综述：人工智能驱动的肉类新鲜度评估：融合传感技术、机器学习与智能监控系统

《Food Bioscience》：Artificial intelligence-driven meat freshness evaluation: integrating sensing technologies, machine learning, and intelligent monitoring systems

　　

摘要
人工智能（AI）辅助传感正日益被研究作为一种快速且客观的肉类新鲜度评估方法。本综述批判性地审查了肉类腐败的生物学基础，以及光谱学、成像、挥发性组学、生物传感器和智能包装技术在检测与新鲜度相关变化中的应用。它进一步评估了机器学习和深度学习方法、多模态数据融合、物联网连接、边缘人工智能以及数字孪生框架在新鲜度分类、质量指标预测和保质期估算中的应用。现有证据表明，无损或微损监测具有巨大潜力；然而，许多研究仍受限于生物样本量小、新鲜度终点不一致、非独立数据划分、信息泄露和有限的外部验证。因此，高内部预测准确率并不必然确立模型的泛化能力或工业就绪性。可靠的转化需要具备生物学意义的参考测量、独立于动物和批次的验证、校准转移评估、不确定性报告、可解释建模以及在真实加工和冷链条件下进行的前瞻性评估。新鲜度预测也应与微生物安全评估区分开来，除非相关危害得到独立评估。多传感器系统可以提供互补信息，但其附加价值应通过单模态比较和消融分析来证明。最终，成功实施将取决于选择最简单且在技术和经济上可行的传感器 - 模型组合，以在产品、仪器和运行环境中保持可重复且可操作的性能。统一的协议、代表性数据集、透明的模型治理以及研究人员、行业、技术开发者和监管机构之间的合作，对于将 AI 驱动的肉类新鲜度评估转化为可靠和可持续的质量管理系统至关重要。

引言
肉类新鲜度是一种动态质量状态，受微生物增殖、内源酶活性、脂质和蛋白质氧化以及挥发性和非挥发性代谢物积累的调控。这些过程改变了微生物计数、挥发性盐基总氮（TVB-N）、pH 值、颜色、质地、生物胺和挥发性有机化合物（VOCs）。传统的微生物和理化测定仍然是不可或缺的参考方法；然而，其破坏性、对实验室的依赖以及结果延迟限制了其在连续冷链决策中的适用性。因此，最近的研究越来越多地将快速传感技术与机器学习（ML）和深度学习（DL）相结合，将复杂的新鲜度相关信号转化为腐败分类、定量质量估计和剩余保质期预测（Dai 等人，2026；Sherin 等人，2026）。

分析格局已从单一指标测量扩展到多维化学、光谱和成像指纹。例如，高分辨率全面二维气相色谱（GC × GC）区分了依赖大气环境的猪肉挥发性组轨迹，总体分类准确率为 0.96（Chen 等人，2026a）。同样，顶空气相色谱 - 离子迁移谱（HS-GC-IMS）预测肠杆菌科计数，交叉验证 R2 为 0.863，并在感官拒绝前约两天检测到腐败（Martín-Gómez 等人，2026）。全光谱傅里叶变换红外（FTIR）顶空分析在分类腐败阶段方面达到了 99.8% 的准确率，尽管其在独立生物批次间的可转移性仍未得到验证（Phyo 等人，2026）。总体而言，这些发现表明 VOC 指纹可以提供肉类腐败的早期信息。然而，生物变异性、不完整的化合物库以及依赖包装的微生物代谢继续阻碍通用可转移校准的发展。

光学技术提供了更快且破坏性更小的替代方案，但其性能仍然强烈依赖于样品特征和实验设计。高光谱成像在羊肉中实现了 98.87% 的新鲜度分类准确率（Dong 等人，2026），而基于可见光 - 近红外（Vis–NIR）光谱的 PSO–GA 优化 XGBoost 模型对牛肉 TVB-N 的预测 R2 为 0.9504（Chen 等人，2026b）。智能手机兼容的比色和荧光系统也报告了超过 95% 的准确率，包括图像法牛肉新鲜度评估的 95.24%，炖牛肉分类的 98.36%，以及尸胺辅助新鲜度筛选的 100% 召回率（He 等人，2026a；Xu 等人，2026；Zhao 等人，2026）。然而，这些看似很高的数值并不直接具有可比性，因为研究在样本量、新鲜度阈值、数据增强、验证策略和生物学独立性方面存在显著差异。使用随机划分的图像或来自同一实验批次的重复测量进行评估的模型，如果在动物、批次或储存条件效应方面没有充分分离，也可能产生过于乐观的性能估计。

多模态传感可能通过整合互补的化学、光学和环境信息，克服个别传感器的一些局限性。阻抗 - 湿度融合实现了 97.14% 的新鲜度分类准确率，并对牦牛肉剩余保质期的预测 R2 为 0.9646（He 等人，2026b）。同样，光谱 - RGB 融合将仅使用图像的 79.76% 分类准确率提高到了使用多模态数据的 93.65%（He 等人，2026c）。然而，这些收益必须与增加的校准需求、时间错配、通信带宽、计算负担和特定模态漂移进行权衡。纳米酶、荧光、水凝胶和基于石墨烯的传感器同样在受控条件下展示了快速且准确的响应。然而，基质干扰、电极污染、材料稳定性、可重复使用性、信号漂移和可扩展制造仍未得到充分解决（Li 等人，2026a, 2026b, 2026c；Zhang 等人，2026）。

现有的综述已全面描述了高光谱成像、化学计量方法和新兴智能检测平台（Dai 等人，2026；Sherin 等人，2026）。然而，文献仍然缺乏一种以决策为导向的综合，将生物新鲜度指标与合适的传感模态、数据结构、建模架构和验证要求联系起来。报告的性能通常在没有充分考虑样本独立性、预测不确定性、模型复杂性、校准转移或工业运行条件的情况下进行总结。此外，关于何时传统回归或分类优于深度学习，多模态融合相对于单个校准良好的传感器提供了哪些实际益处，以及可解释人工智能（XAI）如何支持超越仅仅改善模型解释的生物标志物或波长选择，可用的指导有限。

因此，本综述批判性地审查了连接肉类腐败机制、可测量新鲜度指标、传感技术和预测建模的分析链。与其仅仅罗列个别传感器和算法，它比较了它们的性能、验证强度、运行约束以及对不同类型数据和预测目标的适用性。特别关注：（i）依赖物种、基质和储存的生物标志物可靠性；（ii）准确率、R2、均方根误差（RMSE）、平均绝对误差（MAE）和 F1 分数与验证设计的关系；（iii）光谱、成像、VOC 和时间序列数据的模型选择；（iv）校准转移、传感器漂移、污染和工业鲁棒性；以及（v）数据、特征和决策级融合之间的计算和工程权衡。通过整合生物学相关性、定量性能和部署可行性，本综述为选择和验证 AI 辅助肉类新鲜度监测系统提供了实用框架。

章节片段
文献检索与研究选择
在 Scopus、Web of Science 核心合集和 PubMed 中进行了结构化文献检索，以识别 2015 年 1 月 1 日至 2026 年 7 月 21 日期间发表的英文同行评审文章。最终检索于 2026 年 7 月 21 日完成。特定数据库的搜索策略结合了与肉类新鲜度和腐败、传感技术以及基于人工智能（AI）的预测建模相关的术语。完整的搜索字符串，包括特定数据库的语法和

肉类新鲜度和腐败的生物学基础
肉类新鲜度是一种动态生物状态，受屠宰后立即开始并在整个储存过程中持续进行的相互作用生物化学、微生物学和物理化学过程的调控。宰后糖酵解、内源蛋白水解、微生物增殖、脂质和蛋白质氧化、色素转化和代谢物积累逐渐改变颜色、质地、风味、持水力、营养质量和感官接受性（Hematyar 等人，2025；Ribeiro

肉类新鲜度评估的传感技术
对肉类质量进行快速、微损和近实时评估的需求加速了先进传感技术在新鲜度监测方面的发展。传统测量，包括微生物计数、挥发性盐基总氮（TVB-N）、硫代巴比妥酸反应物（TBARS）、pH 值和感官评估仍然是不可或缺的参考方法，因为它们量化了具有生物学意义的腐败终点（表 1）。然而，

肉类新鲜度评估的机器学习和人工智能方法
传感技术的快速扩展为肉类新鲜度评估产生了日益复杂和异构的数据集。光谱仪器可能会生成数百或数千个相关波长，高光谱成像（HSI）产生空间 - 光谱数据立方体，电子鼻捕捉多维挥发性指纹，生物传感器可以提供连续的生化或电信号。机器学习（ML）和人工智能（AI）提供了一种

多传感器融合与智能监测系统
个别传感技术捕捉肉类腐败的不同表现，而不是其完整的新鲜度。光谱学提供与成分和结构变化相关的分子指纹；成像表征颜色和表面特性的空间变化；挥发性组学反映微生物代谢和氧化降解；生物传感器测量选定的化学或生物目标。多传感器融合旨在整合这些互补信号

挑战与未来展望
尽管在传感技术、机器学习（ML）和智能监测方面取得了实质性进展，但从受控实验到常规工业使用，AI 驱动的肉类新鲜度评估的转化仍然有限。许多研究报告了高预测性能，然而它们的模型通常使用小规模的、同质化的数据集、内部划分的样本和严格控制采集条件开发。这样的性能并不一定表明跨

结论
AI 辅助传感通过实现对腐败相关变化的快速、客观且潜在的实时评估，显著推进了肉类新鲜度评估。光谱、成像、挥发性、生物传感器和智能包装平台捕捉互补的物理化学或生物信号；然而，没有任何一种能作为单一内在属性测量新鲜度。因此，它们的可靠性取决于与有意义的参考终点的对齐，例如微生物负荷、氧化指数

伦理批准
本研究不需要伦理批准，因为它不涉及人类受试者、动物实验或个人数据的收集。

CRediT 作者贡献声明
纳伊姆·米娅：概念化，方法论，软件，验证，形式分析，调查，资源，数据整理，撰写 - 初稿，撰写 - 审阅与编辑，可视化。

利益冲突声明
作者声明他们没有已知的竞争经济利益或个人关系，这可能影响本文报告的工作。

伦理批准
不适用。本综述不涉及人类参与者、动物实验或个人数据的收集。

生成式人工智能声明
在手稿准备期间，使用了一种生成式人工智能辅助工具，仅用于改进语言和可读性。作者审阅并编辑了生成的文本，并对手稿内容承担全部责任。

写作过程中生成式人工智能及人工智能辅助技术声明
在手稿准备期间，使用了一种生成式人工智能辅助工具，仅用于语言改进。作者审阅了手稿并对其内容承担全部责任。

利益冲突声明
? 作者声明他们没有已知的竞争经济利益或个人关系，这可能影响本文报告的工作。

致谢
作者感谢韩国庆尚南道晋州市晋州大路 501 号，庆尚国立大学应用生命科学系（BK21 四期），邮编 52828，以及孟加拉国农业大学动物饲养系的support。

纳伊姆·米娅
韩国庆尚南道晋州市晋州大路 501 号，庆尚国立大学应用生命科学系（BK21 四期），邮编 52828，大韩民国