《Food Physics》：Intelligent meat quality assessment using deep learning-integrated Vis/NIR spectroscopic devices: a comprehensive review
肉类及肉制品是人类饮食中优质蛋白质、必需氨基酸、维生素和矿物质的重要来源。人口增长、城市化、购买力提升以及日益复杂的全球供应链，使得消费者和监管机构对安全、营养、真实且品质稳定的肉制品提出了更高要求。消费者接受度不仅取决于营养成分，还取决于新鲜度、色泽、嫩度、多汁性、风味和真实性。因此，准确及时地评估这些特性对于生产者、加工商、监管机构、零售商和消费者均具有重要意义。肉类品质本质上是多维度的，受物种、品种、年龄、饲喂制度、宰前处理、屠宰条件、肌肉类型、宰后代谢、加工、包装和储存环境等相互作用的生物、环境及加工因素共同影响。相关指标涵盖色泽、大理石纹和表面外观等可见特性，以及pH值、持水性、嫩度、水分、蛋白质和脂肪含量、脂质氧化、微生物腐败和新鲜度等理化、成分、感官及微生物学特性。这些属性并非独立变化，其相互关系可能因动物、肌肉、生产批次和储存条件而异。这种生物和操作层面的异质性增加了开发快速且普遍适用的品质评估方法的复杂性。
传统肉类品质评估依赖化学、微生物学、仪器和感官检测程序。凯氏定氮分析、索氏提取、色谱分析、微生物计数、仪器质构测定和感官评价等参考方法能提供关键信息，但往往具有破坏性、劳动密集、耗时，且依赖专业设施和训练有素的人员。微生物学检测可能还需长时间培养，限制了其在即时工艺决策中的价值。这些限制促使研究者关注适用于高通量筛选并可能用于线边或在线品质监测的快速、非破坏性技术。对快速分析信息的需求与肉类行业从传统加工和终点检验向新兴传感、自动化、数据分析和数字化集成加工技术转型的大趋势相一致。
可见/近红外光谱是一种有前景的方法，因为它能捕获与肉类化学成分和物理结构相关的光学响应。可见光区域主要提供与血红素色素和色泽相关的信息，而近红外光谱包含主要与O–H、C–H和N–H键相关的宽泛、重叠的倍频和合频吸收。因此，光谱反映了水分、蛋白质、脂质、色素、组织结构及光散射的综合贡献。这些关系已支持其在成分预测、新鲜度和腐败评估、氧化监测、冻融鉴别、物种鉴定和掺假检测等方面的应用。然而，由于光谱波段宽泛且在化学上相互重叠，单个波长通常应被解释为可能的关联而非独特的分子标记。
可见/近红外设备涵盖从受控的台式光谱仪和光纤探头，到自动化生产线仪器、便携式传感器和高光谱成像系统。点光谱提供定义测量区域内的平均响应，而高光谱成像在三维数据立方体中结合了光谱和空间信息。因此，高光谱成像能够可视化可能被空间平均所掩盖的异质特征、局部劣化、组织分布或掺假模式。然而，设备选择涉及波长覆盖范围、光谱和空间分辨率、穿透深度、采集速度、成本、计算需求和环境鲁棒性之间的权衡。某一配置在实验室中的优异表现并不必然确立其在手持式、线边或在线应用中的适用性。
人工智能在食品加工、质量保证、自动化和数据驱动决策中日益深入的整合，为智能光谱分析奠定了更广泛的技术基础。在此背景下，深度学习已成为一种强大的建模范式，能够直接从光谱和高光谱数据中学习分层表示。将高维光谱测量转化为有用的预测需要多变量分析。传统化学计量学和机器学习方法，包括主成分分析、偏最小二乘回归、偏最小二乘判别分析、线性判别分析、支持向量机和随机森林，已被广泛用于管理共线性、降低维度和建模定量或分类的肉类品质结果。这些方法在许多应用中仍然有效且计算高效。然而，日益增长的高光谱成像数据集和复杂的光谱-空间关系促使研究者采用深度学习，后者能在统一的分析框架内整合特征提取和预测。
卷积神经网络、循环神经网络、长短期记忆网络、自编码器、注意力机制和混合架构因此已被研究用于光谱和高光谱成像分析。深度学习模型能够表示非线性关系并学习分层的光谱或光谱-空间特征，对人工选择变量的依赖较少。例如，有研究报告了卷积神经网络在区分新鲜和冻融牛肉方面的高性能。然而，现有证据并不支持深度学习具有普遍优越性。传统方法，包括逻辑回归、支持向量机、偏最小二乘回归和基于树的方法，在某些应用中仍具有竞争力或更优，特别是在独立样本数量有限或目标关系相对结构化的情况下。当深度学习模型和传统模型接收不同的输入、预处理程序、特征集或超参数优化水平时，比较也可能受到混淆。
更重要的是，光谱数据集的表观规模可能无法反映其生物学独立性。数千条光谱、像素、裁剪子图像或增强观测可能源自相对较少的动物、胴体或物理样本。例如，有研究报告了仅来自八具牛胴体的3129条光谱。如果来自同一标本的相关观测同时进入模型开发和测试集，所得性能可能产生乐观偏差。来自单一实验的内部交叉验证或留出子集也不足以确立跨新动物、生产批次、季节、加工设施或物理仪器的泛化能力。因此，验证设计和样本独立性必须与报告的准确率、R2、RMSE或RPD值一并评估。
仪器和环境变异构成了额外的转化挑战。可见/近红外测量受样品温度、表面水分、渗出物、组织厚度、光学几何、照明、包装、探测器响应、波长对准和仪器漂移的影响。白参考和暗参考校正可以减少辐射变异，但本身并不能建立仪器间的校准转移。同样，可解释人工智能方法可以识别影响模型预测的波长或图像区域，但数学上的特征重要性并不能独立确认生化机制。这些局限性在从受控实验室实验转向便携式或生产线应用时尤为重要。
既往综述已为肉类光谱学和光谱成像建立了重要基础。有研究综合了高光谱成像在禽肉产品中的应用，包括污染、欺诈、缺陷和产品质量。另有研究综述了高光谱成像在整个供应链中的肉类品质评估及其工业监测潜力。还有研究从更广泛的生物学和技术角度考虑了肉类品质预测。其他综述则考察了近红外原理、在线光谱学、肉类品质属性或高光谱成像和机器学习的一般发展。然而，这些文献中的大部分早于基于长短期记忆网络、注意力增强、混合深度学习和可解释人工智能支持的光谱模型的近期发展。此外，生物样本独立性、潜在的像素和重复水平泄漏、深度学习-化学计量学比较的公平性、外部验证强度、校准转移和工业就绪证据很少在肉类特定框架内被共同评估。
因此，本综述通过整合四个相互关联的维度来批判性评估人工智能和深度学习辅助的可见/近红外光谱及高光谱成像在肉类品质评估中的应用：(i)光谱设备配置和测量特性；(ii)传统化学计量学、机器学习和深度学习方法；(iii)在肉类品质、新鲜度、成分、加工历史和真实性方面的应用；(iv)所报告证据的可靠性和转化强度。本综述不仅仅是对设备、应用和架构的编目，还评估了生物样本独立性、潜在数据泄漏、模型比较的公平性、内部验证与独立收集的外部验证、基于可解释人工智能的解读、校准转移、仪器变异和工业适用性证据。这种以证据为导向的视角旨在阐明从高性能实验室演示迈向可复现、可转移且操作上有用的肉类品质评估系统的方法学要求。
- 1.
引言
肉类及肉制品是人体膳食中优质蛋白质、必需氨基酸、维生素和矿物质的重要来源。人口增长、城市化、购买力提升以及日益复杂的全球供应链，使得消费者和监管机构对安全、营养、真实且品质稳定的肉制品提出了更高要求。消费者接受度不仅取决于营养成分，还取决于新鲜度、色泽、嫩度、多汁性、风味和真实性。因此，准确及时地评估这些特性对于生产者、加工商、监管机构、零售商和消费者均具有重要意义。肉类品质本质上是多维度的，受物种、品种、年龄、饲喂制度、宰前处理、屠宰条件、肌肉类型、宰后代谢、加工、包装和储存环境等相互作用的生物、环境及加工因素共同影响。相关指标涵盖色泽、大理石纹和表面外观等可见特性，以及pH值、持水性、嫩度、水分、蛋白质和脂肪含量、脂质氧化、微生物腐败和新鲜度等理化、成分、感官及微生物学特性。这些属性并非独立变化，其相互关系可能因动物、肌肉、生产批次和储存条件而异。这种生物和操作层面的异质性增加了开发快速且普遍适用的品质评估方法的复杂性。
传统肉类品质评估依赖化学、微生物学、仪器和感官检测程序。凯氏定氮分析、索氏提取、色谱分析、微生物计数、仪器质构测定和感官评价等参考方法能提供关键信息，但往往具有破坏性、劳动密集、耗时，且依赖专业设施和训练有素的人员。微生物学检测可能还需长时间培养，限制了其在即时工艺决策中的价值。这些限制促使研究者关注适用于高通量筛选并可能用于线边或在线品质监测的快速、非破坏性技术。对快速分析信息的需求与肉类行业从传统加工和终点检验向新兴传感、自动化、数据分析和数字化集成加工技术转型的大趋势相一致。
可见/近红外光谱（Vis/NIR spectroscopy）是一种有前景的方法，因为它能捕获与肉类化学成分和物理结构相关的光学响应。可见光区域主要提供与血红素色素和色泽相关的信息，而近红外光谱包含主要与O–H、C–H和N–H键相关的宽泛、重叠的倍频和合频吸收。因此，光谱反映了水分、蛋白质、脂质、色素、组织结构及光散射的综合贡献。这些关系已支持其在成分预测、新鲜度和腐败评估、氧化监测、冻融鉴别、物种鉴定和掺假检测等方面的应用。然而，由于光谱波段宽泛且在化学上相互重叠，单个波长通常应被解释为可能的关联而非独特的分子标记。
可见/近红外设备涵盖从受控的台式光谱仪和光纤探头，到自动化生产线仪器、便携式传感器和高光谱成像（HSI）系统。点光谱提供定义测量区域内的平均响应，而高光谱成像在三维数据立方体中结合了光谱和空间信息。因此，高光谱成像能够可视化可能被空间平均所掩盖的异质特征、局部劣化、组织分布或掺假模式。然而，设备选择涉及波长覆盖范围、光谱和空间分辨率、穿透深度、采集速度、成本、计算需求和环境鲁棒性之间的权衡。某一配置在实验室中的优异表现并不必然确立其在手持式、线边或在线应用中的适用性。
人工智能在食品加工、质量保证、自动化和数据驱动决策中日益深入的整合，为智能光谱分析奠定了更广泛的技术基础。在此背景下，深度学习（DL）已成为一种强大的建模范式，能够直接从光谱和高光谱数据中学习分层表示。将高维光谱测量转化为有用的预测需要多变量分析。传统化学计量学和机器学习方法，包括主成分分析（PCA）、偏最小二乘回归（PLSR）、偏最小二乘判别分析（PLS-DA）、线性判别分析（LDA）、支持向量机（SVM）和随机森林（RF），已被广泛用于管理共线性、降低维度和建模定量或分类的肉类品质结果。这些方法在许多应用中仍然有效且计算高效。然而，日益增长的高光谱成像数据集和复杂的光谱-空间关系促使研究者采用深度学习，后者能在统一的分析框架内整合特征提取和预测。
卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）、自编码器（AE）、注意力机制和混合架构因此已被研究用于光谱和高光谱成像分析。深度学习模型能够表示非线性关系并学习分层的光谱或光谱-空间特征，对人工选择变量的依赖较少。例如，有研究报告了卷积神经网络在区分新鲜和冻融牛肉方面的高性能。然而，现有证据并不支持深度学习具有普遍优越性。传统方法，包括逻辑回归、支持向量机、偏最小二乘回归和基于树的方法，在某些应用中仍具有竞争力或更优，特别是在独立样本数量有限或目标关系相对结构化的情况下。当深度学习模型和传统模型接收不同的输入、预处理程序、特征集或超参数优化水平时，比较也可能受到混淆。
更重要的是，光谱数据集的表观规模可能无法反映其生物学独立性。数千条光谱、像素、裁剪子图像或增强观测可能源自相对较少的动物、胴体或物理样本。例如，有研究报告了仅来自八具牛胴体的3129条光谱。如果来自同一标本的相关观测同时进入模型开发和测试集，所得性能可能产生乐观偏差。来自单一实验的内部交叉验证或留出子集也不足以确立跨新动物、生产批次、季节、加工设施或物理仪器的泛化能力。因此，验证设计和样本独立性必须与报告的准确率、R2、RMSE或RPD值一并评估。
仪器和环境变异构成了额外的转化挑战。可见/近红外测量受样品温度、表面水分、渗出物、组织厚度、光学几何、照明、包装、探测器响应、波长对准和仪器漂移的影响。白参考和暗参考校正可以减少辐射变异，但本身并不能建立仪器间的校准转移。同样，可解释人工智能（XAI）方法可以识别影响模型预测的波长或图像区域，但数学上的特征重要性并不能独立确认生化机制。这些局限性在从受控实验室实验转向便携式或生产线应用时尤为重要。
既往综述已为肉类光谱学和光谱成像建立了重要基础。有研究综合了高光谱成像在禽肉产品中的应用，包括污染、欺诈、缺陷和产品质量。另有研究综述了高光谱成像在整个供应链中的肉类品质评估及其工业监测潜力。还有研究从更广泛的生物学和技术角度考虑了肉类品质预测。其他综述则考察了近红外原理、在线光谱学、肉类品质属性或高光谱成像和机器学习的一般发展。然而，这些文献中的大部分早于基于长短期记忆网络、注意力增强、混合深度学习和可解释人工智能支持的光谱模型的近期发展。此外，生物样本独立性、潜在的像素和重复水平泄漏、深度学习-化学计量学比较的公平性、外部验证强度、校准转移和工业就绪证据很少在肉类特定框架内被共同评估。
因此，本综述通过整合四个相互关联的维度来批判性评估人工智能和深度学习辅助的可见/近红外光谱及高光谱成像在肉类品质评估中的应用：(i)光谱设备配置和测量特性；(ii)传统化学计量学、机器学习和深度学习方法；(iii)在肉类品质、新鲜度、成分、加工历史和真实性方面的应用；(iv)所报告证据的可靠性和转化强度。本综述不仅仅是对设备、应用和架构的编目，还评估了生物样本独立性、潜在数据泄漏、模型比较的公平性、内部验证与独立收集的外部验证、基于可解释人工智能的解读、校准转移、仪器变异和工业适用性证据。这种以证据为导向的视角旨在阐明从高性能实验室演示迈向可复现、可转移且操作上有用的肉类品质评估系统的方法学要求。
1.1 文献检索、范围、批判性评估框架及与现有综述的定位
研究者进行了结构化文献检索，以识别关于人工智能、机器学习和深度学习应用于可见/近红外光谱和高光谱成像进行肉类品质评估的同行评审研究。Scopus、Web of Science核心合集和PubMed被用作主要文献数据库，Google Scholar作为补充来源以识别可能未被主要数据库检索到的相关出版物。检索覆盖了从2015年1月至最终检索日期2026年8月的出版物。当需要解释可见/近红外原理、化学计量学方法、肉类品质机制或光谱应用的历史发展时，有选择地保留了早期基础文献。
检索策略围绕四个主要概念组织：(i)肉类和肉制品；(ii)品质、安全、成分和真实性属性；(iii)光谱或光谱成像技术；(iv)基于人工智能的分析方法。检索词包括"meat"、"beef"、"pork"、"lamb"、"mutton"、"chicken"、"poultry"、"meat quality"、"meat freshness"、"meat spoilage"、"meat authentication"、"adulteration"、"visible spectroscopy"、"Vis/NIR spectroscopy"、"near-infrared spectroscopy"、"hyperspectral imaging"、"spectral imaging"、"artificial intelligence"、"machine learning"、"deep learning"、"convolutional neural network"、"recurrent neural network"和"long short-term memory"等。在适当情况下应用了布尔运算符、短语检索、截断和数据库特定字段代码。
研究纳入主要证据综合的标准为：(i)以英文发表的同行评审全文文章；(ii)研究肉类、肉制品或相关肉组织；(iii)采用可见光、可见/近红外、近红外或高光谱成像系统；(iv)应用了与分析比较相关的人工智能、机器学习、化学计量学或深度学习方法；(v)评估了肉类品质、安全、成分、加工历史、新鲜度、腐败、组织分类、掺假或真实性结果。仅基于拉曼的研究被排除在主要可见/近红外证据库之外。然而，结合近红外和拉曼光谱的多模态研究在直接有助于评估光谱数据融合时被保留。仅基于常规RGB成像、热成像、计算机断层扫描、电子鼻或其他非可见/近红外模态的研究被排除，除非它们提供了直接相关的方法学或比较背景。
会议摘要、社论、评论、重复记录、非英语出版物、缺乏足够方法学或性能信息的研究以及与肉类品质评估无关的文章均被排除。记录按标题、摘要和全文依次筛选。符合条件的论文和近期综述的参考文献列表也被人工检查以识别其他相关出版物。额外的权威综述、方法学论文和学术来源被用于支持光谱学基础、设备配置、肉类品质机制、模型开发和校准转移等章节；这些背景来源不被视为主要应用研究。
由于纳入研究在肉类物种、目标属性、仪器、波长范围、样本层级、预处理程序、模型、验证策略和性能指标方面存在显著差异，定量荟萃分析被认为不适用。因此进行了结构化批判性评估，以评价预测性能和支撑证据的可靠性。对每项主要研究，在可用的情况下提取以下信息：肉类物种和肌肉或产品类型；目标品质属性；动物、胴体、物理样本、生产批次、图像和光谱的数量；光谱平台和波长范围；测量配置；参考方法；预处理和特征选择程序；传统化学计量学或机器学习比较模型；深度学习架构；数据划分方法和划分单位；交叉验证程序；独立测试集特征；外部验证证据；报告的性能；以及实践或工业背景。无法从全文确认的信息被记录为未报告而非推断为事实。
研究者特别关注生物或物理样本与衍生观测之间的区别。源自同一标本的多条光谱、像素、斑块、裁剪子图像、重复测量和增强数据不被视为独立的生物样本。通过检查相关观测是否可能同时进入模型开发和测试分区，以及预处理、特征选择、增强或表示学习是否在数据划分之前或之后进行，来评估潜在信息泄漏。原始报告未提供足够信息以确立标本分组划分时，泄漏风险被分类为不明确或可能升高，而非明确存在。
验证证据使用分层框架进行解释。内部验证包括来自同一实验群体的交叉验证或留出子集。更强的证据被赋予动物或胴体分组验证、独立生产批次或时间验证、跨地点测试和跨设备前瞻性评估。从原始实验中选择的测试子集不被视为真正的外部验证，即使原始作者将其描述为"外部"或"预测"集。真正的外部验证要求独立收集的样本代表生物群体、批次、地点、季节、操作员或物理仪器方面的有意义变化。
深度学习与传统化学计量学或机器学习方法之间的比较根据模型是否使用相同的样本、预测目标、数据分区和评估指标进行评估。输入维度、预处理、特征选择和超参数优化工作的差异也被考虑。因此，当竞争模型使用实质上不同的信息或优化程序进行训练时，较高的报告指标不被解释为深度学习固有优越性的证据。工业相关性独立于内部预测性能进行评估，基于真实样本呈现、生产线或手持操作、独立批次、环境鲁棒性、预测速度、跨设备转移和前瞻性评估的证据。
既往综述已为近红外光谱、高光谱成像和计算建模在肉类品质评估中的应用奠定了重要基础。有研究考察了近红外光谱的原理和肉类工业应用，包括其在线实施的潜力。另有研究在更广泛的生物学和技术框架内考虑了肉类品质预测，而其他研究则综合了光谱成像和高光谱成像在禽肉、肉类和其他肌肉食品中的应用。随后有研究对可解释人工智能在农业品质评估光谱建模中提供了更广泛的评估。
更近期的综述已将这些文献扩展到基于高光谱成像的腐败检测、多模态传感器融合、先进机器学习、校准转移和工业可部署传感系统。有研究综述了肉类和禽肉中基于高光谱成像的腐败评估，而另一研究考察了维度驱动的高光谱成像传感器融合以实现全面的肉类品质表征。还有研究涉及近红外光谱结合机器学习在食品工业中的应用，包括便携式仪器、校准转移和选定的肉类应用。其他研究评估了人工智能在肉类加工链中的应用，综合了非破坏性传感技术、应用场景和多源信息融合用于肉类品质评估。另有研究进一步考察了近红外仪器、化学计量学建模、模型泛化和食品分析中校准转移的发展。
尽管文献不断扩展，各综述在对近期深度学习架构的处理、深度学习-化学计量学比较的公平性、生物样本独立性、潜在数据泄漏以及内部测试与真正独立的内部验证之间的区分方面存在显著差异。跨批次、跨地点和跨设备的鲁棒性也未被一致评估，使得难以确定高报告性能代表可泛化的证据还是实验室特定的概念验证。既往综述的范围和方法学重点相对于本综述采用的以可靠性为中心的框架进行了总结。
- 2.
可见/近红外光谱设备
可见/近红外光谱基于电磁辐射与样品化学成分和物理结构的波长依赖性相互作用。入射辐射可能被生物组织吸收、反射、透射或散射，产生由分子组成、微观结构、光学几何和测量条件共同决定的光谱响应。在近红外区域，吸收主要源于与O–H、C–H和N–H等键相关的基本分子振动的倍频和合频。由于肉类主要由水分、蛋白质、脂质和血红素色素组成，其光谱包含与这些成分相关的宽泛且强烈重叠的波段。因此，肉类品质预测通常基于多变量光谱模式而非单一的化合物特异性波长。
虽然光谱边界在不同学科和仪器制造商之间略有差异，但可见光区域通常被认为覆盖约400–700 nm，而近红外区域大致从约700 nm延伸至2500 nm。振动倍频和合频带出现在近红外区域，而相应的基本振动主要出现在中红外区域，约2500–25000 nm。与中红外辐射相比，近红外辐射通常能更深地穿透生物材料，并兼容光纤探头、快速采集和相对简单的样品呈现。然而，近红外吸收带比中红外对应物更弱、更宽且重叠更多。因此，近红外测量为快速和非破坏性分析提供了实际优势，但需要稳健的校准模型来从散射、基线变化和干扰吸收中解析化学相关信息。
可见光区域提供主要来自肉类色素（特别是肌红蛋白及其衍生物）电子吸收的补充信息。脱氧肌红蛋白、氧合肌红蛋白和高铁肌红蛋白之间的变化影响光谱响应和肉类的感知色泽。然而，可见光谱特征不仅受色素化学影响，还受色素浓度、肌肉类型、发色条件、表面结构、照明和氧化影响。因此，在没有独立化学确认的情况下，单个可见波长不应自动被视为特定生化状态的独特标记。结合可见和近红外信息仍允许同时评估色泽相关特性和成分或结构属性，从而扩大肉类品质评估的分析范围。
2.1 设备配置
用于肉类品质评估的可见/近红外设备可大致分为台式光谱仪、自动化线边或在线平台、便携式或手持传感器以及光谱成像系统。这些类别在波长覆盖、光谱和空间分辨率、光学几何、便携性、采集速度、计算要求和环境变异敏感性方面有所不同。传统台式可见/近红外系统通常包括稳定的宽带光源、波长色散组件、探测器、采样接口或光纤探头以及数据处理工作站。其广泛的波长覆盖、相对较高的光谱分辨率、稳定的照明和受控的测量环境使其适用于校准开发和详细的实验室研究。台式仪器因此通常用于建立光谱与水分、脂肪、蛋白质、pH、氧化或其他肉类品质指标参考测量之间的关系。然而，高实验室性能并不一定直接转化为工业条件。有限的便携性、受控的样品呈现、相对较低的吞吐量以及校准模型对实验室与生产环境差异的敏感性限制了其在常规生产线监测中的直接使用。
自动化可见/近红外平台设计用于线边、线上或在线品质评估，可与传送带、悬挂轨道、机器人系统或自动化样品处理单元集成。此类配置可支持快速分级、分选、工艺调整以及潜在的连续监测，无需破坏性采样。然而，其部署引入了在实验室条件下不太突出的变异来源。样品移动可产生运动相关噪声，而传感器到样品距离、方向、表面曲率和传送带速度的变化可能影响照明和光谱强度。环境光、加工室温度、表面水分和样品呈现的变化也可能使光谱分布相对于校准数据集发生偏移。因此，生产线性能应在真实操作条件下前瞻性证明，而非仅从静态实验室测量推断。
便携式和手持可见/近红外传感器已扩展了在屠宰场、零售市场、冷库和现场检查中快速测量的机会。其主要优势包括移动性、简化操作、相对较低的成本以及在决策点附近获得测量的可能性。最近的手持应用证明了使用紧凑仪器进行肉类物种鉴定和新鲜与冻融分类的可行性。然而，便携性本身并不确立工业有效性。与实验室级系统相比，小型化仪器通常涉及波长范围、光谱分辨率、光学吞吐量、探测器灵敏度和信噪比方面的权衡。其测量也可能对探头压力、传感器方向、表面异质性、温度和环境照明特别敏感。因此，使用一台手持仪器开发的模型在转移到另一台设备、生产地点或测量环境之前需要独立评估。
高光谱成像将光谱学与数字成像相结合，为视野内的每个空间元素记录一条光谱。典型的高光谱成像平台包含照明单元、成像光谱仪或可调光谱组件、相机探测器、光学组件、扫描或采集机构、参考标准和计算工作站。所得高光谱立方体包含两个空间维度和一个光谱维度，允许可视化预测属性的空间分布。这一能力对异质肉制品尤为有价值，因为在大区域上平均光谱可能掩盖局部污染、变色、脂肪分布、表面缺陷、掺假颗粒或不均匀劣化。
根据采集机制，光谱图像可通过点扫描、线扫描或推扫、波长扫描或快照配置获得。点扫描系统提供详细的光谱信息但采集速度通常较低。推扫系统在每一步采集整条空间线，适用于基于传送带的应用，前提是样品运动和线速度受控。波长扫描系统在不同波长顺序采集二维图像，但可能在采集期间受样品移动影响。快照系统以最小或无机械扫描采集空间和光谱信息，可提供更快的测量，尽管可能涉及光谱或空间分辨率的折衷。没有一种配置是普遍优越的；适用性取决于目标属性、所需吞吐量、样品几何、波长范围和部署环境。
尽管高光谱成像提供了比点光谱更丰富的空间-光谱信息，但这一优势伴随着高设备成本、大数据量、大量预处理和存储要求以及增加的计算复杂度。高维高光谱立方体也可能鼓励从相对较少的生物样本中提取数千个像素或斑块。除非在斑块生成或增强之前，在独立的动物、胴体、批次或物理样本水平创建训练、验证和测试分区，否则来自同一标本的观测可能出现在多个分区中并夸大表观模型性能。因此，像素或光谱的数量不应被解释为等量的独立生物观测。
2.2 测量几何
可见/近红外系统分析性能受光与肉类样品相互作用几何的强烈影响。主要配置包括反射、透射、漫透反射和交互。漫反射测量收集样品在吸收和散射后返回的辐射。该配置被广泛使用，因为它只需接触样品一侧，且兼容不规则的肉类表面、手持探头和高光谱成像。然而，反射测量主要由表面和近表面信息主导，可能对镜面反射、表面水分、渗出物、粗糙度、色泽和探头到样品距离敏感。因此，基于反射的内部品质预测不应在未经适当验证的情况下假设代表整个肉类体积。
透射测量记录穿过样品后的辐射，可提供来自更深组织层的信息。这可能改善足够薄或光学透过性产品的内部成分评估。然而，在完整肉块中，强吸收和多次散射可大幅降低透射强度。性能因此受样品厚度、方向、组织成分和光程长度的影响，这可能限制透射对大型或异质肉块的实用性。
交互几何分离照明和检测区域，使检测到的光在到达探测器前必须穿过部分样品。这种布置减少了直接表面反射，可增加对亚表面成分的敏感性。交互因此可能对异质生物组织有利，但通常需要受控的探头接触、分离距离和光学屏蔽。漫透反射中，光穿过样品并被反射回探测器，可延长有效光程，但更适用于相对较薄或半固态样品。测量几何的选择因此应与样品厚度、表面特性、目标深度、处理速度和预期部署环境相匹配。
2.3 仪器变异与校准转移
光谱仪器之间的差异代表了模型可移植性的主要障碍。即使标称覆盖相同波长范围的仪器也可能在波长对准、光谱分辨率、探测器灵敏度、光学几何、照明强度、信噪比和内部预处理方面有所不同。仪器响应也可能随时间变化，因为灯老化、探测器预热、污染、机械扰动或环境温度。这些效应可在模型开发期间收集的光谱与后续部署期间收集的光谱之间产生系统性差异。
白参考和暗参考校正对于补偿照明强度和探测器背景效应至关重要，但它们不构成校准转移。使用一台仪器校准的模型不能仅因两个系统都应用反射归一化而被假定在另一台仪器上准确运行。校准转移可能需要代表性转移样品、斜率和偏差调整、直接标准化、分段直接标准化、校准更新、迁移学习或域适应方法，具体取决于仪器相关偏移的大小和性质。然而，现有肉类文献提供了有限的模型在真正独立的物理设备上测试的证据。跨设备适用性因此应使用从独立仪器收集的光谱来证明，而非从单台设备获取的内部测试分区推断。
校准维护在部署后同样重要。需要定期监测以确定仪器响应、原材料特性或加工条件的变化是否已将新观测移出校准域。模型更新应基于具有可靠参考测量的代表性新样品。没有这些程序，即使模型架构保持不变，高初始准确率也可能随时间恶化。这一关注适用于传统化学计量学和深度学习模型；模型复杂性本身并不赋予对仪器漂移或数据集偏移的抵抗力。
2.4 实际测量局限性与工业相关性
若干样品和环境相关因素影响可见/近红外测量的可靠性。表面水分和渗出物改变吸收和散射，而样品温度可改变与水相关的光谱特征和基线特性。脂肪分布、肌纤维方向、样品厚度、表面粗糙度、氧化和发色时间可能进一步促成样品内变异。透明包装并不一定消除这些效应：聚合物薄膜可引入波长依赖性吸收、反射、眩光、褶皱、冷凝和光程长度差异。使用未包装样品开发的校准模型因此可能对真空包装或气调包装产品不再有效，除非进行包装特定评估。
工业环境引入额外挑战，包括可变环境照明、振动、快速样品移动、变化的传感器到产品距离、设备污染、卫生要求和温湿度波动。这些条件在受控模型开发实验和常规部署之间产生数据集偏移。采集速度、预测延迟、计算硬件、清洁兼容性、操作员依赖性、维护要求以及生成参考测量的成本因此必须与常规性能统计一并考虑。
仅报告准确率或决定系数不足以确立工业就绪性。更强证据要求跨独立动物、屠宰或生产批次、季节、加工设施、操作员和物理仪器的前瞻性评估。研究还应报告测量速度、故障率、预测不确定性、环境控制和相对于实验室测试的性能退化。手持设备测量或传送带兼容配置代表了向实际应用迈进的进展，但除非其鲁棒性已在独立操作条件下得到证明，否则应被视为实验室或试点证据。
总体而言，台式、自动化、便携式和成像型可见/近红外平台的发展已大幅扩展了非破坏性肉类品质评估的可能性。然而，设备选择不应仅由最高的内部报告预测性能指导。波长覆盖、测量几何、穿透深度、生物和表面异质性、吞吐量、环境鲁棒性、校准转移要求、计算成本和长期模型维护必须被集体评估。通过透明报告和独立的跨批次、跨地点和跨设备验证来解决这些因素，对于将有前景的实验室模型转化为肉类行业可靠的质量控制工具至关重要。
- 3.
深度学习作为可见/近红外肉类品质评估的高级分析工具
可见/近红外光谱和高光谱成像的进展已大幅增加了可用于肉类品质评估的数据量和维度。光谱数据集通常包含数百或数千个相关的波长变量，而高光谱成像产生包含光谱和空间信息的三维数据立方体。这些数据的特征是宽泛且重叠的吸收带、多重共线性、散射效应、非线性响应以及与物种、品种、肌肉类型、动物、加工历史、储存条件和测量环境相关的生物变异。这种复杂性可挑战传统线性化学计量学方法，特别是当光谱响应与目标属性之间的关系强烈非线性或空间异质时。
深度学习提供了一种灵活的分析框架，可直接从光谱向量、图像或光谱-空间立方体学习非线性和分层表示。与严重依赖手工设计特征或预选波长的流程不同，深度学习模型可在端到端架构内整合特征提取和预测。这一能力支持了其在肉类成分预测、新鲜度分类、冻融评估、腐败监测、掺假检测和多模态数据融合中的应用。然而，深度学习不应被视为传统化学计量学和机器学习的自动或普遍替代品。偏最小二乘回归、支持向量机、随机森林和梯度提升等方法在许多应用中仍具有竞争力，特别是当独立生物样本数量有限或光谱-目标关系相对结构化时。
报告中的深度学习与传统方法之间的差异也必须结合实验设计来解释。深度学习模型可能接收完整光谱或完整光谱-空间立方体，而传统模型可能被限制在较小的波长子集。模型还可能在预处理、特征选择、超参数优化工作和验证策略方面有所不同。在此条件下，较高的报告性能不能仅归因于网络架构。有意义的比较要求共同的结果、相同的训练和测试样本、可比的输入信息访问、透明的优化以及使用相同性能标准的评估。
深度学习的有效性仍强烈依赖于数据质量、生物代表性和验证严谨性。包含数千条光谱、像素、图像斑块或增强观测的数据集在生物学上可能仍然很小，当这些观测仅源自少数动物、胴体或物理样本时。此外，屠宰批次、生产地点、样品温度、表面水分、包装、照明、仪器响应或储存历史的变化可能产生数据集偏移，影响简单和复杂模型。成功部署因此不仅需要复杂的架构，还需要生物独立采样、抗泄漏的模型开发、校准维护以及在代表预期用途条件下的外部验证。
3.1 主要深度学习算法
3.1.1 多层感知机
多层感知机（MLP）是由输入层、一个或多个隐藏层和输出层组成的前馈神经网络。每个隐藏层应用加权变换后接非线性激活函数，允许网络逼近光谱预测变量与肉类品质结果之间的复杂关系。浅层多层感知机经常用作一维光谱分类或回归的神经网络基线。更深的多层感知机可提供更大的表示能力，但全连接层的使用产生大量可训练参数，且不显式利用相邻波长的局部排序。其性能因此可能对样本量、正则化和光谱预处理敏感。
3.1.2 卷积神经网络
卷积神经网络（CNN）是可见/近红外光谱和高光谱成像食品分析中最常应用的深度学习架构之一。卷积神经网络通常包含用于局部特征提取的卷积层、非线性激活函数、可选的下采样操作用于降维，以及全连接或全局池化层用于预测。局部连接和共享权重允许卷积神经网络检测重复模式，同时使用比同等大小的全连接网络更少的参数。
卷积的维度应与输入结构匹配。一维卷积神经网络沿波长轴应用核，因此适用于单个可见/近红外光谱。它们可识别与宽泛、重叠的成分和结构信息相关的相邻光谱变量的局部组合。然而，其学习到的滤波器不应自动被解释为孤立的化合物特异性吸收峰。
二维卷积神经网络操作于空间图像或二维光谱表示，可识别局部纹理、形态和空间变异。当高光谱成像立方体被缩减为选定波段、得分图像或预测图时，二维卷积神经网络可用于建模所得空间信息。三维卷积神经网络在空间和光谱维度上应用核，可直接从高光谱立方体联合学习光谱-空间特征。这使得三维卷积神经网络对有异质产品和局部品质缺陷具有吸引力。然而，其高计算和数据要求增加了过拟合风险，特别是当从相对较少的独立样本中提取大量斑块时。
3.1.3 残差网络
残差网络通过引入快捷或跳跃连接扩展传统卷积神经网络，允许信息和梯度跨多层传递。这些连接减少了与日益加深的网络相关的优化困难，并可改善收敛稳定性。残差块因此可能促进复杂图像或高维光谱-空间输入的分析。然而，更大的架构深度并不一定在小肉类光谱数据集中改善性能。残差架构的益处应通过使用相同独立测试样本与适当优化的更简单模型进行比较来确立。
3.1.4 循环神经网络与长短期记忆网络
循环神经网络（RNN）设计用于通过传播连续位置之间的信息来处理有序输入。应用于光谱学时，波长被视为有序序列，允许模型表示不同光谱区域之间的依赖关系。标准循环神经网络在建模长序列时可能遇到梯度消失或爆炸问题。长短期记忆网络（LSTM）通过输入、输出和遗忘门来调节信息的保留和传递，解决了这一限制。
长短期记忆网络模型因此已被应用于一维光谱预测和多模态数据融合任务，包括鸡肉糜凝胶强度预测。双向长短期记忆网络在两个方向处理波长序列，可能捕获分离光谱区域之间的关系。然而，光谱波长在相同意义上不形成时间或因果序列，如同语言或时间序列数据。声称长短期记忆网络具有固有优势应通过在同一测试观测上与优化的卷积神经网络、偏最小二乘回归、支持向量机或集成模型进行直接比较来支持。
混合卷积神经网络-长短期记忆网络架构结合了卷积层的局部特征提取和长短期记忆
