决策层整合不同传感器对肉类物理、化学与挥发性特征的互补信息。文章指出,融合NIR、RGB、HSI、E-nose、热成像等多源信号后,在TVB-N、水分、腐败菌及掺假比例预测中通常优于单一传感器,特别适用于伴随化学变化、挥发物变化和结构变化共同发生的新鲜度与腐败评价。不过,多模态系统也显著提高了成本、系统复杂性、校准与数据库协调难度,校准迁移问题在多模态框架中被进一步放大,因此工业规模推广仍面临较高门槛。
3.5. Electronic Nose (E-Nose) Systems
电子鼻通过金属氧化物、聚合物或比色传感阵列结合模式识别算法分析肉类顶空气中的挥发性有机化合物,适合评价新鲜度、腐败、异味和物种掺假。文章列举了其在腐败牛肉、猪膻味识别以及牛肉中猪肉低比例掺假的高性能应用案例。电子鼻的优势包括响应快、便携和成本相对较低,但其无法直接量化水分、肌内脂肪、蛋白、胶原等主体组成,也不能可靠表征pH、嫩度和质构等缺乏特征挥发物信号的属性。同时,电子鼻对湿度、温度、表面残留和基线漂移十分敏感,需频繁重校准或更换传感器,限制了其在复杂加工环境中的长期稳定应用。
4. Data Analysis Techniques
数据分析技术部分指出,传统肉类图像分析多依赖RGB、HSV、HSL、CIELAB等颜色空间与灰度共生矩阵(GLCM)、小波变换等人工特征,这些方法在PSE、DFD等特定任务中有效,但易受手工特征选择偏差影响,难以处理非线性关系,跨品类泛化能力不足。人工智能的发展使自动特征提取与预测建模成为可能,主要应用包括回归、分类、分割及时间序列预测。
在线性与潜变量模型中,PLSR/PLS-DA因可解释性强、适合小样本高维光谱数据,仍是成分预测和掺假判别的重要基线模型。支持向量机(SVM)/支持向量回归(SVR)则在高维、小样本且存在非线性关系的场景中具有较强泛化能力,但可解释性较弱。随机森林(RF)、XGBoost、LightGBM等树模型和集成学习方法能够处理混合尺度特征并捕捉复杂交互,在电子鼻和光谱数据中显示出优异性能,但通常要求更大数据集,且解释复杂度较高。K近邻(KNN)与朴素贝叶斯(NB)更多用作基线比较。浅层多层感知机(MLP)在样本较少的肉类数据中易过拟合,通常不如PLSR或SVM稳定。
深度学习方面,卷积神经网络(CNN)已成为图像及高光谱数据分析的重要架构,尤其适用于具有明显空间结构的二维或三维数据,可自动学习纹理、边缘及高级表征。注意力机制有助于捕捉长距离光谱依赖关系,迁移学习则缓解了标注数据不足问题,尤其适合RGB肉类图像。长短期记忆网络(LSTM)等时序模型适用于电子鼻腐败动态监测与货架期预测,使评价由静态判别走向预测控制。自编码器用于异常检测与无监督表示学习,生成对抗网络(GAN)等生成模型则被用于数据增强,但文章同时强调合成数据若不能覆盖真实世界变异性,可能导致性能评估过于乐观。总体来看,模型能力增强往往伴随可解释性下降、数据需求上升与部署成本增加,需结合具体任务、数据规模与监管要求谨慎选择。
5. Challenges and Limitations
挑战与局限部分从仪器、模型和运营三个层面展开。仪器层面,光学系统需要稳定照明、固定几何关系和抗振环境,电子鼻存在漂移、交叉敏感与寿命问题,多数实验室设备又价格高、体积大、耐用性不足,难以直接适配传送带环境。计算与模型层面,高维数据增加了过拟合与推理负担,实验室构建的模型常因批次、品种、供应商、包装和环境变化而发生域偏移。温度诱导光谱漂移是典型问题,因此需要稳健特征提取、校准迁移与域自适应。与此同时,深度模型虽精度高,但“黑箱”特征使其在危害分析与关键控制点(HACCP)及国际标准化组织(ISO)体系中的可审计性受到挑战。边缘计算条件下的实时推理、数据治理、持续重训练与再验证也增加了复杂性与成本。
运营部署层面,文章指出生产线速度、包装材料干扰、高压清洗、湿热环境、腐蚀性气氛以及传感器表面血污和脂污附着,都会显著影响在线应用稳定性。不同工厂、多品种、多切块、多配方造成的供应链异质性使模型迁移困难,而行业缺乏统一的无损测量校准和报告标准,进一步阻碍数据互通与监管采信。大型企业与中小企业(SME)之间在投资能力上的差异,也决定了技术扩展并非单纯技术成熟即可实现,而需兼顾明确的成本收益证据。
6. Future Research Directions
未来研究方向部分提出,推动无损传感从实验室走向工业实践,需要在四个相互关联的方向同步推进:更稳健的传感硬件、抗污染探头设计、微型化与边缘智能、以及自适应模型迁移,并以标准化验证为支撑。硬件方面,需开发具备自动自校准、漂移诊断、热稳定模块和内部参考标准的工业级传感系统。探头方面,应借鉴制药过程监测中的自清洁与冲洗设计,降低光学污染和人工维护需求。多光谱探头头端若能共定位集成NIR、MIR、拉曼和荧光模态,将有利于在单一测点获取更全面的信息。
微型机电系统(MEMS)光谱仪以及小型激光/发光二极管(LED)阵列将推动低成本、分布式在线传感器发展,而边缘计算可在本地完成预处理与推理,降低云端依赖和时延。模型方面,直接标准化(DS)、分段直接标准化(PDS)、域不变偏最小二乘(di-PLS)、迁移成分分析(TCA)、外部参数正交化(EPO)和动态正交投影(DOP)等方法,被认为是解决跨仪器、跨工厂、跨环境校准迁移问题的关键。最后,只有将光谱监测与ISO 22000、HACCP等现行食品安全体系中的关键控制点相衔接,并建立可追溯、可审计的标准化验证流程,相关技术才可能真正加速产业采纳。
7. Conclusions
结论部分总结认为,肉类品质与安全无损测量技术已形成包括CVS、NIR、FT-IR、拉曼、THz、荧光、HSI、MSI、热成像、超声、X射线、电子鼻以及多模态融合在内的多元技术体系。多模态系统在准确性、鲁棒性和适用范围上优于单传感器方案,但复杂度和成本也更高。当前CVS与NIR已进入较早期工业应用阶段,而HSI、MSI、拉曼和电子鼻等仍多处于研究或中试阶段。影响产业化的关键瓶颈包括设备成本、传感器污染、校准迁移、法规验证、计算负荷和专业数据分析能力。未来若能实现低成本硬件、标准化光谱库、自清洁探头、自适应机器学习以及跨工厂大规模验证,AI赋能无损检测将有望从实验室创新转化为全球肉类工业中可扩展、实时化、数据驱动的常规质量安全管理工具。