食品行业的发展不仅关系国计民生,也直接影响消费者的健康和福祉。随着食品产业的扩大和升级,食品行业的监管需求迅速增加,快速、智能化的食品检测技术在食品安全、质量控制和真实性鉴别等多个维度的重要性日益凸显。传统的食品检测方法,包括气相色谱、高效液相色谱和聚合酶链式反应,具有破坏性大、实时性差、成本高和耗时多等缺点。这些限制使其无法用于快速分析,特别是用于食品检测中的在线质量评估和测定。而快速食品检测技术,例如光谱分析、电子鼻、计算机视觉等可以迅速、准确地分析食品中的有害物质和微生物污染等安全问题,有效提升了对食品安全突发事件的监测预警能力[1]。尽管这些快速检测技术具有一定优势,但食品基质的复杂性、检测设备算力不足以及样本和环境的多样性,限制了它们在实时工业应用中的广泛使用。此外,食品特性复杂、机器视觉和光谱成像处理复杂图像信息的能力有限,也影响了检测结果的准确性和效率。人工智能技术的引入,有助于增强这些检测方法,使其更好地满足快速、实时、准确且相对低成本的食品检测需求。

研究按照食品检测的不同应用领域进行分类,系统总结人工智能与各种食品检测技术相结合的最新进展;通过对比分析各类技术在实际应用中的性能,重点探讨如何通过人工智能提升检测的精度、效率和适应性,克服传统技术在实时性和复杂环境中的局限性。在总结现有研究成果的基础上,分析人工智能技术在不同食品检测场景下的适用性,旨在为未来的食品检测技术选择和系统设计提供一定的理论和实践参考。

1 基于人工智能的集成食品检测技术介绍

人工智能通过模拟人类智能的过程来开发系统,以执行通常需要人类智慧的任务,涵盖了专家系统、机器人、机器学习和计算机视觉等。在食品检测领域,人工智能技术的应用尤其重要,能够提升食品检测的自动化、精度和实时性,极大地优化了食品安全、品质控制和真实性鉴别的各个环节。机器学习作为人工智能的核心技术,通过利用统计方法和模型自动分析现有数据并从中学习,以便为复杂的食品检测任务提供智能化的解决方案。机器学习方法根据学习模式的不同,通常被归纳为三大核心类别:监督学习、无监督学习、半监督学习(表1)。此外深度学习作为机器学习的一个重要分支,通常隶属于监督学习和无监督学习的范畴,也称为深度神经网络。

1.1 基于监督学习的快速食品检测技术

在包括分类和回归的监督学习任务领域中,用于训练学习系统的训练数据包含与期望结果或基本事实相关联的标记信息。例如,在食品质量检测中,水果品质的分类是一个常见的任务。要构建一个苹果/香蕉的品质分类器,必须准备一个标注了水果类别和品质等级的大型水果图像训练集。这些标签可以包括苹果、香蕉,或两者都不属于的其他类别,以及它们各自的成熟度、颜色、大小等品质信息。为了开发预测连续值的回归模型,例如苹果价格预测模型,需给定苹果的价格及一组特征(生产地、成熟度、生产日期等)并收集大量苹果销售样本以拟合回归模型。

1.2 基于无监督学习的快速食品检测技术

与监督学习不同,无监督学习不依赖于已知输出的标记数据,而是通过处理未标记的数据来发现隐藏的模式,或者根据未标记数据的相似性或差异进行分组和聚类。在食品检测领域,无监督学习常用于从未标记的食品数据中发现质量问题或进行食品种类的自动归类。例如,使用K均值聚类算法,可以将未标记的肉制品样本根据质地、颜色、脂肪含量等特征进行聚类。这一过程有助于自动识别不同类型的肉类产品或不同质量等级的肉制品,无需人为干预。此外,主成分分析(PCA)在食品检测中也经常用于减少数据维度,例如在饮料检测中,可以通过PCA对不同饮料的化学成分数据进行降维,从而简化复杂的分析流程,帮助检测潜在的掺假现象或质量问题。

1.3 基于半监督学习的快速食品检测技术

半监督学习是一种结合了监督学习和无监督学习的技术,它只需要少量标记数据来训练模型,并利用大量未标记的数据来提升模型性能。在实际应用中,快速检测技术在未标记样品的干扰下检测出不同食品的质量并不容易。因此,半监督学习在食品检测中非常有用,尤其是在样本标注成本高或难以获取大量标记数据的情况下。例如,在水果品质检测中,可以通过半监督学习使用少量已标记的高品质水果样本,并结合大量未标记的水果数据,来构建自动检测系统,以判断其他水果的成熟度或质量。相较于不需要训练过程的无监督学习,半监督学习以少量的标记数据为先验信息,处理大量未标记的数据性能更优[2]。

1.4 基于深度学习的快速食品检测技术

深度学习被视为一种通过非线性模块优化表征的表征学习形式。通过深度学习,机器可以获取原始数据并自主发现测试任务的相关功能。这一属性使得深度学习特别适合从食品高光谱图像测试数据中自动提取特征并降低其维数[3]。

2 基于人工智能的集成食品检测技术应用

人工智能结合食品检测技术的应用主要涵盖安全检测、质量检测和真实性鉴别3个主要领域(图1)。

2.1 食品安全检测中的应用

2.1.1 化学污染检测

食品化学检测主要是检测食品中的化学物质,包括农药、重金属、食品添加剂、环境污染物等。这些化学物质可能来源于食品的生产、加工、包装或储存过程。由于自然和人为因素,食品生产全链条都有可能受到有毒化学物质的影响。

目前,电子鼻结合机器学习的技术被认为是农药残留检测中应用最广泛的AI+快速检测技术之一,其优势在于通过传感器捕捉食品气味中的挥发性有机化合物,并利用机器学习算法进行数据分析与分类。具体来说,主成分分析(PCA)和线性判别分析(LDA)常用于降维,将多维的气味数据简化为可视化的主成分,而支持向量机(SVM)则用于模型训练和分类任务。Tang等[4]旨在通过应用3种不同的数据识别算法(主成分分析、线性判别分析和支持向量机)开发一种使用电子鼻检测苹果上农药残留的模型,并指出这些算法可以以94%的总体准确率识别残留物。需要注意的是,主成分分析和线性判别分析作为电子鼻中常用的降维方法,通常用于从MOS传感器检测到的气味指纹信息数据库中提取主成分进行还原,经过训练和转换后,将可视化数据分析图显示在界面上。相比之下,光谱成像技术结合人工智能在农药残留检测中也表现出较高的灵活性和精确度。光谱成像能够捕捉食品表面的光谱信息,并通过分析不同波长下的光谱特征来识别化学物质残留。例如,Wu等[5]采用激光诱导击穿光谱(LIBS)和高光谱成像(HSI)法检测桑葚果实上的多菌灵-甲基残留物。结果表明,有效的机器学习算法可以挖掘出农药残留组与对照组之间的细微差异。

对于重金属的检测,传统的检测方法往往难以在短时间内对复杂环境中的重金属进行准确分析。人工智能结合光谱分析技术成为了一种突破性方案。Zhou等[6]开发了一种涉及小波变换(WT)和堆栈卷积自编码器(SCAE)的深度学习方法,用于提取莴苣叶片上复合重金属的深层特征。与常用特征选择算法(连续投影算法和可变迭代空间收缩算法)相比,WT-SCAE算法能够有效地分解多尺度变换中的光谱数据并提取出深层特征。水生生物体内的重金属污染是一个严重的问题,Maurya等[7]采用了一种基于机器学习的方法对重金属暴露和非暴露的鱼类进行了基因优化,并使用基于迁移学习的方法对其进行了测试,结果表明在不同的特征提取和学习方法中该方法均表现优异。

此外,抗生素残留和食品添加剂检测同样受益于人工智能技术的应用。Li等[8]使用柔性纸基传感器获取食品样品中氯毒素的拉曼信号,并结合偏最小二乘算法构建预测模型以快速检测食品中由抗生素残留产生的氯毒素。Wu等[9]基于支持向量机算法,开发了一种新型电化学传感平台,用于快速检测食品中是否存在合成染料。这种新型平台通过AI技术有效弥补了传统电化学检测方法的不足,在检测速度和精度上都得到了显著提升。

2.1.2 微生物污染检测

在食品加工、包装、储存、运输过程中,土壤、水、空气、尘埃等自然因素以及食品加工人员的个人卫生状况和不良的卫生习惯均对食品微生物生长繁殖有重要影响。目前,一些典型的快速检测技术(免疫学检测技术、色谱学检测技术以及分子生物学技术等)弥补了传统微生物检验技术时间长、操作复杂的缺点,但仍然需要对食品样品进行专业的预处理,对执行人员的技能水平有较高的要求。为了提高检验速度并满足市场需求和实际使用情况,食品微生物的快速检测方法需不断发展和改进。

污染程度的识别是食品安全检测中的关键环节,主要通过分析食品中污染物的分布与含量来进行预测。赵楠等[10]研究了一种基于近红外高光谱成像技术的可视化鸡蛋菌落总数无损预测方法,利用特定的特征波段结合支持向量机法可以建立菌落总数的预测模型;并进行了对污染程度和分布的可视化研究,利用样品的伪彩色图像可以直观地预测鸡蛋内部的污染情况。此外,刘翠玲等[11]建立了基于SPA-HOG特征提取方法的多模型共识策略模型和深度ResNet 50模型用于鸡蛋新鲜度等级分类,训练集准确率达到89%。值得一提的是这种递进式融合方法中的多模型共识策略,在后期扩大实验样本的种类和数量时,能够显著提高模型的判别精度和泛化性。顾欣哲[12]利用电子鼻技术在不同温度下检测接种了铜绿假单胞菌的猪肉,并建立了猪肉中假单胞菌生长的预测模型。与实际菌落数建立的模型相关度均高于0.8,表明电子鼻响应信号可用于监测猪肉中假单胞菌的生长动态。这些研究表明,人工智能结合光谱成像(高光谱成像、近红外光谱)技术可快速无损的检测食品中大肠菌群的含量,并将其污染程度通过直观的可视化图像展现出来。

霉菌污染与其种类密切相关,霉菌种类的准确鉴定对于防控食品安全至关重要。Han等[13]建立了一个结合了卷积神经网络的高光谱成像系统,用于检测花生中的黄曲霉毒素。通过比较不同的识别模型与卷积神经网络发现,深度学习方法在像素级或核级别上实现了高准确度,并且在像素级别上的识别率高达96%以上,在核级别上高达90%以上,优于传统的识别模型。但受个人计算机的计算能力限制,构建的数据集不够大,并且没有使深度学习被充分利用,应扩大数据集并使用GPU加速计算机进行进一步研究。因此,Chen等[14]构建了一个高质量且大规模样本的食源性致病菌数据库,并基于深度卷积神经网络的模型成功实现了对6种常见食源性病原体的准确识别,包括大肠杆菌、副溶血性弧菌、金黄色葡萄球菌、蜡样芽孢杆菌、伤寒沙门氏菌和溶血链球菌,准确率达到90%～100%。此外,对曲霉属污染的早期检测是控制真菌产生的霉菌毒素的一种解决方案。郑飞翔等[15]使用自制的电子鼻系统对不同霉变时间的黄豆和白芸豆进行检测,利用随机共振方法提取特征值构建了预测模型。Gu等[16]使用电子鼻结合主成分分析(PCA)、偏最小二乘(PLSR)、反向传播人工神经网络(BP-ANN)、支持向量机(SVM)和学习向量量化(learning vector quantization, LVQ)在大米中检测曲霉属污染,由于反向传播人工神经网络能够处理非线性问题,并且比传统的统计方法更能处理噪声或漂移,因此能够对大米中的真菌种类和数量进行高达96.4%的准确分类和预测,这为人工智能在大米真菌污染检测上的应用提供了可能。这些研究表明,人工智能技术可以有效区分不同类型的霉菌污染,并为进一步细化霉菌鉴定提供技术支持。

除了污染程度和霉菌类别的鉴定,人工智能技术还被应用于其他食品安全检测中,如霉菌毒素的早期检测和霉菌污染动态的监测。张楠楠等[17]研究了不同光源照射下黄曲霉毒素污染的玉米颗粒图像,通过图像特征分析,成功实现了玉米中霉菌毒素的快速检测,正确检出率高于87.5%。电子鼻技术在稻谷、花生、玉米、豆类等食品中霉菌检测中的应用较为成熟,能够检测出食品中的低水平霉菌污染,尤其在动态监测霉菌污染过程方面具有较高的灵敏度和准确性。

计算机视觉技术也被用于检测食品表面的颜色变化来判断霉菌污染,但其检测精度在面对低水平霉菌污染时仍有待提高。未来的研究应着重于如何通过融合多模态数据(光谱成像、电子鼻和计算机视觉)来提升检测准确度。此外,对于霉菌污染的动态监测方面,进一步探索污染程度与霉菌状态之间的关系也将有助于提高模型的预测能力。

2.2 在食品质量检测中的应用

2.2.1 水果质量检测

水果质量的评估主要分为内部检测和外部检测两大方面。内部检测主要关注水果的内部品质,如可溶性固形物含量(soluble solid content,SSC)、硬度、糖度和成熟度等,而外部检测则侧重于水果的外观品质,包括颜色、形状、尺寸、机械损伤和外部缺陷等特征。随着人工智能和高光谱成像、电子鼻、智能包装等技术的快速发展,现代化的检测方法已经能够实现快速、无损、智能化的水果质量检测。

近年来光谱成像或电子鼻结合有效的机器学习算法和预处理方法,已被用于各类水果例如苹果[18]、枇杷[19]和黄桃[20]等的内部品质检测。在大多数情况下,使用机器学习算法训练的最优校准和特征组合预测模型可以为开发在线快速无损检测和分类设备提供参考。Wei等[21] 使用高光谱系统结合3种特征选择方法,开发了偏最小二乘回归模型,用于分析蓝莓的可溶性固形物含量和硬度。该模型在这2项指标的预测中表现出较为理想的精度和稳定性,能够有效支持蓝莓内部品质的快速无损检测。Zhang等[22]使用近红外光谱成像技术,结合卷积神经网络模型和深度自编码器分别作为有监督和无监督特征提取方法,测定了干黑枸杞中的总酚类、总黄酮类和总花青素,在预测总花青素时,卷积神率网络作为特征选择方法表现出较好的预测效果。此外,智能包装结合pH传感器能够实时监测水果的新鲜度实现无损检测[23],或结合气体传感器检测草莓的成熟度[24]。这些智能包装都能够连接智能手机进行远程实时监测,提高了水果在运输和贮存过程中的质量保障。未来,随着人工智能技术的进一步发展,更多智能化检测手段将会为水果质量控制提供更完善的解决方案,从而推动果品行业的智能化发展。

外观品质是水果最直观的质量特征,直接影响其市场销售价格和消费者的购买欲望。项辉宇等[25]结合图像识别与深度学习技术,利用卷积神经网络和支持向量机实现了苹果自动缺陷检测。Ismail和Malik[26]开发了一种端到端的方法,采用计算机视觉和卷积神经网络模型来检测水果在农业领域的视觉缺陷,该系统能够在离线和实时模式下工作,并通过高效的分割过程对给定图像中的多个水果实例进行精确或实时分级。

2.2.2 肉类和水产品质量检测

肉类和水产品极易腐败,挥发性盐基氮(TVB-N)常用作衡量产品新鲜程度的标准,并且能够为评估产品的保质期提供参考。Anderssen等[27]证明了高光谱成像结合偏最小二乘回归模型可以准确预测冷冻和解冻鳕鱼的液体损失,并且使用遗传算法(GA)可以适度提高预测准确性并减少高光谱模型中必要的成分。其他数据分析算法如支持向量机、反向传播人工神经网络和K-近邻(KNN)也可以作为基于样本的光谱或传感器数据的质量分类、新鲜度评价和营养预测的强大工具[28-30]。

此外,随着肉类和水产品储存时间的延长,其生物组织结构会发生改变,这种改变可以通过测量阻抗的幅度和相位差来观察。李鑫星等[31]选择即配羊肉作为实验样本,以挥发性盐基氮的含量作为主要评定标准,研究了现切羊肉的生物电阻抗特征(包括幅值和相位差)与挥发性盐基氮含量之间的联系,并构建了一个反向传播人工神经网络预测系统,输入为生物阻抗数据,输出为产品保质期,以准确推估现切羊肉的保存时间。同样,将生物阻抗技术与集成学习算法结合能够显著提高羊肉嫩度检测的效率和准确率[32]。在水产品运输供应链中,水产品的鲜活状态对消费者至关重要。Zhang等[33]开发的信息融合的活蟹生存监测系统利用危害分析和关键控制点(HACCP)分析,识别运输供应链中影响活蟹活力的潜在危害和关键控制点,并基于集成学习算法,在4 ℃和25 ℃下分别达到99%和86%以上的判别准确率。

然而,这些算法受到手工参数的影响,依赖于有知识的专家或专业用户。在此背景下,引入了深度学习方法以取代传统机器学习方法,特别是在机器视觉系统中。Xie等[34]使用普通的RGB摄像机捕捉鲑鱼图像,并使用3种不同的卷积神经网络模型(AlexNet、VGG-16和VGG-19)识别残留骨头,准确率分别为0.75、0.87和0.86,但这些模型在实际工业应用中易出现漏检。尽管如此,深度学习为解决复杂的检测问题开辟了新的可能性,简化了这些技术在食品检测行业中的部署。

2.2.3 其他产品质量检测

人工智能技术结合快速检测技术还被用于其他食品的检测,例如茶叶[35-36]、食用油[37-39]、蘑菇[40-43]、坚果[44-46]、奶粉[47-49]等(表2)。

2.3 在食品真实性鉴别中的应用

在现代食品工业迅速发展和全球化趋势的推动下,食品真实性问题已成为当今社会的关键话题,受到广泛关注和讨论。然而,食品真实性的普遍定义尚未确定。联合国粮食及农业组织、世界卫生组织提供了如下定义:“food authenticity is the quality of a food to be genuine and undisputed in its nature, origin, identity, and claims, and to meet expected characteristics” (食品真实性是指食品在性质、来源、身份和声明方面的质量是真实且无可争议的,并符合预期特征)。相较之下,国际食品真实性保证组织将其定义为“the process of irrefutably proving that a food or food ingredient is in its original, genuine, verifiable, and intended form as declared and represented”(无可辩驳地证明食品或食品成分与其声明和表示的原始、真实、可验证和预期形式相符的过程)。总体而言,食品真实性揭示了食品欺诈问题,主要涉及掺假和地理可追溯性[50]。

2.3.1 掺假检测

食品掺假是全球性问题,影响了消费者的健康和食品市场的公平竞争。掺假现象包括在食品中添加不合规成分、用低质量原料替代高质量原料、虚假标示食品产地等。在全球食品市场中,人工智能通过高效、准确的检测手段,自动化的大规模检测系统,多样化的检测方法成为打击食品掺假的强大工具。例如,采用傅里叶变换红外光谱结合卷积神经网络能够高效地识别牛奶中的三聚氰胺[51]。Chuma和Rasmussen[52]基于超材料的传感器(集成微波介电和近红外光谱技术)并结合偏最小二乘算法实现了100%的橄榄油掺假检测率。目前,大多数的蜂蜜掺假检测研究都是基于光谱技术,Gonçalves等[53]首次尝试电子鼻分析蜂蜜,结合不同的机器学习算法获得了100%的最高准确率,证实了电子鼻技术应用于蜂蜜质量控制的可行性。Zhang等[54]建立了羊肉与猪肉或鸭肉掺假的卷积神经网络定性分类和定量预测模型,基于高光谱成像的准确率达到99.95%。此外,基于人工智能的成像方法已被证实能够检测红辣椒粉与藏红花这类香料的掺假。总之,食品掺假已成为全球关注的重大问题,而人工智能技术通过光谱技术、电子鼻、卷积神经网络等先进算法,展现出了在食品掺假检测中的巨大潜力。

2.3.2 地理可追溯性检测

地理可追溯性是指能够追踪食品从生产到消费的全过程,并明确食品的产地、生产过程、运输路径等信息。通过地理可追溯性,可以保证食品来源的透明度,防止掺假和欺诈行为。人工智能通过高效的数据收集与分析、实时监控和异常检测、优化供应链管理等手段,提升了食品供应链的透明度和可信度。特别是结合区块链技术,人工智能进一步确保食品地理可追溯性的可靠性和不可篡改性,为构建一个更安全、更透明的食品供应链提供了有力支持。基于人工智能的区块链技术在食品溯源领域的应用见表3[55-62]。

3 展 望

本研究探讨了人工智能结合快速检测技术在食品检测中的广泛应用,重点介绍了其在食品安全检测、质量检测和真实性鉴别方面的实际应用。具体而言,人工智能通过深度学习算法和机器学习模型,在化学和生物污染检测中有效提升了食品安全检测的效率和准确性;在水果、肉制品、水产品及其他产品的质量检测中,人工智能技术通过高效的数据分析和智能识别,实现了对食品品质的精准评估;在食品真实性鉴别方面,人工智能通过掺假检测和区块链技术提高了食品地理可追溯性,保障了食品的真实性和可靠性。

未来,更高级的算法模型和更智能的检测技术的发展,将进一步提高食品检测的效率和准确性,为食品安全和质量保障提供强有力的支持。然而,人工智能的快速发展也带来了多重挑战,包括监管问题、伦理和道德挑战以及可信人工智能的实现。确保人工智能技术的可解释性和公正性,维护其在应用过程中的透明性和安全性,并在保障消费者隐私和权益的同时,加强对人工智能的有效监管,都是亟待解决的问题。尽管面临诸多挑战,人工智能结合快速检测技术在食品检测中的应用仍前景广阔。随着技术的不断进步和完善,人工智能在保障食品安全、提升食品质量和维护食品真实性方面将发挥越来越重要的作用。

参考文献：

[1] YUN Y H, LI J. Rapid nondestructive testing technology:based biosensors for food analysis[J].Biosensors, 2023,13(5):521.

[2] CHEPLYGINA V, DE BRUIJNE M, PLUIM J P W. Notso supervised: a survey of semi-supervised, multi-instance, and transfer learning in medical image analysis[J]. Medical Image Analysis, 2019, 54: 280-296.

[3] LECUN Y, BENGIO Y, HINTON G. Deep learning [J]. Nature, 2015, 521(7553):436-444.

[4] TANG Y, XU K L, ZHAO B, et al. A novel electronic nose for the detection and classification of pesticide residue on apples[J]. RSC Advances, 2021, 11(34): 20874-20883.

[5] WU D, MENG L W, YANG L, et al. Feasibility of laser-induced breakdown spectroscopy and hyperspectral imaging for rapid detection of thiophanate-methyl residue on mulberry fruit[J]. International Journal of Molecular Sciences, 2019, 20(8): 2017.

[6] ZHOU X, SUN J, TIAN Y, et al. Hyperspectral technique combined with deep learning algorithm for detection of compound heavy metals in lettuce[J]. Food Chemistry, 2020, 321: 126503.

[7] MAURYA R, SRIVASTAVA A, SRIVASTAVA A, et al. Computer aided detection of mercury heavy metal intoxicated fish: an application of machine vision and artificial intelligence technique[J]. Multimedia Tools and Applications, 2023, 82(13): 20517-20536.

[8] LI H H, GENG W H, HASSAN M M, et al. Rapid detection of chloramphenicol in food using SERS flexible sensor coupled artificial intelligent tools[J]. Food Control, 2021, 128: 108186.

[9] WU Y J, AL-HUQAIL A, FARHAN Z A, et al. Enhanced artificial intelligence for electrochemical sensors in monitoring and removing of Azo dyes and food colorant substances[J]. Food and Chemical Toxicology, 2022, 169: 113398.

[10] 赵楠, 刘强, 魏康丽, 等. 基于近红外高光谱成像技术的鸡蛋污染过程中菌落总数可视化研究[J]. 南京农业大学学报, 2019, 42(3): 543-550.
ZHAO N, LIU Q, WEI K L, et al. Visualization of the total viable count of bacteria during the polluted process of eggs based on near infrared hyperspectral imaging technology[J]. Journal of Nanjing Agricultural Univer-sity, 2019, 42(3): 543-550.

[11] 刘翠玲, 秦冬, 孙晓荣, 等. 基于高光谱图像与光谱特征融合技术的鸡蛋新鲜度无损判别模型的建立[J]. 食品科学技术学报,2022,40(6):172-182.
LIU C L, QIN D, SUN X R, et al. Establishment of non-destructive discriminant model for eggs freshness grade based on fusion technology of image spectral features of hyperspectral [J]. Journal of Food Science and Technology, 2022,40(6):172-182.

[12] 顾欣哲. 基于电子鼻响应信息的猪肉假单胞菌生长预测模型的构建[D]. 南京: 南京农业大学, 2017.
GU X Z. Construction of growth prediction model of Pseudomonas suis based on electronic nose response information[D]. Nanjing: Nanjing Agricultural Univer-sity, 2017.

[13] HAN Z Z, GAO J Y. Pixel-level aflatoxin detecting based on deep learning and hyperspectral imaging[J]. Computers and Electronics in Agriculture, 2019, 164: 104888.

[14] CHEN Q, BAO H, LI H, et al. Microscopic identification of foodborne bacterial pathogens based on deep learning method[J]. Food Control, 2024, 161: 110413.

[15] 郑飞翔, 李剑, 楼雄伟, 等. 基于电子鼻的霉变黄豆和白芸豆检测方法[J]. 中国食品学报, 2016, 16(3): 190-197.
ZHENG F X, LI J, LOU X W, et al. Detection methods of moldy soybean and white kidney bean using electronic nose[J]. Journal of Chinese Institute of Food Science and Technology, 2016, 16(3): 190-197.

[16] GU S, WANG J, WANG Y W. Early discrimination and growth tracking of Aspergillus spp. contamination in rice kernels using electronic nose[J]. Food Chemistry, 2019, 292: 325-335.

[17] 张楠楠, 刘伟, 王伟, 等. 玉米霉变及黄曲霉毒素的图像处理检测方法[J]. 中国粮油学报, 2014, 29(2): 82-88.
ZHANG N N, LIU W, WANG W, et al. Image processing method of corn kernels mildew infection and aflatoxin levels[J]. Journal of the Chinese Cereals and Oils Association, 2014, 29(2): 82-88.

[18] FAN S X, LI J B, ZHANG Y H, et al. On line detection of defective apples using computer vision system combined with deep learning methods[J]. Journal of Food Engineering, 2020, 286: 110102.

[19] MUNERA S, GMEZ-SANCHS J, ALEIXOS N, et al. Discrimination of common defects in loquat fruit cv. ‘Algerie’ using hyperspectral imaging and machine learning techniques[J]. Postharvest Biology and Technology, 2021, 171: 111356.

[20] YANG X Z, CHEN J H, JIA L W, et al. Rapid and non-destructive detection of compression damage of yellow peach using an electronic nose and chemometrics[J]. Sensors, 2020, 20(7): 1866.

[21] WEI X, HE J C, ZHENG S H, et al. Modeling for SSC and firmness detection of persimmon based on NIR hyperspectral imaging by sample partitioning and variables selection[J]. Infrared Physics &Technology, 2020, 105: 103099.

[22] ZHANG C, WU W Y, ZHOU L, et al. Developing deep learning based regression approaches for determination of chemical compositions in dry black goji berries (Lycium ruthenicum Murr.) using near-infrared hyperspectral imaging[J]. Food Chemistry, 2020, 319: 126536.

[23] LEE S B, KIM D H, JUNG S W, et al. Air-activation of printed time-temperature integrator: a sandwich package case study[J]. Food Control, 2019, 101: 89-96.

[24] YUE X Q, SHANG Z Y, YANG J Y, et al. A smart data driven rapid method to recognize the strawberry maturity[J]. Information Processing in Agriculture, 2020, 7(4): 575-584.

[25] 项辉宇, 黄恩浩, 冷崇杰, 等. 基于图像处理与深度学习的苹果检测分级[J]. 食品安全导刊, 2022(22): 48-53.
XIANG H Y, HUANG E H, LENG C J, et al. Apple detection and classification based on image processing and deep learning[J]. China Food Safety Magazine, 2022(22): 48-53.

[26] ISMAIL N, MALIK O A. Real-time visual inspection system for grading fruits using computer vision and deep learning techniques[J]. Information Processing in Agriculture, 2022, 9(1): 24-37.

[27] ANDERSSEN K E, STORMO S K, SKÅRA T, et al. Predicting liquid loss of frozen and thawed cod from hyperspectral imaging[J]. LWT-Food Science and Technology, 2020, 133: 110093.

[28] CHENG J H, SUN D W, LIU G X, et al. Developing a multispectral model for detection of docosahexaenoic acid (DHA) and eicosapentaenoic acid (EPA) changes in fish fillet using Physarum network and genetic algorithm (PN-GA) method[J]. Food Chemistry, 2019, 270: 181-188.

[29] TAHERI-GARAVAND A, FATAHI S, BANAN A, et al. Real-time nondestructive monitoring of common carp fish freshness using robust vision-based intelligent modeling approaches[J]. Computers and Electronics in Agriculture, 2019, 159: 16-27.

[30] WANG X, RUSSEL M, ZHANG Y W, et al. A clustering-based partial least squares method for improving the freshness prediction model of crucian carps fillets by hyperspectral image technology[J]. Food Analytical Methods, 2019, 12(9): 1988-1997.

[31] 李鑫星, 张子怡, 梁步稳, 等. 基于生物阻抗的即配羊肉货架期无损检测方法[J]. 农业机械学报, 2022, 53(7): 379-386.
LI X X, ZHANG Z Y, LIANG B W, et al. Bioimpe-dance-based nondestructive detection method for shelf-life of ready-to-prepare mutton[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(7): 379-386.

[32] LIANG B W, WEI C H, LI X X, et al. Incorporating bioimpedance technique with ensemble learning algorithm for mutton tenderness detection[J]. Food and Bioprocess Technology, 2023, 16(12): 2761-2771.

[33] ZHANG L W, SAEED R, GAO Q Z, et al. Information fusion enabled system for monitoring the vitality of live crabs during transportation[J]. Biosystems Engineering, 2023, 235: 50-68.

[34] XIE T H, LI X X, ZHANG X S, et al. Detection of Atlantic salmon bone residues using machine vision technology[J]. Food Control, 2021, 123: 107787.

[35] TANG M, GUO J Y, SHEN Z. Rapid detection of carbendazim residue in tea by machine learning assisted electrochemical sensor[J]. Journal of Food Measurement and Characterization, 2023, 17(6): 6363-6369.

[36] WANG X, HE L, XU L L, et al. Intelligent analysis of carbendazim in agricultural products based on a ZSHPC/MWCNT/SPE portable nanosensor combined with machine learning methods[J]. Analytical Methods, 2023, 15(5): 562-571.

[37] REDA R, SAFFAJ T, BOUZIDA I, et al. Optimized variable selection and machine learning models for olive oil quality assessment using portable near infrared spectroscopy[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2023, 303: 123213.

[38] WANG Z Y, DENG J H, DING Z D, et al. Comparison of optimization algorithms for variable selection to enhance the predictive performance of PLS regression model in determining the concentration of heavy metal Cd in peanut oil[J]. Infrared Physics &Technology, 2024, 138: 105264.

[39] JIANG H, XUE Y C, CHEN Q S. Quantitative analysis of residues of chlorpyrifos in corn oil based on Fourier transform near-infrared spectroscopy and deep transfer learning[J]. Infrared Physics &Technology, 2023, 133: 104814.

[40] DENG J W, LIU Y H, XIAO X Q. Deep-learning-based wireless visual sensor system for shiitake mushroom sorting[J]. Sensors, 2022, 22(12): 4606.

[41] WANG B Y. Automatic mushroom species classification model for foodborne disease prevention based on vision transformer[J]. Journal of Food Quality, 2022, 2022: 1173102.

[42] KETWONGSA W, BOONLUE S, KOKAEW U. A new deep learning model for the classification of poisonous and edible mushrooms based on improved AlexNet convolutional neural network[J]. Applied Sciences, 2022, 12(7): 3409.

[43] DONG J E, ZHANG J, ZUO Z T, et al. Deep learning for species identification of bolete mushrooms with two-dimensional correlation spectral (2DCOS) images[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 249: 119211.

[44] SOLEIMANIPOUR A, AZADBAKHT M, REZAEI A A. Cultivar identification of pistachio nuts in bulk mode through EfficientNet deep learning model[J]. Journal of Food Measurement and Characterization, 2022, 16(4): 2545-2555.

[45] QIU Z J, BIAN Y L, WANG F Y, et al. A novel method for detection of internal quality of walnut kernels using low-field magnetic resonance imaging[J]. Computers and Electronics in Agriculture, 2024, 217: 108546.

[46] MENEVSEOGLU A, ENTRENAS J A, GUNES N, et al. Machine learning-assisted near-infrared spectroscopy for rapid discrimination of apricot kernels in ground almond[J]. Food Control, 2024, 159: 110272.

[47] 丁浩晗, 沈嵩, 谢祯奇, 等. 基于残差网络模型的速溶全脂奶粉分散性与堆积密度检测方法[J]. 食品科学, 2024, 45(10): 9-18.
DING H H, SHEN S, XIE Z Q, et al. Detection of dispersibility and bulk density of instant whole milk powder based on residual network[J]. Food Science, 2024, 45(10): 9-18.

[48] 丁浩晗, 谢祯奇, 田嘉伟, 等. 基于图像分析技术的全脂奶粉品质软测量模型构建[J]. 食品与发酵工业, 2024, 50(10): 273-281.
DING H H, XIE Z Q, TIAN J W, et al. Soft sensor modeling of milk powder quality with image analysis technique[J]. Food and Fermentation Industries, 2024, 50(10): 273-281.

[49] FENG L, ZHU S S, CHEN S S, et al. Combining Fourier transform mid-infrared spectroscopy with chemome-tric methods to detect adulterations in milk powder[J]. Sensors, 2019, 19(13): 2934.

[50] DENG Z W, WANG T, ZHENG Y, et al. Deep learning in food authenticity: recent advances and future trends[J]. Trends in Food Science &Technology, 2024, 144: 104344.

[51] JOSHI R, GG L P, FAQEERZADA M A, et al. Deep learning-based quantitative assessment of melamine and cyanuric acid in pet food using Fourier transform infrared spectroscopy[J]. Sensors, 2023, 23(11): 5020.

[52] CHUMA E L, RASMUSSEN T. Metamaterial-based sensor integrating microwave dielectric and near-infrared spectroscopy techniques for substance evaluation[J]. IEEE Sensors Journal, 2022, 22(20): 19308-19314.

[53] GONÇALVES W B, TEIXEIRA W S R, CERVANTES E P, et al. Application of an electronic nose as a new technology for rapid detection of adulteration in honey[J]. Applied Sciences, 2023, 13(8): 4881.

[54] ZHANG Y X, ZHENG M C, ZHU R G, et al. Adultera-tion discrimination and analysis of fresh and frozen-thawed minced adulterated mutton using hyperspectral images combined with recurrence plot and convolutional neural network[J]. Meat Science, 2022, 192: 108900.

[55] LIU S, HUA G W, KANG Y X, et al. What value does blockchain bring to the imported fresh food supply chain?[J]. Transportation Research Part E: Logistics and Transportation Review, 2022, 165: 102859.

[56] LU Y, LI P, XU H. A Food anti-counterfeiting traceability system based on blockchain and internet of things[J]. Procedia Computer Science, 2022, 199: 629-636.

[57] CAO S F, FOTH M, POWELL W, et al. A blockchain-based multisignature approach for supply chain governance: a use case from the Australian beef industry[J]. Blockchain: Research and Applications, 2022, 3(4): 100091.

[58] BUMBLAUSKAS D, MANN A, DUGAN B, et al. A blockchain use case in food distribution: do you know where your food has been?[J]. International Journal of Information Management, 2020, 52: 102008.

[59] DEY S, SAHA S M, SINGH A K, et al. FoodSQRBlock: digitizing food production and the supply chain with blockchain and QR code in the cloud[J]. Sustainability, 2021, 13(6): 3486.

[60] COCCO L, MANNARO K, TONELLI R, et al. A blockchain-based traceability system in agri-food SME: case study of a traditional bakery[J]. IEEE Access, 2021, 9: 62899-62915.

[61] KUMAR M V, IYENGAR N. A framework for blockchain technology in rice supply chain management [J]. Adv Sci Technol Lett, 2017, 146:125-130.

[62] WANG X, YU G S, LIU R P, et al. Blockchain-enabled fish provenance and quality tracking system[J]. IEEE Internet of Things Journal, 2022, 9(11): 8130-8142.

Application and Prospect of Integrated Food Testing Technology Based on Artificial Intelligence

DING Haohan1,2, XIE Zhenqi2, SHEN Song2, CUI Xiaohui1,3,*, WANG Zhenyu4, FU Ou1, WAN Jun2
(1.Science Center for Future Foods, Jiangnan University, Wuxi 214122, China;2.School of Artificial Intelligence and Computer Science, Jiangnan University, Wuxi 214122, China; 3.School of Cyber Science and Engineering, Wuhan University, Wuhan 430072, China;4.Jiaxing Institute of Future Food, Jiaxing 314005, China)

Abstract：The integration of artificial intelligence (AI) and rapid detection technologies has brought significant transformations to the field of food testing, driving advancements in food safety, quality, and authenticity identification capabilities. The current status of the application of integrated rapid detection technologies in food testing technology based on AI was introduced. In chemical and biological contamination testing, the combination of AI and rapid testing technologies effectively enhances the efficiency and accuracy of food safety testing. In terms of food quality testing, AI combined with rapid testing technologies is widely used for quality assessment of fruits, meat products, aquatic products, and other foods, achieving precise measurement through efficient data analysis and intelligent recognition. Moreover, AI is applied in food authenticity identification, including adulteration detection and geographic traceability, ensuring the authenticity and reliability of food products. Especially when blockchain technology is integrated with AI, blockchain-based traceability systems ensure full traceability of food through transparent and tamper-proof records, while AI algorithms can analyze data from the food supply chain in real-time to identify potential risks and anomalies. The integration of these technologies could not only enhance the overall level of food testing, but also lay the foundation for the construction of future intelligent food testing systems.

Keywords：artificial intelligence; food testing; technology integration; machine learning; deep learning

收稿日期：2024-06-21

基金项目：“十四五”国家重点研发计划重点专项(2022YFF1101100;2024YFE0199500);中央高校基本科研业务费专项资金资助项目(JUSRP123053)。

Foundation： National Key Research and Development Program of China (2022YFF1101100; 2024YFE0199500); Foundamental Research Funds for Central Universities (JUSRP123053).

第一作者：丁浩晗,男,讲师,博士,主要从事食品工业智能化方面的研究。

*通信作者：崔晓晖,男,教授,博士,主要从事食品领域人工智能方面的研究。

doi：10.12301/spxb202400408

文章编号：2095-6002(2024)05-0013-11

引用格式：丁浩晗,谢祯奇,沈嵩,等.基于人工智能的集成食品检测技术应用与展望[J]. 食品科学技术学报,2024,42(5):13-23.
DING Haohan,XIE Zhenqi,SHEN Song, et al. Application and prospect of integrated food testing technology based on artificial intelligence[J]. Journal of Food Science and Technology, 2024,42(5):13-23.

中图分类号：TS207; TP18

文献标志码：A

(责任编辑：张逸群)