《Foods》：Directional Construction of a Synthetic Microbial Consortium for Shanxi Aged Vinegar: Metabolic Kinetics and Accelerated Formation of Major Volatile Compounds
编辑推荐：
食品质量与安全已成为日益严峻的公共卫生问题，而传统检测方法受限于繁琐的样品前处理、冗长的分析时间以及破坏性操作。高光谱成像（hyperspectral imaging, HSI）作为一种快速、无损的检测技术，能够协同融合空间信息与光谱信息，用于全面的食品质量与
食品质量与安全已成为日益严峻的公共卫生问题，而传统检测方法受限于繁琐的样品前处理、冗长的分析时间以及破坏性操作。高光谱成像（hyperspectral imaging, HSI）作为一种快速、无损的检测技术，能够协同融合空间信息与光谱信息，用于全面的食品质量与安全评估。然而，HSI数据的高维性和非线性特征对传统化学计量学模型构成了重大挑战。本综述全面概述了机器学习（machine learning, ML）和深度学习（deep learning, DL）算法辅助HSI在食品质量与安全检测领域的最新进展。研究人员首先介绍了HSI技术的基本原理及其数据处理流程；随后，对典型的ML和DL算法进行了全面且非数学化的介绍，重点阐述了它们各自的优势与权衡；接着，总结了HSI技术在水果与蔬菜质量评估、肉类质量评价、蛋类与茶叶质量检测、水分含量定量分析、品种与产地鉴别、掺假与添加剂检测、重金属污染评估、霉菌检测以及植物生长监测等不同领域的典型应用；最后，讨论了当前面临的挑战，如数据瓶颈、模型可解释性与泛化能力有限、实际应用障碍等，并展望了面向食品质量与安全检测的智能化、系统化和实用化HSI系统的未来发展方向。
高光谱成像（HSI）结合机器学习和深度学习算法在食品质量与安全检测领域取得了显著进展。本文围绕HSI技术原理、典型ML与DL算法及其应用展开系统综述。首先，HSI通过集成成像与光谱分析，在可见至红外波段（400–2500 nm）获取每个像素的连续窄带光谱信息，形成三维数据立方体（x, y, λ），实现对食品内部与外部特征的非破坏性、高灵敏度检测。其典型工作流程包括参数优化、噪声抑制（如Savitzky-Golay平滑、标准正态变量、多元散射校正、一阶/二阶导数等预处理）、特征波长提取（如变量投影重要性、竞争性自适应重加权采样、连续投影算法、随机森林、支持向量机等）以及定量或定性模型建立（如偏最小二乘回归、支持向量回归、卷积神经网络等）。
在典型ML算法方面，偏最小二乘回归（PLSR）通过将光谱矩阵与响应矩阵投影到共享潜在子空间，有效应对高维和多重共线性问题，但线性假设限制了其非线性建模能力。支持向量分类器（SVC）和支持向量回归（SVR）借助核方法实现非线性映射，适用于小样本高维分类和回归任务，但对核函数选择和超参数调节敏感。最小二乘支持向量机（LSSVM）及其回归版本（LSSVR）将不等式约束改为等式约束，显著加速训练，但丧失了稀疏性。K近邻（KNN）无需训练但易受维度灾难影响。随机森林（RF）通过集成决策树提高鲁棒性并提供特征重要性排序，但对强线性相关数据可能表现不佳。朴素贝叶斯（NB）计算高效但条件独立假设在HSI数据中常被违背。判别分析分类器（DAC）如线性判别分析（LDA）和二次判别分析（QDA）假设正态分布，在高维小样本情况下协方差矩阵可能奇异。极端梯度提升（XGBoost）引入正则化和二阶梯度优化，适合复杂非线性回归，但可能过拟合。极限学习机（ELM）随机初始化输入权重并通过广义逆解析求解输出权重，训练速度快但结果不稳定。主成分分析（PCA）作为无监督线性降维方法，常用于预处理以缓解维度灾难。这些ML算法在食品检测中各有优劣，需根据数据规模、任务类型和精度要求进行选择或组合。
在典型DL算法方面，卷积神经网络（CNN）通过卷积核提取局部特征，利用权重共享和池化操作降低参数数量，可分为一维、二维和三维CNN以适应不同数据维度。多层感知器（MLP）结构简单但难以捕捉局部光谱-空间特征。高效通道注意力（ECA）模块通过一维卷积建模通道间交互，增强有效光谱波段权重但依赖骨干网络质量。生成对抗网络（GAN）通过生成器和判别器的对抗训练合成样本以缓解数据稀缺，并可用于异常检测和分辨率增强。变分自编码器（VAE）引入概率潜在空间，实现非线性降维和可视化，但对数据集大小敏感。图卷积网络（GCN）和图注意力网络（GAT）处理非欧几里得域数据，将像素视为节点并利用空间邻近性或光谱相似性进行聚合，适用于不规则形状食品分类，但计算成本较高。长短期记忆网络（LSTM）通过门控机制捕捉光谱序列中的长程依赖，常与CNN结合构成混合架构。门控循环单元（GRU）是LSTM的简化版本，参数更少、训练更快。堆叠自编码器（SAE）通过逐层无监督预训练提取低维特征，再经监督微调优化，但训练计算量大。此外，混合模型如CNN-LSTM、CNN-GRU和CNN-DotGRU-SelfAttention等通过融合空间-光谱互补特征，显著提升了预测性能。
在典型应用方面，食品质量评估涵盖水果、蔬菜、肉类和蛋类等。对于水果与蔬菜，特征选择结合非线性模型（如CARS-CNN、VMD-RC-LSSVM、SVR等）可有效预测可溶性固形物含量（SSC）、番茄红素和花青素等指标；深度学习模型如1D-CNN-LSTM、MA-CNN和SDAE-PLSR-RR实现了端到端自动特征学习，优于传统两阶段方法。肉类质量评估中，PLSR结合特征波长提取（如MI-VIF、BOSS-GPR）可定量预测蛋白氧化、水分、脂质氧化等指标；多任务CNN和CNN-LSTM混合模型可同时预测多个质量属性，并利用HSI像素级信息实现质量指标空间分布可视化。蛋类质量检测中，PLSR模型预测咸鸭蛋加工过程中的水分、脂质和盐分含量，GA-SVM和HHO-SVR用于新鲜度分级，多源数据融合策略结合电子鼻和透射/反射HSI提高了皮蛋成熟度分类精度。茶质量评估中，VISSA-ABC-SVM对铁观音等级分类准确率达97.4%，PLS和LSSVR用于定量预测茶多酚、粗纤维等成分，ResNet-50和1D-ResNet18分别用于茶叶等级和品种鉴别，准确率达92.3%和99.6%。
在水分含量检测方面，ML算法结合预处理（MSC、SNV、SG、FD）和特征选择（CARS、MCUVE、SPA、WT），建立PLSR、SVR、RF等回归模型，应用于小麦叶片、莴苣冠层、面包加工、稻米种子等水分预测，R2范围从0.71到0.99。算法优化如MSLPP-ESMA-SVR和BCC-LS-SVR-SPA进一步提升了精度。可视化技术用于监测醋固态发酵和面包口腔加工过程中水分和成分的空间分布。
在品种与产地鉴定方面，传统ML方法如SVM结合光谱、形态和纹理特征实现稻米产地识别（准确率91.67%），BOSS-AFSA-SVM将稻米品种识别准确率提升至99.44%。荧光HSI结合ABC-SVM对乌龙茶品种识别率达100%，VISSA-FA-SVM对绿茶品种识别率为96%。深度学习如SSAE-CS-SVM对玉米品种准确率95.81%，CNN-LSTM对五个玉米品种准确率95.27%，EEMD-DWT-CARS-SPA结合SVM使葡萄品种分类准确率从94.31%提升至99.31%。
在掺假与添加剂检测方面，CWT预处理将1D光谱转换为2D光谱图像，增强了CNN对鸡肉中大豆蛋白掺假的分类准确率至90.5%。传统ML模型如CARS-SVM对硫熏枸杞分类准确率98.75%，LDA和PLS-DA实现牛肉掺假检测。深度学习方法如VGG16-SVM对鸡肉大豆蛋白掺假准确率98.1%，GoogLeNet迁移学习对鸡肉淀粉掺假准确率98.6%，GANomaly对蜂蜜欺诈检测准确率达100%。特征优化算法如BWO和GWO缓解了小样本过拟合问题。
在重金属检测方面，传统ML如CARS-SVM对生菜叶片铅污染识别准确率91.67%。深度学习如1D-CNN和1D-RegNetχ-6.4GF对油菜铜胁迫分类准确率分别达96.69%和98.15%。PSO-DBN对生菜镉含量预测R2p为0.9234，SDAE-SVR对油菜镉含量预测R2为0.9273，WT-SCAE-SVR对生菜镉铅联合预测R2分别为0.9319和0.9418。堆叠集成策略如stacking-RF对油菜叶片镉含量预测R2达0.9815。多源数据融合和迁移学习提高了模型的泛化性能。
在霉菌检测方面，微流控芯片结合无透镜衍射成像实现灰葡萄孢孢子自动计数，KNN模型实现了琼脂平板上菌落与背景的精确分割（准确率0.9998）。CARS-GWO-SVR对稻米霉菌菌落预测R2为0.9511。荧光HSI结合SVR对马铃薯茄碱含量预测R2为0.9143，近红外HSI结合局部PLS对单粒小麦脱氧雪腐镰刀菌烯醇检测RPD为2.24，拉曼HSI结合SVM对感染黄曲霉的花生仁识别准确率超过99%。结构化照明成像结合YOLOv11-SCConv轻量级模型对早期腐烂柑橘检测准确率达98.4%，CNN对橙子-砂糖橘混合验证集腐烂检测准确率96.3%，SPT-LSSVM对甜橙早期腐烂检测准确率95.1%。
在其他应用方面，荧光HSI结合CARS-SVM-AdaBoost对大豆种子活力识别准确率100%，VIS-NIR HSI结合PCA-ABC-SVM对西瓜种子活力检测准确率100%。农药残留检测中，SVR和LSSVR模型结合CMS-WT、WT-MD-MCCV、CARS-SPA等特征选择方法，预测R2p介于0.82–0.94。HSI还被用于食用燕窝中蛋白质、碳水化合物和唾液酸的定量及分布可视化，以及披萨配料均匀性评价。
当前挑战包括数据稀缺、模型可解释性和泛化能力不足、实际应用转化困难等。应对策略包括迁移学习、少样本学习、数据增强、可解释AI（如SHAP）、轻量级模型设计、多模态数据融合、诊断波长选择、传感器小型化以及标准化数据采集和验证协议。HSI技术目前主要作为筛选和分诊工具，其监管应用依赖于验证方案、标准化性能指标和后续确认。
综合而言，传统ML方法如PLSR、SVM和RF在小样本高解释性场景中仍具价值，而深度学习如CNN和LSTM在复杂特征提取和分类精度方面表现优越，ML与DL的融合将推动HSI技术向快速、无损、空间分辨的食品质量检测实际应用迈进。
