《Microchemical Journal》：Towards portable cost-saving spoilage detection: A smartphone imaging sensor-based framework for beef freshness prediction via video analytics
编辑推荐：
•首个基于智能手机的主动成像系统，用于检测牛肉的新鲜度。•利用预训练的卷积神经网络（CNN）进行小样本牛肉图像数据的迁移学习。•主动成像与迁移学习的创新结合确保了更高的检测精度。•揭示了牛肉的视觉质量特征，为移动检测提供了新方法。引言作为全球重要的高蛋白营养来源，牛肉的消费量正在
- •
首个基于智能手机的主动成像系统，用于检测牛肉的新鲜度。
- •
利用预训练的卷积神经网络（CNN）进行小样本牛肉图像数据的迁移学习。
- •
主动成像与迁移学习的创新结合确保了更高的检测精度。
- •
揭示了牛肉的视觉质量特征，为移动检测提供了新方法。
引言
作为全球重要的高蛋白营养来源，牛肉的消费量正在稳步增长。新鲜度是决定牛肉食用质量、商业价值和安全性的核心指标[1]。在储存和运输过程中，由于微生物活动及自溶酶反应，牛肉在颜色、质地和气味方面会发生变化[2]。新鲜度的下降不仅会导致营养流失和风味变差，还可能伴随腐败微生物的滋生以及有害代谢物（如生物胺）的积累，对消费者健康构成直接威胁[3]。因此，开发快速、准确且非破坏性的牛肉新鲜度评估和分级方法[4]具有重要的实用价值和研究意义，有助于确保肉类产品的安全、减少经济损失、保护消费者权益，并推动食品产业链的智能化升级。
目前，牛肉新鲜度的评估主要依赖于以下三类方法：（1）实验室物理化学和微生物分析[5]、[6]、[7]，例如总挥发性碱性氮（TVB-N）的测定、pH值测量和需氧平板计数。尽管这些方法被视为“黄金标准”且能够提供准确结果，但它们耗时、劳动密集、需要专业设备和受过培训的人员，且具有破坏性，因此无法满足现代供应链对实时、在线和快速筛查的需求；（2）感官评估方法[8]、[9]，由消费者或经过培训的评估人员主观评价颜色、气味和质地等指标。虽然这些方法直观易用，但受个体差异、疲劳和环境因素影响较大，导致重复性差、标准化难度大且难以大规模应用；（3）传统的便携式仪器检测方法[10]、[11]、[12]、[13]、[14]，如高光谱成像、电子鼻、红外光谱和激光诱导击穿光谱。尽管这些技术提高了检测速度，但设备成本较高、某些仪器的便携性不足、对环境条件敏感或样品准备复杂等问题限制了它们在中小型市场、物流节点和家庭等场所的广泛应用。
近年来，作为快速、无接触、低成本且非破坏性的检测技术，机器视觉在农产品和食品质量评估领域展现出了巨大潜力[15]。其核心原理是利用图像采集设备捕获被测物体的视觉信息，然后通过算法提取和分析与质量相关的特征（如颜色、质地和形态）[16]。智能手机的广泛应用（配备高分辨率相机、强大的计算能力和便携性）为开发基于移动设备的现场快速检测工具提供了理想平台[17]。最新研究进一步证实了智能手机光学传感在多种食品质量评估场景中的可行性，强调了其在成本效益和现场操作方面的优势[18]。现有研究表明，牛肉的表面颜色、质地和水分渗出等视觉特征与其新鲜度（腐败程度）有显著关联[8]、[19]。值得注意的是，“主动视觉成像”技术通过集成特定光源和滤波设备，可以主动激发或增强目标在某些光谱带中的光学响应，从而捕获更丰富、更稳定的图像信息，有利于区分质量差异，优于自然光下的检测效果。这种方法为克服环境光干扰和提高检测稳定性开辟了新途径。
在从机器视觉图像中提取信息和构建预测模型方面，方法不断演变，主要包括传统机器学习模型、深度学习模型和迁移学习模型。传统机器学习模型[20]、[21]、[22]（如支持向量机SVM和随机森林RF）通常需要复杂的手动特征设计和提取（例如颜色直方图、局部二值模式LBP、灰度共生矩阵GLCM等）。这一过程不仅繁琐，而且提取的特征表示能力有限，难以全面捕捉高维图像中与新鲜度相关的复杂非线性模式[23]。作为代表性的深度学习方法，卷积神经网络（CNN）模型[24]可以自动从原始图像数据中学习层次化的抽象特征，有效规避了手动特征工程的局限性，并在各种图像分类和识别任务中表现出优异的性能。然而，训练高性能CNN通常需要大量标注数据。在食品科学的特定领域（如特定品种或部位的牛肉图像数据）中，由于样本量有限和标注成本高，常常面临模型过拟合和泛化能力不足的问题。为解决小样本数据下的深度学习挑战，迁移学习应运而生[25]。其核心思想是将预训练在大规模通用图像数据集（如ImageNet）上的CNN模型学习到的通用特征表示（如边缘、纹理和形状等基本视觉模式）转移到涉及牛肉新鲜度的目标任务中。通过微调预训练模型的最后几层或特定层，可以快速适应新任务，显著减少目标域数据的需求量，并提高模型训练效率和最终性能。
本研究旨在创新地将便携式手机成像传感器的数据采集优势与CNN-迁移学习融合模型的强大分析能力结合起来，开发一种用于评估牛肉新鲜度的现场智能检测方法。主要组成部分包括：（1）构建基于智能手机的主动照明图像采集系统，同时获取牛肉样品的物理化学指标；（2）基于多种预训练的CNN架构构建和优化牛肉新鲜度预测的迁移学习模型；（3）系统评估模型性能，并通过与传统方法（如SVM、CNN等）的比较来验证其优越性。通过上述研究，预计本研究将提供一种新颖、高效且实用的技术解决方案，以解决快速现场评估肉品新鲜度的挑战。
章节片段
实验方法
实验样品来自杭州临安区永辉超市购买的新鲜牛肉。样品被迅速处理并切割成9厘米×9厘米的块，然后放入样品容器（9.4厘米×9.4厘米×4厘米）。共准备了18个样品，其中9个样品（第1组）存放在室温（27±3°C）下，另外9个样品（第2组）保存在冰箱（6±2°C）中。从购买到预处理完成的时间大约为……
数据处理和模型
在数据采集和预处理阶段，使用了基于智能手机的主动成像系统来捕获牛肉样品的时间序列视频。通过提取关键帧、选择感兴趣区域（ROI）和应用去噪技术，构建了清晰的图像序列。随后，在特征构建和表示阶段，将帧图像转换为灰度信息并按时间顺序排列，生成R、G、B时间灰度光谱线
结果与讨论
常温组和低温组的储存条件不同，而测试环境保持一致。实验过程中，常温组和低温组的相对湿度和温度参数分别约为50%、27°C和6°C。每个样品的数据采集过程大约需要10秒，紧密模拟了实际的储存和检测条件，如图3(a)所示。
通过提取……
结论
本研究通过整合基于手机的主动视觉成像和CNN-迁移学习模型，开发并验证了一种用于评估牛肉新鲜度的智能检测方法。通过系统实验和比较分析，主要结论如下：（1）通过构建配备主动可控照明模块的智能手机图像采集系统，在稳定照明条件下捕获了高质量的牛肉样品视频图像；（2）
CRediT作者贡献声明
Shan Qu：撰写——初稿，研究。Zongxian Li：研究。Bairong Ye：研究。Huihui Zha：研究。Yuchen Zhao：研究。Shangyong Zhao：撰写——审阅与编辑，撰写——初稿，项目管理，资金获取，概念构思。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
致谢
本工作得到了国家自然科学基金（61575030）、浙江省自然科学基金（LQN26F050022）、浙江农林大学科学研究基金（2024LFR047）、浙江省本科生创新培训计划（S202510341148）、浙江省教育厅（Y202455661）以及电力系统运行与控制国家重点实验室支持的项目（SKLD24KZ12）的支持。作者感谢……
Shan Qu|Zongxian Li|Bairong Ye|Huihui Zha|Yuchen Zhao|Shangyong Zhao
