《Foods》:A Review of Machine Learning and AI Applications in Enhancing HACCP Systems for Ice Cream Manufacturing
编辑推荐:
危害分析与关键控制点(HACCP)系统通过在整个食品加工过程中(包括冰淇淋等乳制品)的关键控制点实施质量保证计划、持续监控、纠正措施和风险缓解策略,为食品安全提供了预防性框架。人工智能(AI)正日益通过实现食品加工系统中的实时监控、预测分析和自动化决策,转变食
危害分析与关键控制点(HACCP)系统通过在整个食品加工过程中(包括冰淇淋等乳制品)的关键控制点实施质量保证计划、持续监控、纠正措施和风险缓解策略,为食品安全提供了预防性框架。人工智能(AI)正日益通过实现食品加工系统中的实时监控、预测分析和自动化决策,转变食品安全管理。本综述批判性地审视了将AI技术整合到冰淇淋制造的HACCP系统中,重点关注改进危害检测、过程控制、可追溯性和纠正措施效率。综述评估了物联网传感器、计算机视觉和基于机器学习的预测监控系统在关键加工阶段(包括原料接收、巴氏杀菌、连续冷冻和硬化/储存)的应用。与传统HACCP系统相比,AI辅助技术在异常检测、预测性维护、自动化验证和数据驱动风险管理方面提供了更强的能力。然而,它们的工业实施仍受到数据质量限制、基础设施成本、网络安全风险、监管不确定性和模型可解释性有限的制约。因此,本综述强调了与工业可扩展性、动态加工条件下的验证以及冰淇淋专用AI数据集缺乏相关的主要研究空白。最后,综述确定了在食品加工和质量控制系统中应用AI技术的未来研究方向和新兴机遇,为冷冻乳制品制造中智能HACCP系统的演进提供了框架。
以下是对论文主体部分的学术性总结,保留小标题,每段内容符合小标题,未提及不确定内容,去除了引用文献标识和图示标识,专业术语以括号备注英文缩写,并注意上下标格式。
**1. 引言**
危害分析与关键控制点(HACCP)系统是现代食品安全管理的核心,为控制生物、化学和物理危害提供预防性框架。在乳制品和冷冻甜点制造中,HACCP对于最小化微生物污染、维持产品质量和确保法规合规尤为重要。冰淇淋作为全球消费最广泛的冷冻甜点之一,面临与原料奶处理、巴氏杀菌效率、原料变异性、冷冻动力学、冷链管理及加工后污染风险相关的独特安全与质量挑战。然而,传统HACCP系统严重依赖人工检查、定期采样和基于操作员的决策,限制了其在动态工业条件下持续监控、快速危害检测和自适应过程控制的能力。人工智能(AI)、机器学习(ML)和数字监控技术的最新进展通过实现预测分析、自动化异常检测和智能过程优化,正在转变食品安全管理。物联网(IoT)通过集成无线传感器、云连接监控平台和自动数据采集系统,为智能HACCP实施提供了关键基础设施。计算机视觉和ML技术正被研究用于自动检测、污染物检测、原料分级、预测性维护和货架期估算。尽管已有研究涉及AI在食品安全中的应用,但针对冰淇淋制造的AI、ML和IoT辅助HACCP系统整合研究有限。本综述系统检索了Scopus数据库,结合关键词如“HACCP”、“ice cream”、“artificial intelligence”、“machine learning”等,识别出142篇同行评审文献,并利用了FAO和USDA的监管指南构建HACCP计划框架。
**2. 智能HACCP系统的核心技术**
**2.1 数据采集:物联网(IoT)**
IoT技术旨在通过传感器收集和传输过程条件或产品特性数据,提供加工线可能变化的实时信息。例如,研究使用Arduino控制收集食品储存条件(温度、湿度、甲烷水平)数据,并通过蓝牙传输至应用进行可视化与异常检测。乳制品质量评估还需评估产品相关变量,如pH、可滴定酸度、微生物负荷等。在原料奶接收阶段,AI辅助监控可通过快速微生物筛选方法、生物传感器、光谱技术(如FT-IR或拉曼光谱)、电子鼻系统和常规质量分析,整合入ML模型以识别异常样本(如致病微生物、体细胞数升高、抗生素残留、黄曲霉毒素M1等)。有效IoT技术包括传感器、通信技术和云计算平台。数据通常通过Wi-Fi传输至云系统存储,支持可追溯性。IoT网络架构可分类为多层框架:设备层、网络层、服务支持层、应用层以及管理和安全层。研究将IoT与智能包装和传感器集成,使用近场通信(NFC)标签和傅里叶变换红外(FT-IR)检测技术以提升可追溯性。
**2.2 自动检测:计算机视觉**
计算机视觉依赖传感器和图像采集设备进行数据收集、分析和预测新兴危害或质量缺陷,且与AI技术(如卷积神经网络(CNN)、基于Transformer的模型和生成对抗网络(GAN))集成时效果最佳。其工作流程包括采集、预处理、分析和解释四个阶段。设备通常包括相机和图像编辑软件,用于去除光照或背景干扰。大多数计算机视觉技术用于采集红绿蓝(RGB)颜色信息,但近期研究扩展到X射线成像、粒径测定、泡沫形成能力测量及ELISA比色信号解释。在冰淇淋制造中,RGB相机和多图像采集可用于巴氏杀菌期间监测热致颜色变化、均质化期间评估乳化均匀性、冷冻期间评估冰晶发展及最终产品检测。计算机视觉需根据产品参数调整,使用边缘检测、滤波和对比度调整等方法预处理图像,并通过CNN等AI算法分析产品特性、识别质量缺陷并支持预防措施。
**2.3 预测分析:机器学习(ML)、深度学习(DL)和自然语言处理(NLP)**
ML算法连接经验数据采集与预测建模,实现货架期估算、污染检测和加工优化。ML算法分为监督学习、无监督学习和半监督学习。监督模型使用有标签数据集进行预测,无监督模型处理未标签数据,半监督模型结合两者处理不完整数据集。相关ML模型包括支持向量机(SVM)和决策树(监督学习),以及K-means聚类和高斯混合模型(无监督学习)。SVM可用于回归和分类,适用于发酵、封装、挤压和掺假检测等单元操作。决策树通过分层分割进行分类,曾用于分类牛奶微生物参数。无监督模型如K-means聚类用于分析储存条件和通过高光谱成像检测掺假物。DL模型如CNN、GAN、人工神经网络(ANN)、全卷积网络和Transformer正快速应用于食品行业,分析原料(水果、鱼、谷物、蔬菜)的外观、化学组成、形态或污染物。自然语言处理(NLP)用于解释来自报告、历史数据、法规和文本的信息,支持决策,应用包括标签政策、添加剂法规、关键污染物限值、病原体爆发前因和食品欺诈报告。NLP还可增强DL模型的可靠性。
**3. AI和ML在HACCP基本原则中的应用**
基于HACCP基本原则,近期研究将IoT、计算机视觉、ML、DL和NLP应用于HACCP计划开发。ML算法可读取和解释安全日志、消费者报告、历史数据和异常报告,识别污染趋势。这些算法应与预测算法(如决策树或SVM)结合,标记关键安全参数并确定主要风险。原料的微生物和化学组成对确定是否将某阶段分类为关键控制点(CCP)或控制点(CP)至关重要。研究表明,AI辅助方法涉及数据分类和巴氏杀菌参数模拟(如流量、pH、温度、压力、电导率),以优化风险检测和产品安全性。AI技术通过增强数据采集、提高数据可靠性和提供更深入见解,验证食品安全危害是否得到有效控制。
**4. 案例研究:冰淇淋制造AI增强HACCP系统的设计**
该AI增强HACCP框架是基于文献和监管指南的综合概念设计,尚未在工业环境中实施或验证。
**4.1 工艺流程图映射**
**4.1.1 系统范围数字架构**
向智能冰淇淋加工线过渡需要稳健的数字架构,确保透明性、可追溯性和产品安全。云基础设施(如Amazon Web Services(AWS)和Google Cloud)用于实时数据收集和安全存储。Gaia-X通过防止未授权操作确保数据完整性,并与本地食品安全指南对齐。区块链(Blockchain)结合Gaia-X提供增强的数据安全、可追溯性和快速召回决策,连接存储架构与近场通信(NFC)和射频识别(RFID)标签。远距离广域网(LoRaWAN)和Wi-Fi模块作为通信骨干,确保传感器连续通信。ML模型需定期微调,采用蒙特卡洛丢弃(Monte Carlo dropout)作为不确定性量化方法,并结合Shapley加法解释(SHAP)和可解释AI(XAI)验证模型输出。
**4.1.2 原料接收**
维护原料完整性是首要目标。安装在线光谱传感器(如NMR或FT-IR分析仪)和IoT温度传感器,数据由CNN处理以验证合规性。NLP模型用于交叉引用原料规格与当地法规。每个原料分配RFID标签,包含批次号、接收日期、有效期、供应商信息。
**4.1.3 混合**
混合阶段需精确控制物理化学参数。安装在线粘度计监控粘度,数据输入CNN模型预测冰晶分布。若检测到偏差,流向分流阀(FDV)隔离受影响批次。安装液位控制传感器和转速(RPM)传感器确保批次一致性。
**4.1.4 巴氏杀菌**
确保热处理有效消除病原体。安装冗余温度传感器和流量传感器,FDV与巴氏杀菌器耦合。XAI用于将算法决策转化为透明数据日志。数字孪生结合Ansys Fluent进行温度分布分析,识别低剪切、低流动区域(易形成生物膜)。计算机视觉和电子鼻用于检测过度热加工导致的颜色和风味变化。
**4.1.5 均质化和老化**
监控均质器压力、pH和温度。安装在线流变仪检测质地变化。ML回归模型和时间序列分析比较实时数据与历史最优批次,预测和调整脂肪结晶和水化时间。
**4.1.6 连续冷冻**
连续冷冻阶段需控制冰晶成核和生长、膨胀率(overrun)和冷冻储存稳定性。安装冗余热探头和低温计算机视觉相机,CNN处理图像以评估冰晶尺寸分布。边缘计算与AI驱动控制模型(如Hard-O-Tronic AI(HOT-AI)框架)交互,动态调节制冷剂和空气注入。安装搅拌器电机负载传感器用于预测性维护。质量流量计监控输出体积,FDV自动隔离不合格产品。
**4.1.7 包装**
高速计算机视觉相机检查标签、桶和密封位置。AI模型训练用于分割和识别包装物体。NLP模型分析消费者和零售商的不合规报告,形成闭环反馈。安装自动金属检测器识别物理污染物。
**4.1.8 硬化和储存**
安装IoT传感器测量空气温度、湿度和氨气水平。数字孪生进行三维温度分布分析,识别热死角。ML算法生成动态库存路由图,强制执行先进先出(FIFO)协议。
**4.2 构建智能HACCP计划**
**4.2.1 危害分析**
冰淇淋加工中生物、化学和物理危害需控制在可接受水平。化学危害包括残留清洁剂、原料掺假物、过敏原交叉污染、制冷剂泄漏、润滑油渗透和包装材料迁移。物理危害包括金属碎片、螺丝、硬塑料、设备部件、玻璃、环境碎片等。生物危害包括李斯特菌、沙门氏菌、金黄色葡萄球菌、大肠杆菌等病原体,以及通过生物膜或不卫生条件引入的污染。AI技术(FT-IR、NMR、NLP、计算机视觉、数字孪生、IoT传感器等)用于支持危害控制。
**4.2.2 关键控制点(CCP)的确定**
根据USDA决策树,评估每个单元操作。CCP包括原料接收、巴氏杀菌、连续冷冻和硬化/储存。混合、均质化和老化、包装为非CCP,通过前提计划(PRP)管理。
**4.2.3 关键限值和监控程序的确定**
AI/ML模型用于监控过程参数、预测偏差趋势,而非设定新关键限值。关键限值基于国际食品安全指南。原料接收:牛奶和奶油运输温度<7°C,pH 6.5-6.7,无病原体和掺假物;糖和添加剂:温度<25°C,水分<0.06%,微生物指标受控。巴氏杀菌:温度80°C持续25秒。连续冷冻:温度-5°C至-7°C,5-6分钟;空气压力常压,注射速度10-15 m/s。硬化/储存:硬化温度-40°C至-18°C,20-30分钟;储存温度-18°C至-11°C,遵循FIFO。监控使用IoT传感器、FT-IR/NMR、计算机视觉、ML和NLP模型,每次批次或供应商变更时分析。
**4.2.4 纠正措施**
原料接收:通过RFID/NFC识别批次,FDV分流,NLP生成不合规报告,ML评估供应商风险。巴氏杀菌:FDV重新处理或隔离,AI自动调整蒸汽或泵速。连续冷冻:HOT-AI评估异常,小幅波动调节制冷剂和空气,大幅偏差触发FDV。硬化/储存:ML评估严重性,计算机视觉和超光谱成像检查产品,RFID/NFC定位批次,数字孪生识别热死角。
**4.2.5 验证、确认和文档记录**
使用区块链和XAI确保数据安全,AI模型每月通过SHAP微调。传感器校准,日志(审计、质量评估、偏差、纠正措施)存储在AWS云服务。数据预处理包括清洗、归一化和一致性检查,数据集划分为训练、验证和测试集,模型性能需参考实验室测量验证。任何更新模型需重新验证,合规决策保留人工验证。
**4.2.6 系统实施与集成**
建立双协议(Wi-Fi和LoRaWAN)确保数据传输,云服务存储数据,结合区块链、Gaia-X和XAI确保透明性。蒙特卡洛丢弃和SHAP用于避免误报。MIDAS(Modular ice cream factory dataset)可改善单元操作集成。AI技术应补充而非替代现有质量控制实验室,AI辅助工具用于快速监控,实验室负责确认分析和验证。
**5. 未来展望与挑战**
经济障碍(特别是中小企业)是主要问题,但低成本硬件和数据共享框架(如Gaia-X)降低门槛。大型制造商可引入AI作为分析层。数据机密性和网络安全需通过加密、访问控制和边缘处理解决。AI应作为决策支持技术,需对劳动力进行再培训。监管框架碎片化,欧盟AI法案和FDA框架存在空白,需国际统一标准。数据标准化需FAIR原则和Gaia-X。模型可解释性需SHAP和XAI。建议将AI作为前提计划(PRP)而非仅CCP控制,监管机构应更新Codex Alimentarius以正式整合AI。
**6. 结论**
将AI和ML技术整合入HACCP系统代表了冰淇淋制造的范式转变。通过多层架构(IoT传感器、计算机视觉、NLP),实现全加工线实时数据采集。识别出四个CCP,并应用关键限值框架训练预测和分类模型,执行纠正措施。集成云服务、区块链、Gaia-X和XAI提高数据透明性和安全性。尽管存在投资门槛和培训需求,SHAP和蒙特卡洛丢弃等协议为工业采用提供了路径。AI在食品安全框架中的实施可作为PRP优化加工线整体运营。