综述：家禽加工中的人工智能：应用、验证差距以及迈向智能和自主加工系统的路径

《Poultry Science》：Artificial Intelligence in Poultry Processing: Applications, Validation Gaps, and Pathways toward Intelligent and Autonomous Processing Systems

　　

人工智能（AI）正在成为家禽加工领域的一种变革性工具，它能够对图像、光谱、传感器信号和生产记录进行快速、无损和自适应解读。本综述严格审视了人工智能在整个家禽加工链中的应用，包括活禽接收、屠宰、烫毛、脱毛、掏膛、胴体检查、冷却、抗菌控制、切块、去骨、肉质评估、胸肌异常检测、进一步加工、包装、微生物监测和预测性食品安全管理。特别关注计算机视觉、机器学习（ML）、深度学习（DL）、近红外（NIR）和高光谱成像（HSI）、电子传感、多模态数据融合、机器人技术和预测建模。所报道的研究展示了在缺陷分类、胴体和分割部位定位、异物检测、微生物负荷估算、新鲜度评估、产量预测和工艺优化方面的巨大潜力。然而，文献在证明技术可行性方面比证明商业可靠性更有说服力。许多模型基于小型、单一来源的数据集开发，采用可能允许数据泄漏的随机数据划分，依赖不确定的参考标签，或仅报告总体准确率而未报告类别特异性表现、校准、不确定性和外部验证。由鸡群、工厂、季节、设备、光照、产品方向和加工条件差异引起的领域偏移仍然是部署的主要障碍。因此，人工智能应作为集成式“传感器–模型–决策–执行器”系统的一部分实施，而非作为孤立的算法或已验证工艺控制及人类专业知识的替代品。未来的进展需要多工厂数据集、前瞻性商业生产线测试、不确定性感知模型、卫生且低延迟的硬件、经济评估、透明治理以及明确界定的人类监督。从实验性预测向智能化和自主化家禽加工的转变，将取决于人工智能能否在现实工业条件下持续改善安全性、质量、产量、可持续性和运营决策。

**引言**

家禽肉是优质动物蛋白的重要来源，其生产规模不断扩大，单线加工能力可达每小时约15,000只。高线速在提高产量的同时，缩短了检查、设备调整、缺陷剔除和纠正操作的时间。胴体在大小、解剖结构、组织分布和加工行为上存在显著生物学变异，常规设备对均匀且位置可预测的产品表现最佳，但难以适应商业条件下的变异。胸肌异常如木质化鸡胸肉（WB）、白纹肉（WS）和意大利面肉（SM）进一步改变外观、组成、质地和加工特性，使分级、分割和增值回收复杂化。现代工厂依赖机械化与自动化，但传统系统按预定动作和阈值运行，当条件超出预设范围时性能下降。人工智能（AI）能够解释图像、光谱、传感器测量和生产记录，为检测、分类、质量预测、切割引导、过程控制和机器人操作提供适应性方案。然而，AI应被视为集成加工系统的一部分，而非设备设计、可靠传感、卫生维护和人类专业知识的替代品。实际价值不仅取决于实验精度，还取决于在商业速度和现实条件下生成可靠预测的能力。目前许多证据仍来自实验室或模拟条件，长期商业线验证不足。人类与AI的协作尤为重要，自动系统持续筛查，训练有素的人员复核不确定或高风险案例。模型性能受数据集代表性、类别不平衡、参考标签不确定性和领域偏移等因素影响，高总体准确率可能掩盖罕见但关键缺陷的低检出率。因此，核心挑战不在于算法能否识别统计模式，而在于其预测在商业加工条件下是否可靠、可操作、经济合理且稳定。

**人工智能基础**

AI包括感知、预测、优化和决策的计算方法。机器学习（ML）从数据中学习关系，深度学习（DL）利用多层神经网络从图像、光谱和时间序列等高维输入中学习表示。并非所有自动化或统计系统都属于AI；遵循固定路径或阈值的是传统自动化，主成分分析和偏最小二乘回归通常被视为化学计量学方法。常见应用包括正常与缺陷产品分类、微生物负荷或质量属性的回归预测，以及用于定位污染、异物、解剖结构或缺陷的目标检测与分割。监督学习依赖已知标签，常用方法包括逻辑回归、支持向量机、决策树、随机森林、梯度提升、人工神经网络和卷积神经网络（CNN）。无监督学习识别无标签模式，可用于聚类、降维、异常检测和设备监控。半监督学习结合少量标记数据与大量未标记数据，适用于专家标注或破坏性测试成本高的场景。迁移学习通过调整预训练模型减少数据需求，但效果取决于源域与目标域的相似性。强化学习根据反馈选择动作，可支持过程控制、能量优化或机器人轨迹规划，但商业线上的试错学习存在安全风险，需要仿真、数字孪生和监督保障。CNN广泛用于图像分类、检测和分割，循环网络和Transformer可建模序列数据。传感器方面，RGB相机捕捉颜色、形状和表面缺陷；深度和三维成像提供几何信息；热成像记录表面温度模式；近红外和傅里叶变换红外光谱提供分子组成信息；多光谱和高光谱成像结合空间与光谱测量。过程数据包括温度、时间、压力、流量、抗菌剂浓度、电机负载、振动、生产速率和产量。多模态学习通过特征级、模型级或预测级融合整合多种数据，但不同步、缺失数据、空间分辨率差异和校准不一致可能增加误差与复杂性，需与单传感器基线比较以判断收益。模型开发流程包括数据采集、参考测量、预处理、数据划分、训练、超参数选择、验证和最终测试。划分需注意同一胴体、鸡群或加工日期的相关观测可能造成数据泄漏，应在最高相关生物学或操作水平上划分。交叉验证反映内部稳定性，不能替代外部验证。评估指标应与任务和错误后果匹配：分类应报告类别特异性敏感性、特异性、精确率、召回率、混淆矩阵和精确率–召回率指标；回归应报告预测误差、偏差、决定系数和测量范围内的表现。可解释性方法可识别影响预测的信息，但解释不能证明因果或生物学有效性。不确定性同样重要，神经网络概率可能校准不良，决策阈值应反映错误后果。商业部署要求完整系统在可用时间内完成数据采集、预处理、预测、通信和执行器响应，边缘计算可减少延迟，模型压缩、剪枝、量化和硬件加速可降低计算负担。评估单元应是集成的“传感器–模型–决策–执行器”系统。

**评估家禽加工中AI就绪性的框架**

AI的工业价值不能仅由预测性能决定，还取决于预测是否可靠、及时并与有意义的加工决策相关联。所提出的框架包括传感器、模型、决策和执行器四个环节：传感器决定能否可靠获取相关生物学或加工信息；模型将测量转换为预测或分类；决策阶段确定如何解释输出以及是否需要人工复核；执行器将预测转化为分类、修剪、设备调整、产品转移或定向检查等操作。技术就绪度取决于数据与参考质量、模型开发与验证严谨性、对领域偏移的鲁棒性、推理速度与工程集成，以及操作、经济、监管和人类后果。高模型精度应被视为就绪度的一个组成部分，而非成功工业实施的证据。

**初级家禽加工和胴体检查中的人工智能应用**

*活禽接收和福利相关监测。* 计算机视觉已广泛用于农场监测鸟类分布、活动、姿态、采食和异常行为，但拥挤、重叠、光照变化和一致行为标签的缺乏影响准确性。在卸货、挂禽或致晕过程中应用类似方法合理，但直接工厂证据有限。AI福利监测应被视为决策支持工具，不能在没有独立验证的情况下取代训练有素的福利人员。需将视频预测与致晕效果、胴体损伤、检查结果和加工条件联系起来。

*屠宰、烫毛、脱毛和工艺相关缺陷。* 屠宰、烫毛和脱毛设备按预设参数运行，但入舍鸡变异大。烫毛不足或过度机械作用会导致羽毛残留、皮肤损伤、淤伤或部件破损。CarcassFormer使用基于Transformer的架构同时检测、分割和分类家禽胴体缺陷，其数据集包含7,321幅图像，能定位缺陷发生位置，有利于修剪、分选和工艺诊断。另一项研究先用YOLOv7定位翅膀、胸、背和腿，再对区域进行缺陷分类，平均精度达98.9%，分类准确率94.2%。然而，这些结果尚未证明常规工业性能，图像在时间上的邻近性可能使测试集缺乏独立性。商业验证应涵盖不同鸡群、班次、工厂、设备设置、胴体尺寸和季节，并报告漏检率、误拒率、加工速度及每种错误的经济后果。更有用的应用可能是基于趋势的过程监控，例如羽毛残留的快速增加可指示烫毛或脱毛设备问题，但需要证据证明响应这些警报能减少缺陷、产品损失或停机时间。

*掏膛和胴体检查。* AI可通过定位解剖结构并调整设备来支持掏膛。基于颜色空间变换和主动轮廓分割，三黄鸡和樱桃谷鸭的脏器轮廓识别率分别为93.3%和86.7%，表明品种间迁移不可靠。三维点云结合遗传算法优化的小波神经网络可从外部测量预测内部脏器尺寸。但精确的定位并不保证成功掏膛。在一项机器人评估中，胴体和切口定位误差仅为几个像素，但脏器残留率和破损率仍分别为6.2%和15%，说明图像级精度可能高估操作性能。自动化胴体检查具有更强的商业证据。一种线扫光谱系统在140只/分钟的商用线上检查了超过10万只胴体，正确分类超过99%的正常胴体和超过96%的非正常胴体。高光谱和多光谱系统也已在线检测粪便和食糜污染。多光谱荧光成像结合机器学习检测到肉眼不可见的污染，但荧光指示的是污染风险而非病原体存在。AI更适合作为连续预分选和决策支持系统，不确定或高风险的胴体应转交培训过的检验员。

*冷却和抗菌过程控制。* 冷却涉及胴体重量、初始温度、水温、搅动、流速、停留时间和设备配置之间的非线性关系。人工神经网络已用于预测胴体出口温度，例如在工业浸没冷却中回归系数达0.9265，也有模型预测冷却过程中的水分吸收。这些模型展示了预测能力，但未作为自主控制器进行前瞻性调整。抗菌控制方面，研究表明过氧乙酸（PAA）对鸡翅上沙门氏菌的功效主要取决于浓度和溶液温度，而pH和处理时间在评估条件下不显著。总溶解固体比化学需氧量更能一致地预测PAA衰减，有机负荷会改变细菌脱落与PAA灭活之间的平衡。总体而言，现有研究提供的是预测模型而非经过验证的闭环控制。部署前需在不同胴体尺寸、有机负荷、工厂、季节和冷却器配置下进行前瞻性测试，安全系统应结合温度、流量、抗菌浓度和水质的连续测量以及受约束的操作限制。

*切块、去骨和产量优化。* 切块和去骨自动化困难，因为胴体可变形、解剖结构多变，且许多切割边界不可见。有研究提出自适应去骨框架，结合图像表征、名义切割轨迹生成和力反馈来纠正肩部切割偏差。视觉引导的水刀系统利用鱼片形状和厚度优化分割图案。计算机视觉也可在物理分离前估计胴体和分割块重量。一项研究使用136,472幅生产图像和三维先验信息获得平均绝对百分比误差3.47%，但形状模型仅由45次三维扫描构建，大图像数不代表广泛的生物学多样性。另一项研究报道从0.913（鸡腿）到0.998（全胴体）的决定系数。但R2并不显示产品被错误分配到商业重量类别的频率。视觉还可量化残留肉量和切割缺陷。一种系统在不到一秒内测量去骨框架上的残留肉，与手动产量测量相关性约90%。一种新型视觉引导切割系统报告检测平均精度98.86%，图像推理时间22.2毫秒，但机器人切割后残留率仍约11.7%–11.8%。激光三维分割产生4.53%–5.96%的鸡胸肉重量误差，但切割线是手动实施的。工业验证应优先考虑回收产量、重量类别准确度、骨碎片发生率、产品损伤、产量、卫生兼容性、停机和跨独立鸡群及工厂的性能。

*胸肌异常检测与分类。* 胸肌异常的可检测特征差异很大：WS主要从表面条纹识别，WB改变鱼片形状、硬度、组成和光散射，SM以结构完整性丧失为特征，深部胸肌病可能隐藏于胸小肌中。单一RGB模型难以可靠分类所有异常，尤其是多种条件共存时。近红外光谱提供了WB检测的最强工业证据之一。一项研究用197个鱼片训练NIR模型，在79个鱼片的工业测试集中获得100%分类准确率，随后在线扫描仪评估了三个商业鸡群（每群6,330至10,483个鱼片），但独立测试集相对较小且未跨工厂验证。另一项研究用计算机视觉获得91.8%准确率，NIR为97.5%，但仅评估80个鱼片。便携式NIR模型分类正常、WS和WB相关样品准确率92–93%，但WB和WB/WS组合鱼片无法分离而被合并为一类。成像方法可在去骨前后通过测量胴体或鱼片构象检测WB。基于商业肉鸡胴体尺寸的模型在不同性别、品系和年龄的鸡中验证准确率约84%；高速侧视系统测量鱼片变形后二元WB检测准确率超过95%。生物电阻抗分析结合偏最小二乘模型对重度WB样本分类准确率100%，另一项研究为88.89%。结构化照明反射成像结合深度特征区分正常与WS鱼片准确率96.6%，但区分三个严重度等级时降至83.4%；光散射成像对二元WB检测准确率92.3%，且手工特征优于深度学习特征，说明物理意义的特征并非自动被深度学习超越。SM检测证据较不成熟。一项研究使用300个来自三个鸡群的鱼片，支持向量机对正常、中度和重度WB的测试准确率分别为71.0%、60.0%和81.5%；神经网络分离正常鱼片有无SM时训练准确率100%，但独立SM分类弱得多，表明可能过拟合。另一项研究使用可见光-近红外高光谱成像（386–1016 nm）区分SM与其他肌病达到94.0%平衡准确率。高光谱-CNN模型对血相关缺陷的平均精度为0.916–0.990，推理时间41.8–58.2毫秒，但快速推理不等于商业吞吐量。

*肉质性状的无损预测。* 无损质量预测与缺陷分类不同，回归试图估计连续的实验室值，如pH、滴水损失、剪切力或蛋白质含量。高相关性不足以证明实用性，应使用独立预测误差、偏差、预测区间和商业决策能力评估。颜色和pH是最常建模的性状。使用可见光-近红外高光谱成像，独立测试R²为0.73，pH的均方根误差（RMSE）为0.29，但模型验证期间表现更强，说明交叉验证不能等同于新样本性能。保水性更难预测，因为它反映pH、蛋白质功能、肌肉结构和宰后条件。光谱与图像纹理融合对滴水损失得到R=0.80和RMSE=0.80，但对可挤出液体（R=0.56，RMSE=2.10）和盐诱导水分增加（R=0.69，RMSE=18.04）较弱，说明一种传感器可能合理预测一种保水指标而对另一种表现不佳。质地预测方面，高光谱模型对原料WB鱼片的MORS峰值计数预测R=0.915、RMSE=2.26，但三类WB严重度准确率仅77.8%。仪器剪切试验的预测不等于消费者感知的嫩度。成分预测方面，早期NIR模型对鸡肉中的水分、蛋白质和脂肪产生强校准关系，但实验仅包含48只鸟，且最强结果来自解冻、绞碎的样品。高光谱成像预测羟脯氨酸的R=0.874、RMSE=0.046，证明可行性但未证明工厂级鲁棒性。氧化和新鲜度可通过储存期间的化学和微生物变化建模。高光谱模型预测硫代巴比妥酸反应物（TBARS）的R=0.944、RMSE=0.081；NIR预测优势腐败菌的R=0.954、RMSE约0.40 log CFU/g。但模型可能部分学习储存时间或温度而非氧化或微生物负荷本身。独立批验证中，FT-IR预测鸡表面微生物计数误差约0.85 log CFU/cm2，多光谱成像模型独立批误差1.25 log CFU/cm2。接近一个对数量的误差代表约十倍微生物浓度差异，可能适合筛查但不适合精确微生物验证。

*进一步加工的家禽产品。* 进一步加工引入额外的变异源，产品质量同时取决于原料组成、配方、成型、涂裹、热处理和包装。最强的新证据来自真实的即食家禽加工线。一项研究在成型、涂裹、油炸和烹饪四个阶段各收集2,000幅标注图像，训练步骤特异性YOLOv12模型检测质量偏差。各阶段模型峰值平均精度（mAP 50–95）约0.50–0.60，组合模型达到0.7331 ± 0.0040。但性能强烈依赖类别频率，罕见缺陷经常被误分类。计算机视觉可量化产品形状、尺寸、颜色、涂层覆盖和表面不规则性。一项研究开发了鸡块图像系统，测量与肉色、涂层颜色、孔隙率、附着力和表面积相关的11个特征，主成分分析将其降至四维，但未证明自主剔除或跨生产线可靠性。图像信息还可作为质地的间接预测因子。一项研究从不同油炸阶段的鸡块中提取五个图像纹理指标，用多层前馈神经网络预测最大载荷、断裂能量和韧性，预测与机械测量值的相关性超过0.84。超声波速度与裹粉油炸鸡块的感官脆性关系密切。但涂层和裹粉特别困难，表面覆盖率不能完全描述涂层附着力、内部孔隙率、水分迁移或吸油量。X射线微计算机断层扫描显示油炸条件改变三维孔隙结构，但不适合常规高速检查。烹饪是更高后果的应用，表面褐变不能确认达到安全内部温度。一项研究结合红外图像与多层神经网络估计熟鸡内部温度，标准误差约±1.01°C；另一项研究结合红外表面温度、三维几何和时滞图像，平均绝对误差1.54°C。但这些研究在受控或中试条件下进行，温度预测不能自动等同于微生物致死率。AI辅助检查还可识别畸形产品、裸露肉、过度或不足褐变、涂层损失、异物、包装损坏、错误标签和不可读日期代码，但RGB系统主要对可见表面偏差敏感。

**家禽肉包装中的人工智能**

包装是家禽加工中的关键控制点，包装完整性、顶空气体组成、储存温度、标签准确性和产品新鲜度共同决定安全性、货架期和消费者接受度。传统检查依赖固定机器视觉规则、周期性破坏性测试和人工观察。AI可提供更适应性检查。最直接的应用是自动化检查托盘、薄膜、密封、标签和产品呈现。CNN等视觉模型可识别不完整密封、皱褶、穿孔、密封区污染、托盘损坏、填充水平不正确、吸收垫错位和禽肉部位定位不当。多光谱或高光谱成像在透明薄膜、反射表面或食物残渣使常规RGB检查不可靠时特别有用。一项研究结合高光谱图像融合与深度学习模型分类正常和故障食品托盘密封，CNN准确率约90%，但该研究并非家禽特异性。接近90%的准确率可能不足以应对高吞吐量商业使用中罕见但严重的安全和经济后果。AI还可加强标签和追溯控制。计算机视觉和光学字符识别系统可验证产品身份、净重、保质期、条形码、批次代码、过敏原声明、烹饪说明以及包装产品与标签之间的对齐。但专门验证家禽工厂中AI标签验证的文献仍然有限。更高级的应用是将AI与智能包装结合用于新鲜度和货架期评估。包装中的传感器或指示剂可响应温度历史、pH变化、氧气、二氧化碳、氨气、硫化氢、挥发性有机化合物或微生物代谢物。ML模型可解释这些多变量信号并动态估计新鲜度状态或剩余货架期。一项研究结合计算机视觉特征与遗传算法和人工神经网络预测冷藏期间鸡肉新鲜度，报告预测与参考值高度相关。另一项研究将迁移学习应用于4°C储存鸡胸肉的电子鼻数据，ResNet模型分类准确率99.70%。还有研究融合电子鼻、计算机视觉和人工触觉测量预测猪肉和鸡肉新鲜度，鸡肉总挥发性碱性氮的R2为0.94、均方根预测误差0.98。但许多研究使用单一来源样本、受控储存条件和随机数据划分，模型可能学习储存时间进程而非商业生物学变异。外部验证需涵盖产品、工厂、包装系统、季节、初始微生物负荷和温度滥用条件。AI还可支持动态包装，整合顶空气体、温度历史、薄膜特性、包装图像和货架期数据来检测泄漏、估计剩余货架期、优化库存和改进追溯。但传感器成本、漂移、基质特异性响应、监管要求和额外包装废物是重要障碍。

**家禽食品安全中的人工智能**

*微生物污染检测。* 最强的病原体特异性证据涉及培养后的自动鉴定。高光谱成像区分空肠弯曲菌与16种其他禽类相关微生物的准确率超过99%。针对肠炎沙门氏菌和鼠伤寒沙门氏菌的模型对人工污染的禽类胴体冲洗液在选择性琼脂上培养的菌落分类准确率约98–99%。这些系统可加速推定菌落筛查并减少分析主观性，但仍需采样、铺板和孵育，因此自动化的是实验室解释而非在移动胴体上直接检测病原体。成像也可识别与病原体风险相关的污染。多光谱荧光成像检测到404只肉鸡胴体上可见和不可见的粪便物质，部分不可见位点沙门氏菌阳性，但模型无法可靠识别污染的胃肠道来源，工厂验证仅限114个拭子。可见光-近红外光谱区分禽类设备表面的粪便或食糜残留对污染物敏感性100%，但对清洁设备特异性约92.5–95%。此类系统检测需要纠正措施的有机污染，但粪便或残留物检测仍是风险替代而非病原体确认。AI在腐败菌和总微生物负荷方面评估更广泛。使用402个鸡大腿鱼片，多光谱成像预测总活菌数和假单胞菌数的RMSE分别为0.99和1.22 log CFU/cm2，SVM分类新鲜和腐败样品准确率94.4%。FTIR光谱结合特征选择与SVM回归预测鸡肝中微生物群的RMSE为0.66–0.95 log CFU/g。非常高的新鲜度分类准确率需谨慎解释。电子鼻和迁移学习模型对4°C储存1–7天的鸡胸肉准确率99.7%，NIR模型分类起始、传播和腐败阶段的准确率为93.7–98%。但受控储存序列开发的模型可能学习储存日相关系统变化而非微生物污染本身，外部验证应包含不同初始菌群、包装系统、温度波动、加工厂和产品配方。环境监测提供补充策略。农场样品中的病原体负荷与同一商业鸡群的胴体冲洗液负荷相关，随机森林模型预测牧场禽类样品中沙门氏菌出现的AUC超过0.83。跨三个肉鸡厂的商业生物图谱进一步证明污染模式和干预效果因设施而异。

*使用的技术。* 高光谱和多光谱成像结合光谱组成与空间定位，可识别污染区域、表征菌落并可能非接触检查大面积产品区域。高光谱仪器特别有助于发现信息波长，减少波段的多光谱系统更适合商业速度和成本。主要缺点是数据量大、对光照和表面水分敏感，以及生化信号重叠时病原体特异性有限。FTIR和NIR光谱更简单，但空间信息较少，其模型主要检测微生物代谢引起的生化变化而非微生物细胞本身。光谱关系可能随产品组成、腌料、肌病、包装、温度或优势腐败菌而改变，因此缩减波长系统应在外部验证确认选定波段在批次和工厂间仍有信息性后开发。荧光成像对卫生验证特别有前景，因为有机残留物和细菌生物膜可在紫外激发下荧光。荧光高光谱成像对不锈钢和聚乙烯表面的大肠杆菌和沙门氏菌生物膜分类敏感性和特异性通常超过90%。家禽特异性研究也表明，颜色和荧光测量结合ML可区分清洁表面与携带稀释鸡肉残留物的表面。生物传感器通过抗体、适配体、分子印迹聚合物等识别元件提供更高生物学特异性。一种量子点免疫测定法在两小时内检测禽类样品中沙门氏菌和弯曲菌约30–50 CFU/mL。一种表面印迹传感器在一小时内检测禽类相关样品中的结肠弯曲菌和空肠弯曲菌，但检测限差异很大。一种基于阻抗的微流控装置报告快速检测生鸡肉冲洗液中的沙门氏菌。但生物传感器的输出为数字并不等同于AI；AI必须提供信号解释、多重检测、错误检测或决策方面的验证性改进。电子鼻可检测腐败过程中产生的挥发性混合物，并与神经网络或迁移学习结合，但传感器漂移、湿度、包装气氛、腌料和清洁化学品可改变挥发物谱，且挥发性预测不能证明病原体不存在。微生物学、环境和过程记录提供另一重要数据源。AI可结合鸡群历史、胴体冲洗结果、卫生记录、抗菌条件、设备位置和生产时间，识别高风险时期或污染途径。传感器融合可结合光谱、成像、挥发物、温度和微生物数据，但多传感器研究显示，添加传感器并不总能一致改善预测，且每个传感器增加校准、卫生、维护和数据集成需求。

*预测性微生物风险建模和AI增强的HACCP。* 预测性微生物建模将监测数据与预防性食品安全决策联系起来，整合时间-温度历史、产品特性、抗菌剂暴露、加工条件和微生物记录以估计微生物生长、灭活、交叉污染和货架期。但机理模型和定量微生物风险评估（QMRA）仍是重要基准，只有ML方法改善外部预测、不确定性估计或操作决策时，更大的算法复杂性才合理。家禽特异性研究表明潜力但验证域有限。一项研究开发了碎鸡肉中八种沙门氏菌血清型的神经网络模型，训练数据预测区可接受比例为0.948，独立测试为0.988。在鸡肝中，FTIR结合特征选择和支持向量回归预测微生物数量的误差为0.664–0.949 log CFU/g。多光谱成像预测鸡大腿总活菌和假单胞菌数，SVM外部验证分类新鲜和腐败准确率94.4%。另一项研究通过IoT传感器和神经网络整合温度、湿度、气体、理化及感官数据，质量分类准确率超过90.5%。但预测误差接近一个对数量仍然微生物学相关，腐败指示不能证明特定病原体不存在。在加工链层面，QMRA模型可估计连续操作间的污染变化。有模型模拟弯曲菌去除、灭活和交叉污染，有模型预测从活禽接收到冷却的沙门氏菌流行率和浓度，还有模型评估替代弯曲菌干预措施。这些模型可识别关键加工阶段并比较控制策略，但结论取决于初始流行率、转移系数、干预效果和剂量-反应关系的假设。AI增强的HACCP可整合温度、抗菌剂浓度、暴露时间、pH、流速、线速和设备状态的连续测量，识别发展中的偏差、提醒操作员、追溯受影响产品并记录纠正响应。但AI不取代已确立的HACCP要求。关键限值、纠正措施、验证程序和文件必须保持科学验证并与Codex和FSIS要求一致。当前AI应用应被视为决策支持工具而非可重新定义关键限值或产品处置的自主系统。主要限制是许多模型从光谱、挥发物、环境或过程信号间接推断微生物风险，这些指标可能与微生物变质相关而不直接测量沙门氏菌或弯曲菌，低病原体流行率可能产生误导性的高总体准确率。评估应强调病原体特异性敏感性、特异性、预测值、校准、检测限和安全样品误分类比例，并考虑破坏性微生物参考方法的不确定性、自然污染产品、菌株多样性、低浓度、混合微生物群落和现实的生产及冷链变异。

**挑战、局限与负责任实施人工智能的障碍**

AI在家禽胴体检查、异物检测、肉质预测和缺陷分类方面显示出巨大潜力，但当前研究在证明工业可靠性方面不如技术可行性有说服力。限制包括：许多研究使用单一鸡群、设施、加工日、遗传品系、传感器或实验室环境；同一胴体衍生的