《Journal of Food Composition and Analysis》：A Non-Invasive Approach for Detecting Water Adulteration in Orange Juice Using Computer Vision and Deep Learning
编辑推荐：
摘要
橙汁中因掺水导致的食品欺诈是饮料行业关注的重要问题。本研究旨在开发一种基于深度学习、快速且非侵入式的计算机视觉方法，用于检测并对三种橙汁产品（鲜榨汁、浓缩还原汁和橙汁饮料）中1%至15%范围内的掺水水平进行分类。在保持场景照度恒定的条件下，于两种基于
摘要
橙汁中因掺水导致的食品欺诈是饮料行业关注的重要问题。本研究旨在开发一种基于深度学习、快速且非侵入式的计算机视觉方法，用于检测并对三种橙汁产品（鲜榨汁、浓缩还原汁和橙汁饮料）中1%至15%范围内的掺水水平进行分类。在保持场景照度恒定的条件下，于两种基于快门速度的曝光条件——高曝光采集条件（1/30 s）和低曝光采集条件（1/250 s）下获取高分辨率图像，并使用ResNet50卷积神经网络进行分析。在图像级留出测试中，使用1/250 s采集图像训练的模型准确率达到88.3%，而使用1/30 s训练的模型达到83.1%。为提供更严格的样本级可迁移性评估，先前训练并固定的1/250 s模型随后使用240个独立制备且盲法编码的样本进行评估，这些样本来自对相同商业产品的后续购买。该独立盲法验证实现了86.7%的24类准确率。误分类主要发生在同一果汁产品内相邻或相近的掺水水平之间。当独立验证预测结果被合并为二元纯果汁与掺假果汁筛查任务时，模型实现了100.0%的灵敏度、93.3%的特异性、99.2%的准确率和96.7%的平衡准确率。这些发现支持该方法作为快速预筛查工具的可行性，用于检测与受控水稀释相关的可见图像模式，并表明检测掺假的存在比精确赋值给间隔较小的掺假水平更为可靠。独立验证提供了模型可迁移至后续购买的相同产品新制备样本的证据。然而，在建立更广泛的适用性之前，还需要在更多品牌、生产批次、橙子产地、季节和采集环境中进行进一步验证。
论文解读文章
**研究背景与问题**
橙汁是全球消费量最大的果汁之一，其市场价值持续增长，但高需求也使其成为食品欺诈的易感对象，其中掺水稀释是最常见且难以检测的掺假方式之一。传统确证技术如色谱法、光谱法、核磁共振（NMR）、质谱法和同位素分析虽然能够提供详细的化学组成信息，但设备成本高、样品制备复杂、需要专业人员且便携性差，难以满足工业快速筛查需求。近年来，便携式近红外光谱和傅里叶变换红外光谱等快速筛查方法已被应用于果汁真实性鉴别，但基于可见光图像的深度学习检测橙汁掺水的研究仍然较少，且快门速度引起的曝光变化对卷积神经网络（CNN）性能的影响尚未在该背景下得到系统研究。因此，本研究旨在开发一种基于计算机视觉和ResNet50卷积神经网络的快速、非侵入式预筛查方法，用于检测三种橙汁产品（橙汁饮料、浓缩还原汁、鲜榨汁）中1%至15%的掺水水平，并评估恒定场景照度下两种快门速度曝光条件对模型性能的影响。
**研究内容与结论**
研究人员选用Granini?橙汁饮料、Juver?浓缩还原汁和店内自动旋转压榨机鲜榨的橙汁（橙子产地为西班牙瓦伦西亚）作为实验材料。样品制备时按质量百分比添加0%、1%、2.5%、5%、7.5%、10%、12.5%和15%的自来水，每个产品-掺水水平组合在每种曝光条件下采集100张图像，共获得4799张有效图像。图像在自建的局部密封成像舱中采集，场景照度恒定530 lux，使用Nikon D5100相机，快门速度设为1/30 s（高曝光条件）或1/250 s（低曝光条件），其余拍摄参数固定。图像经裁剪、缩放和ImageNet标准化后输入两个独立的ResNet50模型进行24类分类（3种果汁类型×8个掺水水平）。模型先经内部验证和图像级留出测试，随后对最佳固定模型进行独立盲法验证，使用后续购买的同品牌产品独立制备240个物理样本进行样本级评估。结果表明，1/250 s模型的图像级留出测试准确率为88.3%，高于1/30 s模型的83.1%；独立盲法验证的24类准确率为86.7%，二元纯果汁-掺假筛查灵敏度达100.0%，特异性93.3%，准确率99.2%，平衡准确率96.7%。研究证实了该方法作为快速预筛查工具的可行性，检测掺假存在比精确区分相邻掺水水平更可靠，独立验证为模型向新制备样本的迁移提供了证据，但跨品牌、批次等的泛化仍需进一步验证。该论文发表于《Journal of Food Composition and Analysis》。
**关键技术方法**
本研究主要采用以下关键技术方法：（1）可控成像舱图像采集系统，使用Nikon D5100相机在恒定照度（530 lux）下以两种快门速度获取高分辨率可见光图像；（2）ResNet50卷积神经网络，采用ImageNet预训练权重和迁移学习，通过AdamW优化器和one-cycle学习率策略训练24类分类器；（3）分层图像级数据集划分用于训练、内部验证和留出测试；（4）独立盲法验证流程，包括盲样制备、随机化和盲法编码，使用固定模型对新制备样本进行样本级预测；（5）混淆矩阵、宏平均灵敏度和特异性、受试者工作特征曲线下面积（AUC-ROC）等统计评估方法。
**主要结果**
**3.1 图像数据集与掺水视觉评估**
通过图像采集获得结构化数据集，目视检查显示掺水会引起颜色强度、浊度和液面光交互的细微变化，低掺水水平变化更加微弱，与相邻稀释水平的视觉相似性构成了细粒度分类任务。
**3.2 内部验证和留出测试性能**
**3.2.1 内部验证性能**：1/30 s模型的内部验证准确率为80.7%，1/250 s模型为88.7%，表明低曝光条件提供的图像特征更有利于CNN分类。
**3.2.2 图像级留出测试性能**：1/30 s模型正确分类255张中212张，准确率83.1%；1/250 s模型正确分类231张中204张，准确率88.3%。误分类主要发生在相邻掺水水平之间，未出现跨产品混淆。
**3.2.3 性能指标与模型评估**：混淆矩阵显示纯净样品分类稳定，低掺水水平（1%-5%）与部分中间水平（7.5%-10%）易与邻近类混淆，高掺水水平（12.5%-15%）分辨性较好。作为补充二元分析，1/250 s模型对纯样品与掺假样品的AUC-ROC达到0.98。
**3.2.4 独立盲法验证性能**：240个新制备盲样中208个被准确分类，24类准确率86.7%，宏灵敏度86.7%，宏特异性99.4%，宏平衡准确率93.0%。三种产品准确率分别为橙汁饮料83.8%、浓缩还原汁88.8%、鲜榨汁87.5%。二元分析中未掺假样本特异性为93.3%，全部掺假样本均被检出。大部分误分类发生在相邻或相近稀释水平（如1%与2.5%，5%与7.5%），少数偏差较大但未出现跨产品混淆。
**3.3 与传统确证技术的操作比较**
提出的计算机视觉+CNN方法推理时间小于1秒/图像，无损、成本较低、可能便携，但作为预筛查工具与传统确证技术（NMR、HPLC）互补，不可替代确证分析。
**3.4 与既往食品分类及便携筛查研究比较**
与其他研究相比，本研究准确率低于使用近红外光谱结合化学计量学的方法（>95%），但可见光图像方法具有更简单的采集原理、低成本可见光成像和最小样品制备优势，适合作为分层质量控制中的初步筛查步骤。
**讨论与结论总结**
讨论部分强调，模型区分相邻掺水水平的能力有限，因此更适用于检测掺假存在而非精确量化掺水程度；未来可探索回归或序数分类方法。独立验证证实了模型对同产品新制备样本的可迁移性，但尚未证明跨品牌、批次和季节的泛化能力。研究结论指出：1/250 s模型在图像级留出测试中准确率88.3%，高于1/30 s模型的83.1%；独立盲法验证24类准确率86.7%，二元筛查准确率99.2%、灵敏度100.0%、特异性93.3%、平衡准确率96.7%。该方法是图像基稀释分类器，不直接量化营养成分；最低实验掺水水平1%不应视为已验证检出限。未来需要在模型开发中未涉及的品牌、批次和采集条件下进行进一步验证，并评估回归或序数模型以改进掺水量估计。
