《Foods》：Artificial Intelligence-Driven Dairy Quality Assessment: From Advanced Sensing Technologies to Explainable Intelligence
人工智能（AI）正在通过实现乳品供应链中快速、非破坏性和数据驱动的监测，改变乳品质量评估。传统分析方法虽然准确，但通常劳动密集、耗时且不适用于实时应用。因此，先进传感技术与AI的集成已成为提高乳品质量控制和食品安全的有前景方法。本综述研究了AI赋能乳品质量评估的最新进展，涵盖基于光谱的传感技术、仿生传感系统、机器视觉和多模态数据融合。特别关注了它们在主要乳制品中的应用，包括生乳、奶粉、奶酪和酸奶。比较分析表明，AI辅助传感显著提高了成分分析、掺假检测、微生物筛查、新鲜度评估和缺陷检测的准确性、效率和自动化程度，而多模态方法为全面质量评估提供了新机遇。本综述进一步强调了可解释人工智能（XAI）在提高乳品检测系统透明度和可信度方面的新兴作用。讨论了特征归因、决策解释和不确定性量化方面的最新进展，以及与数据稀缺、模型泛化、跨仪器可迁移性和可解释性评估相关的挑战。未来在多模态基础模型、标准化数据集和可解释智能系统方面的发展有望加速可信且可扩展的乳品质量保证框架的部署。
1. 引言
乳制品是人类饮食中营养最丰富的食品类别之一，是蛋白质、脂肪、乳糖和必需微量营养素的主要来源，这些营养素对人类的生长、发育和免疫功能至关重要。乳制品的质量和安全直接关系到公众健康和社会稳定。然而，由于乳制品成分复杂且多变，其质量可能受到环境条件、加工和分销阶段的影响，因此整个供应链中都存在质量和安全问题。这种复杂性不仅增加了风险识别的难度，而且对实时、准确和可追溯的质量监测提出了高要求。因此，构建高效、全链条的质量检测系统已成为乳品行业的关键挑战。
传统的乳品质量评估方法主要依赖理化分析和微生物检测。例如，脂肪和蛋白质含量通常通过化学萃取、比色法或色谱技术测定。微生物安全性通常通过基于培养的方法（包括计数和鉴定）进行评估。尽管这些方法被认为是金标准，并提供高度准确的定量结果，但它们通常需要较长的检测时间、复杂的样品制备和破坏性采样。此外，一些程序依赖人工判断，可能降低一致性和稳定性。为了解决这些局限性，基于先进传感技术的非破坏性检测方法引起了越来越多的关注。光谱技术，如近红外（NIR）、傅里叶变换红外（FTIR）和拉曼光谱，可以通过分子振动信息快速表征乳品成分，促进脂肪、蛋白质和掺假物的高效检测。仿生传感系统，如电子鼻（E-nose）和电子舌（E-tongue），通过模拟人类感官感知，将风味和挥发性化合物检测数字化。这些方法在快速性、非破坏性和在线适用性方面具有明显优势。然而，这些技术产生的高维且结构复杂的数据需要先进的数据建模和模式识别方法，以将原始信号转化为可操作的决策。
近年来，人工智能（AI）已广泛应用于乳品质量检测。该领域已从传统机器学习发展到深度学习，再到多模态方法。早期研究使用支持向量机（SVM）和随机森林（RF）等方法进行光谱数据建模，以实现成分预测和分类。随着深度学习的发展，卷积神经网络（CNN）显著提高了基于图像的缺陷检测的准确性，而循环神经网络（RNN）在建模时间依赖性质量变化方面显示出优势。最近，基于Transformer的架构在处理光谱序列和融合多模态数据方面表现出增强的能力。注意力机制有助于识别影响预测结果的关键波长区域。
尽管取得了这些进展，大多数研究关注模型准确性和预测性能，而对模型透明度的关注有限。深度学习模型常被描述为“黑箱”，其决策过程难以解释。这一局限性在食品安全等高度监管的领域是一个问题。监管机构要求检测结果可解释，以支持问责和合规审计。同时，缺乏透明度的模型难以获得行业和消费者的信任。因此，在保持高检测性能的同时提高可解释性非常重要。
这些先进传感技术与AI的集成已引起广泛的研究关注。Pérez Nú?ez等人综述了AI在乳品价值链中的应用，涵盖动物健康、牛奶生产、加工和监测，同时考虑了效率、可持续性、环境影响和产品需求预测。Erol等人对Dairy 4.0范式下的AI赋能技术进行了批判性综述，涵盖精准畜牧业、在线牛奶质量传感、智能加工和先进成分开发，特别强调了模型验证、泛化性、可扩展性和实际适用性。Mhapsekar等人系统综述了物联网（IoT）和AI在牛奶质量分析中的应用，重点关注成分监测、掺假检测、微生物质量指标、传感技术、数据通信和边缘/云端处理。尽管这些综述为乳品领域的AI提供了有价值的视角，但它们主要侧重于更广泛的乳品价值链、系统级Dairy 4.0应用或IoT驱动的牛奶质量监测。相比之下，本综述特别关注先进传感技术和AI在乳品质量评估中的融合，将光谱学、仿生传感、机器视觉、多模态数据融合、产品特定质量要求和可解释AI整合在一个统一框架内。这一视角能够直接比较传感模态和AI策略，同时突出它们各自的优势、局限性以及在实际乳品质量评估中尚存的挑战。
2. AI驱动的乳品质量评估传感与建模技术
乳制品的质量检测本质上是一个数据驱动的多阶段过程。其核心步骤包括数据采集、信号预处理、特征建模和最终质量判定。随着传感技术和计算能力的共同进步，检测方法已从单一的理化检测发展到多源传感融合，并逐渐发展为以人工智能为中心的数据驱动检测系统。根据数据源和信号特征的差异，当前AI驱动的乳品检测技术大致可分为光谱与光学成像技术、仿生传感技术以及基于视觉的结构检测技术。此外，多模态数据融合正成为提高检测性能的重要方向。
2.1. 基于光谱的传感与AI集成
光谱技术通过捕获分子振动与光相互作用产生的吸收或散射信号，实现对乳制品中化学成分的快速、非破坏性表征。该技术覆盖从近红外到拉曼的广泛光谱范围。不同光谱模态在信息含量、灵敏度和适用场景上存在差异，因此其AI建模方法也显著不同。
2.1.1. 近红外和中红外光谱
近红外（NIR）和中红外（MIR）光谱广泛用于乳制品的质量和成分分析。其基本原理在于分子振动对特定波长的选择性吸收。脂肪、蛋白质、乳糖和水分等关键成分在相应波段显示出明显的吸收特征。因此，可以通过光谱反演实现定量测定和质量鉴别。在传统研究中，这些方法主要依赖化学计量学模型，如偏最小二乘回归（PLS）、偏最小二乘判别分析（PLS-DA）或主成分回归（PCR）。这些模型建立光谱数据与理化指标之间的线性或弱非线性关系以实现预测。Kang等人比较了微型和台式NIR光谱仪，以区分不同储存时间的婴儿配方奶粉并预测粒径。他们对光谱应用了快速傅里叶变换（FFT）和小波去噪，随后使用PLS-DA和PLSR，模型实现了89–100%的正确识别率和2.29–2.98的RPD
P值。他们得出结论，微型NIR结合化学计量学适合作为婴儿配方奶粉质量监测的过程分析技术（PAT）工具。然而，化学计量学方法需要大量的光谱预处理，其线性假设无法捕捉复杂的非线性特征。当样本矩阵复杂或存在物理散射干扰时，模型准确性和鲁棒性通常会显著下降。
随着数据规模和复杂性的增加，早期研究开始引入机器学习方法，如SVM和RF。这些方法增强了非线性关系的建模能力。Buoio等人开发了一种快速牛奶分类方法，将便携式FT-NIR光谱仪与VC-SVM混合模型相结合，无需任何预处理。径向基核（RBF）在全脂和脱脂牛奶的分类中实现了完美性能（100%敏感性和特异性，MCC=1）。他们得出结论，这种方法为乳品行业提供了一种实用高效的快速牛奶鉴别和欺诈检测解决方案。这些方法在一定程度上提高了模型泛化性能，并在乳品成分预测和掺假识别方面取得了优于传统化学计量学方法的结果。
近年来，深度学习方法逐渐成为主流。CNN已被用于直接从原始光谱中自动提取特征，避免了手工特征工程的局限性。一维卷积网络（1D-CNN）在光谱序列建模中展现出高效性。Chen等人提出了一种集成多分支和多层特征的MBML网络，用于NIRS定量分析。该模型无需预处理即可从原始光谱中自动提取特征，并融合浅层和深层光谱特征。在包括牛奶在内的多个数据集上评估，它始终优于PLS、SVR、主成分分析（PCA）和人工神经网络（ANN）。他们得出结论，MBML Net在显著简化定量分析流程的同时，实现了卓越的预测精度和通用性。同时，循环神经网络模型如长短期记忆网络（LSTM）引入了先进的序列学习机制，能够有效处理光谱序列数据，并捕捉对预测结果有强烈影响的关键波长，从而进一步提高建模精度和稳定性。Li等人提出了一种使用NIR透射光谱快速定量检测生乳中嗜冷菌的方法。他们在光谱预处理和特征选择后开发了PLSR、RF和LSTM模型。SG-UVE-LSTM模型表现最佳，R
2p为0.9277，RPD为3.8256。他们得出结论，该方法为乳品质量与安全控制中的微生物监测提供了一种快速、高效且低成本的解决方案。
2.1.2. 拉曼光谱
拉曼光谱检测分子振动产生的非弹性散射信号，生成独特的分子指纹，揭示详细的化学结构信息。在乳品质量控制中，它特别适用于需要识别特定官能团的真实性验证、品牌鉴别和微量掺假物检测。其尖锐的光谱峰和最小的波段重叠，在区分细微化学差异方面比红外光谱具有更高的分辨率。然而，拉曼信号本质较弱，容易受到荧光背景和噪声的干扰，因此智能数据处理在乳品实际应用中不可或缺。
乳制品的品牌认证和产地溯源仍然具有挑战性，因为品牌之间的成分差异通常很细微。拉曼光谱可以捕捉脂质和蛋白质振动结构的微小变化，但由此产生的高维光谱包含大量冗余信息。因此，需要基于机器学习的特征选择和模式识别来提取判别性信号，实现可靠分类。Li等人使用SVM、极限学习机（ELM）和CNN算法研究了三种乳制品品牌之间的判别性拉曼特征。他们发现，融合890–980 cm
?1和1410–1500 cm
?1等区间实现了100%的识别准确率，ELM在0.3秒内完成分类，CNN约需80秒。这表明，算法特定的特征区间选择结合机器学习能够实现高效准确的品牌级鉴别。
奶粉掺假对乳品安全构成严重威胁；尽管拉曼光谱能反映因掺混引起的蛋白质和脂肪振动变化，但粉末基质的光谱重叠和散射干扰使直接定量复杂化。需要结合稳健的化学计量学建模和变量选择来建立准确的定量关系。Li等人采用拉曼光谱结合深度学习，快速非破坏性检测水牛奶掺假。乘法散射校正（MSC）预处理将PLS-DA分类准确率提升至100%，而MSC-CNN回归模型对碳酸氢钠和柠檬酸钠实现了高定量预测（R
2 > 0.93）和低检测限，为牛奶质量控制提供了有效解决方案。Ait El Alia等人应用拉曼光谱结合化学计量学技术检测骆驼奶粉中的牛奶粉掺假。PCA捕获了99.6%的光谱方差，优化的PLSR模型实现了近乎完美的预测（R
2test = 99.94%，RMSE
test = 1.10%）。人工智能与拉曼光谱的集成有效克服了该技术固有的信号弱和背景干扰强的问题，为乳品真实性验证和掺假检测提供了一种快速非破坏性手段。
2.1.3. 高光谱成像（HSI）
高光谱成像技术整合了二维空间信息和一维光谱信息，实现了乳制品样品的像素级分析。其数据格式通常为三维数据立方体（空间×空间×波长），提供了丰富的特征，但也带来了计算复杂性和信息冗余的挑战。在乳品质量评估中，AI驱动的方法越来越多地被用于解码这些高维数据，促进从成分定量、掺假检测到牛奶和奶粉中的跨域适应等应用。
对于成分定量，Xu等人提出了一种基于联合学习的选择器和预测器（JLSP），用于使用HSI预测牛奶脂肪含量。该模型采用受强化学习启发的actor-critic算法优化特征选择，实现了R
2为0.9734、MSE为0.0573的性能。该研究表明，深度学习有效捕捉了非线性光谱-成分关系，为牛奶质量评估提供了一种可解释的方法。
在乳品掺假检测领域，Aqeel等人开发了一种非破坏性HSI流程，结合机器学习进行牛奶掺假物检测。在测试的算法中，线性判别分析（LDA）通过学习光谱特征表现优异，实现了100%的验证准确率。这项工作表明，HSI结合判别分析为检测和分类牛奶掺假提供了一种实用解决方案。虽然上述研究针对已知掺假类型，但多类污染物检测具有更大的分析复杂性。Iqbal等人引入了一种混合集成学习框架，结合梯度提升、XGBoost、LightGBM和多层感知器，用于非侵入性牛奶污染物分类。该方法实现了96%的验证准确率，显著优于现有方法。这种集成策略表明，结合多个AI模型增强了实时质量保证的鲁棒性。
然而，上述方法假设训练和测试之间的样本分布一致，这在实际部署中很少成立。为了解决域偏移问题，Ruan等人采用基于度量的小样本学习（meta-learning）结合HSI，在域偏移条件下检测骆驼奶粉掺假。使用牛乳掺假样本进行训练，山羊乳掺假样本进行测试，该方法实现了84.4%的综合准确率，显著优于传统分类器。这突显了小样本学习在有限标记数据的跨域场景中的潜力。
总体而言，基于光谱的传感为AI驱动的乳品质量评估提供了坚实基础，因为它提供了快速非破坏性的成分和分子信息。然而，特定AI策略的适用性很大程度上取决于光谱数据的特征和预期应用。传统化学计量学模型在相对较小的数据集和需要直接解释的应用中仍然具有优势，而机器学习和深度学习方法为非线性、高维光谱关系提供了更大的灵活性。然而，更复杂模型的报告优势不能独立于数据集大小、预处理程序、仪器配置和验证策略来解释。文献中的一个主要局限是，许多模型是在受控实验室条件下评估的，因此难以确定它们对样本成分、仪器和生产环境变化的鲁棒性。
生成式AI开始为解决乳品质量评估中标记光谱数据有限的问题提供新策略。生成对抗网络（GAN）已被用于合成额外光谱，以缓解小样本限制并减少过拟合，而基于Transformer的生成模型为学习更复杂的光谱分布提供了潜在途径。这些方法表明，生成模型不仅有助于数据增强，还有助于表示学习和模型迁移。然而，合成光谱必须在物理和化学上合理，通过增强获得的改进需要使用独立的真实样本进行验证。因此，生成式AI目前应被视为解决数据稀缺性的补充策略，而非高质量实验数据的替代品。未来的研究应更加重视外部验证、跨仪器迁移、不确定性估计和标准化评估协议。
2.2. 电子鼻与电子舌系统
电子鼻和电子舌系统利用传感器阵列模拟人类嗅觉和味觉功能，实现乳制品中挥发性有机化合物和溶解成分的快速检测。这些仿生传感技术在新鲜度评估、风味分析和腐败检测方面显示出巨大潜力。先进的机器学习算法，包括PCA、线性判别分析（LDA）、SVM和ANN，通常与这些传感器系统集成，以增强复杂乳品基质中的模式识别准确性和分类性能。与传统的色谱或质谱方法相比，这种集成方法具有成本低、响应快、操作简单和样品制备需求少的明显优势，特别适用于在线监测和现场筛查应用。
最近的研究已证明电子鼻系统在不同产品和掺假场景下用于乳品掺假筛查的可行性，尽管报告的性能是在特定实验条件下评估的。Zhang等人开发了一种快速非侵入性检测方法，用于检测掺水、荷斯坦牛奶和犏牛奶的牦牛奶，使用电子鼻结合机器学习算法和多变量统计分析。他们的结果表明，PCA和典型判别分析（CDA）均能有效区分掺假样品，随机森林模型的总曲线下面积（AUC）超过0.99，对掺水组达到完美分类（AUC=1.00）。多层感知器（MLP）模型在所有掺假类别中的平均准确率超过96%，对荷斯坦牛奶掺假样品达到99.8%，从而为高价值特色乳制品的现场市场监督建立了一种稳健、低成本的分析解决方案。Darvishi等人使用配备八个金属氧化物传感器的电子鼻检测奶粉中三聚氰胺掺假，浓度范围为1至5 ppm，包括干式和湿式两种形式。采用PCA、判别分析（DA）和支持向量机方法进行传感器响应模式分析和分类。定量判别分析（QDA）达到99.5%的精度，多判别分析（MDA）达到98.5%，表明电子鼻技术结合化学计量学方法是快速检测和分类掺假奶粉的有效工具。
电子舌技术特别适用于分析液相中的非挥发性溶解成分和呈味活性化合物，从而补充电子鼻系统，实现乳品真实性和感官特性的综合评估。Perez-Gonzalez等人开发了一种电位型电子舌用于快速牛奶掺假检测。该系统区分了生乳、巴氏杀菌乳和羊奶，并识别了羊奶中的水和牛奶掺假物。PCA和PLS回归将传感器响应与脂肪、蛋白质和乳糖含量相关联，验证期间R
2值高达0.97。Huang等人提出了一种电子舌方法，结合感官评价和化学分析来解码乳品风味特征。PCA根据加工和成分变量有效区分了牛奶和酸奶样品，而PLSR模型可靠预测了感官属性（R
2Y = 0.971–0.972）。
总体而言，这些研究证实了电子鼻和电子舌系统作为快速、低成本、非侵入性工具用于乳品真实性筛查和风味分析的强大潜力。然而，仍存在一些技术特定挑战，使这些仿生传感系统区别于其他光学或成像模态。首先，传感器阵列的交叉敏感性和时间漂移是基本的硬件限制：金属氧化物或电位传感器的非特异性响应常导致不同分析物的信号重叠，而传感器基线随时间漂移使得长期部署需要频繁重新校准。其次，样品基质效应，特别是温度、pH和脂肪含量的变化，会显著改变传感器响应；与光谱技术中化学计量学预处理可部分补偿散射效应不同，电子鼻/电子舌数据中这些基质引起的信号变化通常是非线性的，且难以用标准校正方法处理。第三，仿生传感器数据的可解释性面临独特困难：虽然光谱特征可追溯到特定的分子振动，但集体传感器阵列输出编码了复杂的、重叠的物理化学相互作用，使得在单个传感器信号与特定风味化合物之间建立直接因果联系更加困难。此外，本综述中审查的研究主要依赖线性模型（PCA、PLSR、LDA），在受控实验室条件下进行；更先进的非线性架构（如深度神经网络）在增强真实乳品加工环境中的鲁棒性和泛化性方面的潜力尚未充分探索。解决这些挑战需要开发更稳健的传感器材料、标准化校准协议以及结合机理知识与数据驱动学习的混合建模策略，以提高仿生传感系统在工业乳品质量控制中的可靠性和可解释性。
2.3. 机器视觉与基于图像的检测
机器视觉技术通过光学成像系统获取乳制品表面或内部图像信息，实现颜色、纹理、形态和结构缺陷的自动化评估。与侧重于化学成分分析的光谱技术不同，视觉检测针对产品外观质量和物理完整性，是乳制品外观分级、异物剔除和包装完整性检测的重要工具。早期方法依赖手工特征提取技术，如颜色直方图和纹理描述符，结合传统分类器。然而，这些方法在复杂场景下的适应性有限。随着成像硬件和计算算法的进步，该领域已从基于规则的图像处理发展到基于深度学习的智能视觉分析，在检测奶酪霉菌污染、纹理异常和颜色变化等表面质量问题方面表现出更强的能力。
深度学习的出现极大地改变了乳品视觉检测领域。CNN通过端到端学习从原始像素中自动提取分层视觉特征，在奶酪霉菌识别和酸奶表面纹理分级等分类任务中显著优于传统方法。Zedda等人提出了第一个公开的奶酪轮图像数据集，展示了不同产品在不同成熟阶段的外观；通过一种轻量级分层特征聚合策略，融合来自EfficientNet和DarkNet-53的深度特征，他们的框架同时分类奶酪类型和成熟度水平，实现了0.991的F-measure。这项工作展示了集成多尺度深度表示用于乳制品分级质量分级的潜力。Pérez-Calabuig等人使用ResNet34检测三聚氰胺掺假并监测酸奶保质期，通过训练CNN对在两种快门速度（1/30秒和1/250秒）下拍摄的天然、加糖和柠檬味酸奶图像进行训练；他们分别实现了94.30%和91.74%的三聚氰胺检测准确率，以及96.95%和96.86%的新鲜度分类准确率。这些结果表明，基于CNN的图像分析可作为一种快速、非侵入性、低成本的工具，用于乳品质量保证中的初步筛查。
当检测需求从“是否存在缺陷”转变为“缺陷位于何处”时，引入了目标检测模型如YOLO和Faster R-CNN系列，实现了缺陷位置的实时定位和类别确定，以满足生产线上高速分拣的时间约束。Konstantinidis等人提出了一种用于Dairy 4.0生产线的实时乳制品跟踪方法，并引入了YogDATA数据集，包含在工业生产线拍摄的带有批号（LOT）的酸奶杯图像。他们评估了Mask R-CNN和YOLO v5.0用于酸奶杯的自动识别和定位，报告了约99%的相似精度。这项工作展示了目标检测架构在工业乳品环境中自动化包装程序和质量相关跟踪的适用性。
本节审查的证据表明，机器视觉特别适用于可通过可见或空间定位特征表达的质量属性，包括颜色、表面缺陷、成熟度、包装完整性和产品跟踪。基于CNN的分类适用于识别预定义的缺陷类别，而目标检测架构在需要缺陷定位和实时检测时更为合适。然而，视觉模型在质量变化未表现为可观察的表面特征或必须从间接图像模式推断化学成分时具有固有局限性。它们的性能也可能对光照、相机配置、背景条件和包装变异性敏感。因此，机器视觉应被视为对光谱和基于传感器的方法的补充，而非通用替代品，未来研究应强调环境鲁棒性、外部验证和多模态集成。
2.4. 乳品检测中的多模态数据融合
虽然单一技术在特定任务中表现出色，但单模态信息获取最终存在固有局限性。光谱技术擅长化学成分分析，但缺乏空间细节；视觉成像捕捉表面缺陷，却无法揭示内部化学变化；电子鼻和电子舌系统反映整体风味特征，但无法定位问题来源。多模态数据融合整合异构或互补的传感信息，构建更全面、更稳健的质量表征系统，已成为智能乳品检测的重要发展方向。
传感化学的最新进展使得能够在单个传感系统内生成多种物理化学读数的集成多模态转导平台成为可能。例如，Zhang等人开发了一种基于香豆素-苯并噻唑探针和卡那霉素适配体的多模态适体传感平台（DR1/K-apt），用于无标记检测牛奶样品中的卡那霉素。所提出的系统通过竞争性结合相互作用同时产生比色、荧光和视觉信号，在30分钟内实现0.001 mM的灵敏检测限。值得注意的是，荧光信号表现出明显的绿-红-绿颜色过渡，使得能够构建基于智能手机的便携式纸基装置（K-cPAD），用于无仪器现场定量。这项工作表明，多模态信号转导可以有效克服单读数方法的局限性，并在复杂食品基质中提供交叉验证的检测性能。
随着人工智能的快速发展，深度学习实现了多模态数据更高层次的语义融合。注意力机制和深度神经网络可以动态加权或联合编码来自不同传感器的互补特征，产生比传统静态融合策略更稳健、更自适应的预测模型。Li等人开发了一种多模态深度学习系统，用于非破坏性辣椒酱质量评估，融合了高光谱成像、近红外光谱和理化数据。乘法散射校正和无信息变量消除优化了特征提取。采用Mixup增强的CNN-LSTM模型实现了R
2为0.9554–0.9826，建立了辣椒酱发酵的第一个框架。这种先进的融合框架在各种食品的质量评估中取得了显著成功。
多模态传感提供了一个重要的概念优势，因为不同模态提供了单一传感系统无法捕获的互补信息。光谱学可以表征化学成分，机器视觉可以提供空间和形态信息，电子鼻/电子舌系统可以捕获挥发性和感官相关特征。来自乳品和其他食品基质的证据表明，多模态AI有可能提高质量评估的完整性和鲁棒性。然而，与单模态应用相比，多模态乳品研究仍然相对有限，报告的好处还不能被认为是广泛确立的。主要挑战包括异构传感器的同步和校准、特征对齐、缺失数据、计算复杂性增加以及对足够大的多模态数据集的需求。值得注意的是，基于深度学习的多模态方法在乳品检测中的应用仍然稀少，尽管在其他食品基质中的实现已证明了该策略的可行性。因此，未来研究应优先考虑标准化多模态数据集、独立验证和可解释的融合策略，能够将互补的传感器信号与特定的质量风险联系起来，同时将人工智能与多模态数据融合相结合，以实现更全面、更智能的乳品质量评估。
3. AI驱动的乳制品类别质量评估
乳制品中的质量风险与加工技术密切相关，不同产品面临的风险因素差异很大。如图2所示，生乳是所有乳制品的来源。其成分变化和微生物控制状态直接决定了后续产品的质量基础。虽然奶粉在干燥后微生物生长受到抑制，但掺假和异物污染更可能发生。奶酪长时间发酵和成熟过程为霉菌生长和质量变化创造了复杂条件。酸奶含有活性发酵菌种并具有凝胶结构，使其对发酵程度和储存条件高度敏感。这些差异决定了必须针对不同乳制品采用有针对性的检测方法。人工智能提供了灵活性，能够根据每种产品的特点设计定制化的检测方案。本章综述了四种核心乳制品类别：生乳、奶粉、奶酪和酸奶的质量风险概况。分析了传统检测方法的适用局限性，并进一步解释了传感技术和智能算法如何为每种产品的关键质量属性构建定制化检测解决方案。
3.1. 生乳质量分级与安全筛查
生乳是乳品行业的源头。其质量由三个维度定义：成分指标（脂肪、蛋白质、乳糖和总固形物）、卫生指标（重点关注体细胞计数（SCC）和总细菌计数（TBC））以及真实性指标（掺假行为，如加水稀释、添加三聚氰胺和与廉价填充物混合）。这些类别相互关联：成分异常可能表明掺假，而卫生恶化加速成分降解。
传统检测系统依赖专业实验室仪器。SCC测定依赖直接显微镜计数或流式细胞术；前者劳动密集且依赖操作者，后者虽然高通量但投资和维护成本高昂。TBC评估依赖平板计数，培养时间24–72小时，无法满足实时采购决策，或依赖ATP生物发光法，提供快速现场检测但样品制备复杂且定量精度较差。掺假检测仍然特别具有挑战性，因为经典方法如凯氏定氮法无法区分蛋白质氮和非蛋白质氮。
人工智能与多源传感技术的集成提供了生乳全维度质量筛查的集成解决方案。对于成分预测，近红外光谱结合偏最小二乘回归或支持向量回归已实现脂肪、蛋白质和乳糖的快速定量。Diaz-Olivares等人开发了一种光纤空间分辨近红外光谱系统，用于在线生乳分析，使用偏最小二乘回归同时预测脂肪、蛋白质和乳糖，通过优化照明-检测光纤距离，RMSEP分别低于0.10%、0.13%和0.13%（wt/wt）。对于集成成分和卫生指标的全面质量分级，Yang等人提出了一种结合基于XGBoost的前向特征选择与遗传算法优化的混合变量选择方法，并构建了基于脂肪、蛋白质和体细胞计数的支持向量机模型用于生乳质量等级分类，实现了94.84%的预测准确率和94.21%的F1分数。对于掺假识别，近红外光谱与机器学习分类器的结合显示出巨大潜力。Wei等人采用近红外光谱结合CNN同时分类和定量特种乳中的掺假。该模型以完美的分类准确率区分了骆驼奶、驴奶和马奶与牛奶，梯度加权类激活映射可视化揭示了驱动分类决策的独特光谱区域。对于2–80%牛奶浓度范围内的定量掺假分析，卷积神经网络优于偏最小二乘回归模型，R
2pre超过0.9995，性能偏差比高于47.91。
对于生乳，审查的证据表明，AI驱动的传感可以解决多个质量维度，包括成分、卫生相关指标和掺假，但没有单一传感模态足以完成完整的质量表征。基于NIR的方法特别适合快速成分预测，而机器学习和深度学习模型可以将能力扩展到集成分级和真实性评估。然而，成分预测和掺假分类代表不同的分析任务，不应使用相同的性能标准进行评估。此外，微生物和卫生相关风险比主要成分参数更难以非破坏性方式表征。当前证据也以受控数据集为主导，表明需要更大的现场数据集、外部验证以及互补传感信息的集成，以实现可靠的全维度生乳质量评估。
3.2. 奶粉加工质量与掺假识别
奶粉是液态奶的浓缩形式。喷雾干燥过程构成奶粉生产的核心阶段。进风温度、排风温度或浓缩奶总固形物含量的微小波动可能导致残留水分过多或蛋白质热损伤。过多的水分会引发美拉德反应和脂质氧化，缩短保质期并产生焦糊味。过热会导致乳清蛋白变性和赖氨酸损失，降低营养价值。溶解性是奶粉的关键功能属性，受颗粒密度、表面游离脂肪含量和蛋白质热聚集程度共同影响。传统溶解度指数测定耗时且重复性差。
传统奶粉质量控制依赖离线实验室分析。例如，掺假检测使用高效液相色谱、酶联免疫吸附测定或质谱法进行。尽管精确，但这些方法涉及复杂的样品前处理、昂贵的仪器和有限的通量。它们更适合作为确认性测试，而非原材料接收或成品放行时的快速筛查。对于物理污染物，一些生产线已部署X射线检测机。然而，传统算法基于密度阈值和形态规则，对低密度异物和复杂包装背景的适应性较差。
随着人工智能与先进传感技术的集成，光谱和成像方法越来越多地用于奶粉质量控制。近红外光谱结合化学计量学算法能够快速量化关键理化指标。Peng等人开发了一种微型近红外光谱系统，结合随机森林回归同时预测牦牛奶粉中的蛋白质、脂肪、水分和酸度，相关系数分别为0.9846、0.9642、0.9915和0.9819，性能偏差比分别为5.4242、5.4697、20.1447和14.1533，证明了便携式设备用于生产线快速质量监测的可行性。高光谱成像通过引入空间信息扩展了光谱分析，为检测细微成分变化和跨品种掺假提供了独特优势。Ruan等人采用高光谱成像结合原型网络小样本学习框架，检测掺有牛奶粉的骆驼奶粉，并将模型推广到未见过的山羊奶粉掺假检测，在域偏移、小样本条件下，对纯样品准确率达98.92%，对具有挑战性的70%掺假水平准确率达77.69%，显著优于支持向量机、反向传播和标准卷积神经网络方法。除了光谱技术，应用于常规摄影图像的深度卷积神经网络为筛查化学掺假物提供了低成本工具。Pradana-López等人训练了一个ResNet34架构，使用3100张三种奶粉品牌的图像，对涵盖低至0.5 ppm痕量三聚氰胺浓度的31个组进行分类，达到了98.7%的验证准确率和3.0%的盲测错误分类率，证明其作为快速安全控制方法的有效性。
电子鼻技术通过监测奶粉挥发性风味化合物的变化间接反映脂质氧化和蛋白质变性的程度。Darvishi等人部署了一个配备八个金属氧化物传感器的电子鼻，捕捉纯奶粉和掺有三聚氰胺的奶粉在干式和湿式两种形式下五个浓度水平的挥发性模式，采用支持向量机、二次判别分析和多判别分析进行模式识别，分类精度高达99.5%，验证了机器学习驱动的电子鼻系统用于快速掺假筛查的可行性。
奶粉质量评估需要结合化学、物理和挥发性相关信息，审查的研究说明了不同传感-AI策略的互补价值。NIR提供理化属性的快速信息，HSI为掺假检测提供额外的空间-光谱信息，机器视觉为筛查视觉或间接表达的污染物提供相对低成本的途径，而E-nose系统可以捕捉挥发性谱的变化。然而，这些方法不可直接互换，因为它们针对不同的质量属性，并在不同信息水平上运行。特别是，HSI报告的域偏移结果表明，当掺假物或样本分布发生变化时，在受控数据集上的强性能可能显著下降。因此，未来研究应优先考虑在实际加工和储存条件下的集成评估，同时进行跨产品验证和标准化基准。
3.3. 奶酪质量评估与缺陷检测
奶酪制造涉及多个阶段，化学成分和微观结构不断演变，在整个过程中引入质量风险。成熟期间由青霉和曲霉引起的表面霉菌污染是最明显的缺陷，损害外观并可能产生霉菌毒素。物理缺陷如裂纹和鼓包源于酸化不均匀、乳清排水不完全或温湿度控制不当。质地问题包括过度成熟导致的过度蛋白水解或成熟不足导致的蛋白质网络降解不足，导致粉状、油脂渗出或过硬基质。此外，异物污染和脂肪含量差异仍然是关键问题。传统质量控制依赖视觉检查表面霉菌，效率低且容易遗漏早期菌落。质地分析和化学成分测定需要破坏性采样和离线实验室程序，阻碍了整轮评估并危及产品完整性。
Meenakshi等人系统总结了非破坏性检测技术在奶酪质量评估中的应用。光谱方法包括近红外、傅里叶变换红外、荧光和表面增强拉曼光谱已被广泛探索用于微生物和成分分析。高光谱成像提供空间和光谱信息，用于检测表面和亚表面缺陷。电子鼻系统监测挥发性有机化合物以评估腐败和成熟状态。人工智能与这些传感模态的集成代表了一项重大进步，实现了自动化特征提取、模式识别和预测建模，克服了传统化学计量学方法的局限性。
在病原体检测领域，近红外光谱与机器学习和深度学习算法的结合已显示出快速微生物筛查的巨大潜力。Meenakshi等人采用NIR光谱结合随机森林、支持向量机和一维卷积神经网络分类器，同时分类新鲜奶酪中单核细胞增生李斯特菌的污染水平并区分菌株。为了解决光谱数据有限的内在局限性，实施了带梯度惩罚的条件Wasserstein生成对抗网络进行光谱增强。合成光谱的加入显著增强了模型泛化性并减少了过拟合，在增强数据集上，SVM达到95.7%的分类准确率，1D CNN达到95.6%。这些结果证实，GAN辅助光谱增强结合NIR光谱构成了奶酪生产环境中早期李斯特菌检测的可行实时筛查方法。
对于自动化成熟度评估和表面质量评估，计算机视觉方法提供了主观人工检查的非侵入性替代方案。Perniciano等人开发了第一个涵盖多种产品和成熟阶段的奶酪轮图像综合公共数据集，随后提出了一个名为CRDet的AI驱动框架。该框架采用随机森林分类器，对预训练DenseNet-201架构提取的深度特征进行操作，通过基于相关性的特征选择实现降维。值得注意的是，该方法无需网络微调，在所有奶酪子集上F1分数超过90%，仅依赖现成方法。稳健的跨品种性能表明，CRDet有效克服了传统依赖人工专业知识进行成熟度评估的局限性，为工业奶酪质量控制提供了一种便捷高效的自动化解决方案。
奶酪质量评估是一个特别具有挑战性的应用，因为质量变化涉及内部生化过程和外部可观察的结构和视觉特征。审查的研究表明，基于光谱和AI的方法有望用于快速微生物或成分筛查，而计算机视觉特别适用于成熟度和表面质量评估。因此，这些模态解决的是奶酪质量的互补方面，而非竞争单一最优解决方案。然而，现有研究仍然受到奶酪品种、成熟条件、成像环境和微生物目标差异的限制，这些差异限制了研究之间的直接比较。进一步的研究应强调多品种验证、成熟过程的纵向监测以及能够联合表征生化、感官和视觉质量变化的多模态方法。
3.4. 酸奶新鲜度监测与发酵优化
酸奶是一种以活性
