Advance in Application of Deep Learning in Food Quality and Safety Detection
-
摘要: 随着人们生活水平的提高，消费者对食品质量与安全的需求日益增长。传统检测食品质量与安全的方法已经无法满足人们对高效、准确和可靠检测的需求。因此，寻求一种更高效、便捷的检测方法成为当务之急。在此基础上，基于深度神经网络的机器学习技术即深度学习的快速发展为食品质量与安全检测带来了新的契机。本文围绕深度学习在食品质量与安全检测中的应用进展，介绍了传统机器学习和深度学习的原理，阐述深度学习在食品原产地追溯以及食品品质中对食品缺陷、新鲜度、掺假和病原体等检测中的应用，并对深度学习在食品质量与安全检测领域的发展趋势进行了展望，以期为食品质量与安全检测领域提供理论参考和研究思路。Abstract: With the improvement of people's living standards, consumers' demand for food quality and safety is growing. Traditional methods for detecting food quality and safety can no longer meet the demand for efficient, accurate and reliable detection. Therefore, it becomes imperative to seek a more efficient and convenient detection method. On this basis, the rapid development of deep neural network-based machine learning technology, i.e., deep learning, has brought new opportunities for food quality and safety detection. This paper focuses on the application progress of deep learning in food quality and safety detection. It introduces the principles of traditional machine learning and deep learning, and elaborates on the applications of deep learning in food origin tracing and food quality, including the detection of food defects, freshness, adulteration, and pathogens. Furthermore, it looks forward to the development trends of deep learning in the field of food quality and safety detection, aiming to provide theoretical references and research ideas for this field.
-
Keywords:
- deep learning /
- neural networks /
- food quality and safety /
- food traceability /
- quality detection
-
食品质量与安全检测作为关乎国计民生的一项重要任务，其准确性和高效性对于确保消费者的健康和福祉、维护行业声誉和促进经济增长至关重要。它包括对整个食品生产、加工、分销和消费链中各种因素的综合评估[1]。传统的食品质量与安全检测方法通常涉及到化学分析、生物学检测和物理学分析检测等。然而，上述方法通过对样品进行破坏性处理，获取食品中相关成分，对样品造成不可逆损害，导致了资源的极大浪费，具有一定的局限性[2]。因此，开发食品无损检测新技术至关重要。
目前，常见的无损检测技术包括X射线、近红外光谱分析、核磁共振、拉曼光谱、激光诱导击穿光谱和超声成像等[3]。这些方法具有简便、非破坏性等特点，但还需要进行人工辨别，浪费人力资源且效率较低。随着科技的飞速发展，人工智能技术在各个领域中的应用日益广泛，机器学习（Machine learning，ML）作为人工智能的一个重要分支，在许多领域取得了显著的成果。ML中的深度学习（Deep learning，DL）技术已成功应用于图像识别、计算机视觉、自然语言处理、语音识别和自动驾驶汽车等。人工智能、机器学习和深度学习之间的关系如图1所示。近年来，许多研究学者将无损成像技术与深度学习相结合，成功实现了对食品质量的无损检测，极大地提高了对食品质量与安全检测的效率[4]。机器学习技术在食品领域中的研究已有详细报道[5]，但传统的机器学习技术在面对复杂的非结构化数据（如图像、语音）时仍存在难以攻克的问题，基于深度学习的神经网络模型在提取此类数据特征上具有巨大优势，并且在食品质量无损检测方面取得了一定的进展，而尚无相关详细且具体的综述报道。
![]()
图 1 人工智能、机器学习、深度学习之间的关系Figure 1. Relationship between artificial intelligence, machine learning, and deep learning本文就机器学习中的深度学习模型进行系统地总结与分析，阐述了机器学习和深度学习之间的联系与机理，介绍了深度学习的主要算法，以及对近年来深度学习技术在食品原产地追溯、食品品质检测中的研究进行了论述，为进一步推动深度学习技术在食品质量与安全检测领域的研究和实践提供参考。
1. 机器学习与深度学习概述
深度学习模型建立在机器学习的基础之上，通过模拟人脑神经网络结构，实现对复杂数据的分析和处理。其解决了传统机器学习方法处理非结构化数据困难的问题，如图像、文本、语音数据等，在图像识别[6]、语音识别[7]、自然语言处理[8]等领域的性能得到极大的改善。传统机器学习与深度学习的主要区别如图2所示。深度学习模型可以从原始数据中自主学习特征表示，消除了繁琐的手动特征提取的需要，减少了人工干预。此外，深度学习模型能够有效地捕获非线性数据中的复杂关系，具有更强的预测和分类性能[9−10]。下文对机器学习和深度学习的联系和机理进行阐述以及介绍深度学习的主要算法。
![]()
图 2 特征提取：传统机器学习与深度学习的核心区别Figure 2. Feature extraction: the core difference between traditional machine learning and deep learning1.1 传统机器学习
机器学习通过用算法解析大量数据，不断学习和训练，直至对未知数据进行预测和分类。大多数机器学习方法都以浅层结构处理数据。这些结构模型最多只有一层或两层非线性特征变换，可以看作是一层隐藏层或根本没有隐藏层的结构[11]。
机器学习技术通过数据采集、特征工程、模型选择和训练、模型评估、参数调优、预测和应用等步骤构建出解决实际问题的机器学习模型。机器学习流程如图3所示。进行学习训练之前首先收集并整理与问题相关的数据，并确保数据的质量和完整性。涉及数据清洗、特征选择、缺失值处理等预处理步骤。在特征工程这一步中对数据进行特征提取和特征转换，便于将原始数据转换为机器学习算法可以处理的形式。进而选择适当的算法，使用已准备好的数据对模型进行训练。在训练过程中，模型根据数据调整自身的参数，以最大程度拟合数据实现所需的预测目标。其评估模型性能表现的指标包括准确率、精确度、召回率、F1值等。根据模型评估结果对模型进行参数调优或算法选择[12−14]。最后当模型达到满意的性能水平，即可将其应用于实际场景中进行预测或决策。
结合强化训练的具体算法模型可将机器学习算法大致分为四类：监督学习、无监督学习、半监督学习和强化学习[15]。监督学习和无监督学习的区别在于其训练数据是否携带标签，前者学习任务包括分类和回归，后者则包括聚类、降维和关联规则学习[16]。半监督学习通过利用有限的标注数据和大量的未标注数据，结合各种方法来提高模型的性能，降低对大量标注数据的依赖。强化学习的任务是让智能体通过与环境的交互学习最优的行为策略，不断试错，从而实现预定的目标。机器学习基本的算法包括线性回归、支持向量机、最近邻、逻辑回归、决策树、K平均、随机森林、朴素贝叶斯等[17−18]。
传统的ML方法对比DL方法而言存在明显的局限性。尤其体现在特征工程方面，ML在设计和选择特征时耗时较长，且容错率较低，对结构化数据依赖度高，而DL通过多层的神经网络结构不断进行深化学习，提高了特征提取过程中的容错率，解决了ML局限性的问题。
1.2 深度学习及其常用算法
1.2.1 深度学习概述
深度学习使用深度神经网络来处理和解析复杂的数据。涉及基于增强复杂性的层算法和描述人脑的人工神经网络的计算单元（神经元）。神经元结构如图4所示。DL通过迭代多层函数来构建深层网络架构并生成模型的学习方法。尽管可解释性不如传统的学习方法，但其学习有效性优于传统的机器学习[19]。深度学习中使用的算法具有花费更少时间对数据进行分类的优点，因此它们可以在不需要ML算法的情况下选择特征。此外，深度学习在处理大量数据时，在最短时间内具有优异的表现，并接收连续的信息，从而产生更强的计算能力[20]。
1.2.2 深度学习相关算法
深度学习从算法上增加了计算深度，使得相比于传统ML更加复杂。深度学习目前在各个领域取得了显著的成果，且正以各种方式应用于食品领域。应用方面主要涉及质量检查、趋势分析、营养成分分析、食品分类、智能推荐、自动化包装、智能传感器和预测管理等[21]。深度学习算法模型主要包括：人工神经网络（Artificial neural networks，ANN）、卷积神经网络（Convolutional neural networks，CNN）、递归神经网络（Recursive neural network，RNN）、反向传播（Back-propagation，BP）、自编码器（Auto-encoder，AE）等。本节中重点介绍了在食品质量与安全检测领域应用较为广泛的ANN和CNN模型。
人工神经网络（ANN）的开发是为了解决涉及复杂模式和预测的问题。在基于输入层、隐藏层和输出层的多层神经网络中，仿照人类大脑神经细胞设计的神经元占据各个层。ANN在预测应用方面具有优势，包括处理非线性输入输出关系的能力、对不断变化的系统动态的适应性、高精度、可靠性以及对新数据的泛化处理[22]。在各种ANN架构中，前馈神经网络是最简单和常用的类型[23]。为了优化ANN模型的性能，研究人员提出了多层前馈神经网络——反向传播（BP）神经网络。此方法参与网络中权重的损失函数梯度的计算，进而将梯度反馈，以更新拟合度更高的权重[24]。相较于ANN，该模型所输出的结果可以反复传播给输入层，从而达到预期的效果。
卷积神经网络（CNN）是所有深度学习算法中应用最广泛的深度学习预测模型之一[25]，也是在食品图像分类、识别和预测领域中应用最为广泛的一种算法模型。CNN常用算法模型及特点如表1所示。CNN由专门为视觉处理涉及的多层神经元组成，使它们能够识别和分类图像中的视觉模式。CNN作为机器学习的优化神经网络算法，在原有输入层、隐藏层和输出层基础之上增加了卷积层、池化层、全连接层。一种典型的CNN模型如图5所示。故卷积层是CNN实现其特征提取作用的最为关键的一层。卷积层主要依靠定义的卷积内核和权重系数进行矩阵计算得出特征图，后提取特征进入到池化层，不断的进行卷积操作，最后得到一个一维向量后则可对结果进行输出。卷积的过程可以用下式表示：
模型 提出时间 特点 LeNet 1998年 最早的卷积神经网络之一，设计用来解决手写数字识别问题，结构与现代网络相比较简单。 AlexNet 2012年 采用了ReLU激活函数、数据增强、dropout和LRN层来提高模型性能。 VGG 2014年 强调网络深度是影响性能的关键因素。具有良好的泛化性能，易于移植到其他图像识别项目。 GoogLeNet 2014年 采用“瓶颈”结构增加网络深度，旨在解决AlexNet中梯度消失的问题。 ResNet 2015年 采用残差模块来解决深度网络训练中的梯度消失和梯度爆炸问题。 DenseNet 2017年 采用密集连接模块来提高网络的深度，通过逐层连接和残差链接，使网络具有更强的表示能力。 MobileNet 2017年 轻量级卷积神经网络。采用深度可分离卷积来降低网络的计算复杂度，同时保持较高的性能，适用于移动设备。 s(i,j)=(X×W)(i,j)+b=n\_in∑k=1(XK×WK(i,j)+b) 式中，n为输入矩阵的个数或张量的最后一个维数，Xk为第k个输入矩阵，Wk为第k个子卷积核矩阵，i和j是输出特征图的空间位置索引。在二维卷积中，i通常表示输出特征图的行索引，j表示列索引，它们用于定位输出特征图中的特定像素或神经元。b是偏置项（bias），一个可学习的参数。每个输出通道通常有一个独立的偏置项，用于调整卷积结果的基线。偏置项的作用是为卷积结果添加一个常数偏移，增强模型的表达能力。s（i,j）为与卷积核W相关的输出矩阵中对应元素的值。对于非线性层的输出，一般使用ReLU激活函数f（x）=max（0,x）。对于输入图像中的每个负值，ReLU函数返回值为0，但是对于输入图像中的每个正值，函数返回相同的值[19]。由于图像处理单元（GPU）的性能发展迅速，CNN使用GPU进行训练的效果显著提高，在对图像、物体等非结构化数据的处理中呈现出显著优势[26]。
总的来说，深度学习的各种算法模型在食品质量与安全检测领域具有相当广阔的应用前景，尤其是在面对庞大而又复杂的非结构化食品数据展现出优异的特征学习能力。深度学习未来将在食品领域成为对于营养分析，食品质量分析与预测的有力工具。
2. 深度学习在食品质量与安全检测中的应用
食品作为衣食住行中的一个方面，是人类生活的基本内容，也是人类生活文化的重要组成部分之一。随着消费者需求多样化和当今人工智能技术的飞速发展，食品质量与安全成为人类目前最为关注的问题之一，其涉及到食品加工的各个阶段。发展快速、高效、准确、可靠的食品鉴定技术和方法对保证食品质量至关重要[30]。传统的食品质量鉴定技术需要破坏食物本体，有所损耗，而且耗时较长，具有很多弊端。近年来，电子鼻、电子舌[31]和深度学习技术等人工智能辅助传感器凭借其精度高、响应时间短、无损检测等特点被广泛应用。此类方法具有无损、快速、易操作等特点受到食品工业领域的高度关注并广泛应用在食品原产地追溯和食品品质检测等方面。
2.1 食品溯源
食品可追溯性是确保食品质量与安全的关键因素，可以提高产品的可信度，从而提高消费者的满意度[32]。食品溯源，即使用技术来跟踪和定位食品的地理来源，是供应链中的关键要素，可显著增强食品质量管理体系[33]。深度学习有助于分析食品中的特定成分物质，可用于区分地理来源，从而有利于市场标签的真实性。
目前，许多种类的地理标签猪肉已经在中国市场上推广，猪肉的来源真实性备受消费者关注。最近的研究中发现，前馈神经网络技术结合基于矿物元素分析对来自中国不同地区的猪肉产地进行鉴别，前馈神经网络模型的总体准确率为95.71%，曲线下面积接近于1[34]。此研究为未来畜类肉来源真实性提供了一种新方法。由于深度学习模型的泛用性，所以不只应用于肉类来源鉴别。咖啡是消费最广泛的饮料之一，种类繁多，在味道、口感等方面存在一定差异，尤其是不同地理来源的咖啡更加显著。消费者难以根据外观和气味来区分咖啡品种，因此市场上经常发生产品欺诈行为。利用风味数据作为数据输入来源来区分不同产地的咖啡成为主要鉴别方式，Yang等[35]提出了一种使用质谱分析检测咖啡香气中的挥发性化合物，并用ANN模型的多层感知机算法对质谱数据进行处理，自动匹配原产地。其中，在6个产地的咖啡样品分类中，准确率达到99.78%，每个样品的吞吐量为1s。此方法操作简单、快捷、准确，可以有效防止咖啡欺诈，从而使消费者受益。借助风味气体数据同样也可以应用于大豆产地溯源中。大豆以其高蛋白和植物脂肪含量而闻名[36]。不同溯源地的大豆质量不同，主要体现在所含营养物质不同。在市场中，消费者更倾向于选择来自特定产地的优质大豆。然而，经常会出现劣质大豆替代优质大豆的情况。基于自适应卷积核通道关注网络（AKCA-Net）结合电子鼻技术被研究用来解决这一问题[37]。首先利用电子鼻收集不同产地的大豆气体信息，根据天然气信息的特征，用自适应卷积核通道关注（AKCA）模块自适应地关注天然气通道的关键特征。最后，使用深层气通道相互依赖关系的AKCA-Net，实现了大豆质量的高精度识别。模型准确率为98.21%，精密度为98.57，召回率为98.60%。Hui等[38]同样利用电子鼻技术收集了5个产地的大豆气体信息，针对深层天然气信息的关键特征，提出了一种多核通道关注机制（MKCAM），在此基础上优化提出残差密集块MKCAM（RDB-MKCAM），避免了特征退化，提高了特征表达能力。RDB-MKCAM的准确率为97.80%，精密度为97.86%，召回率为96.82，F1得分为97.33%。这两类深度学习方法均为大豆市场质量监管提供了一种有效的检测方法。结合以上研究发现，影响模型性能（如准确率）的原因不仅在于模型的选择，还受输入数据的影响，并且经优化后的AKCA-Net和RDB-MKCAM算法模型总体上优于前馈神经网络模型，在识别特殊成分物质上具有更大的潜力。
深度学习应用在食品溯源环节上主要依赖于食品本身的成分物质，利用这些特定物质（如矿物元素、特定气味）收集数据，进而使用深度学习方法进行分析。深度学习与电子鼻、电子舌、质谱等技术的成功结合，表明深度学习在未来食品领域中具有重大的应用前景，为加强市场质量监管体系的建设提供了便捷方法。但目前模型使用的数据较为单一，为提高模型的性能，未来的研究中需要选择具有高精度和高泛用性的预测模型，将其与不同技术的数据融合可以进一步提高预测性能。深度学习在食品溯源中的具体应用如表2所示。
表 2 深度学习在食品溯源中的应用Table 2. Application of deep learning in food traceability对象 深度学习方法 研究内容 参考文献 猪肉 ANN 对猪肉进行溯源鉴别 [34] 咖啡 ANN 依据咖啡香气分析咖啡原产地 [35] 大豆 AKCA-Net 识别不同产地的大豆 [37] 大豆 RDB-MKCAM 大豆原产地追溯 [38] 大米 DNN 利用元素含量实现大米原产地追溯 [39] 枸杞 CNN 鉴定枸杞近缘产地 [40] 薏仁 CNN、LSTM 预测薏仁营养成分含量区别地理来源 [41] 花生 CNN 利用花生气体光谱信息区分产区 [42] 蛤蜊 CNN 对普通蛤蜊地理溯源 [43] 牛肝菌 ResNet 对牛肝菌蘑菇原产地追溯 [44] 虾酱 ANN 区分渤海湾不同地区虾酱 [45] 蛇床 CNN 区分六个不同省份的蛇床原产地 [46] 2.2 品质检测
食品品质是食品的外观、口感、营养价值、保质期等方面的综合表现。食品中若存在缺陷、变质、掺假和微生物污染等问题会直接影响食品品质。深度学习技术应用于食品品质检测可以大幅提高消费者的消费体验，相较于传统的肉眼判断提供了一种便捷、高效、准确的检测方式，不仅降低了食品在流入市场时的损坏率，还提高了消费者购买食品的品质。
2.2.1 缺陷检测
食品缺陷的存在会直接影响食品品质，例如外观不佳，口感差，营养价值降低等。水果蔬菜中富含人体所需的维生素、矿物质、膳食纤维和植物化合物等营养物质。但在果蔬成熟到流入市场阶段易对其质量造成不可逆的损害，例如果蔬腐烂变质、运输磕碰等，尽管市面上大多数果蔬均有包装保护，但其品质问题仍是消费者所担心的重点问题。如苹果是市场当中最常见的水果之一，但苹果图像中缺陷、茎和花萼的灰度特征和形状的相似性是机器视觉领域中苹果缺陷自动识别和检测的一个难题。Wu等[47]研究了一种激光诱导光后向散射成像和CNN结合的一种方法，建立并训练了具有11层结构的AlexNet来检测苹果缺陷，模型识别率达92.5%，成功的区分了灰度特征和形状，实现了苹果品质的高效、无损、在线检测。同样的，Sattar等[48]利用残差网络（ResNet50）对番茄的外部缺陷进行检测。研究表明，此模型在测试集上的平均精度为94.6%，召回率为86.6%，准确率为91.7%。由于深度学习不需要特征工程或关于数据集内容的先验知识，因此该方法也可以很好的用于其他食物，进一步证实了深度学习模型的泛用性。但AlexNet和ResNet模型应用于品质缺陷判断的准确率较低，使用单一的模型应用于分类任务的效果较差，不能够满足目前对于高精度识别的需求。将CNN结合其他深度学习方法可以大幅提高准确率，如RNN的U-Net（U型结构网络）神经网络结合CNN，利用X射线技术作为数据的来源，对牛油果的内部腐烂程度进行检测，其准确率达98%。基于深度学习的X射线图像分析自动检测技术能够无损检测牛油果内部质量，显著提高了人工检测牛油果质量的效率[49]。此外，CNN的常用模型中的VGG 16和MobileNet也被用于缺陷的检测[50]，VGG 16及MobileNet架构图如图6所示。将这两种模型用于对杏仁的RGB图像的识别能够有效地对破碎、划伤和畸形的杏仁进行分类。然而，对于缺陷较小或者正常的杏仁有轻微脱屑时容易发生误认，利用高光谱反射信号有助于区分这两者的特征。可见，常用的深度学习模型在对数据特征细节方面识别预测能力较低，适用于对边缘等局部特征的处理。
食品缺陷引起的品质问题同样存在于肉类食品中。动物性肉源是人类获取蛋白质的重要来源。近年来，以深度学习技术主导的人工智能模型已广泛的应用于鲜肉或冷藏肉中，用于无损检测肉类的各项指标，以求快速、精准、高效的保证动物肉产品的品质。猪肉的品质好坏由其本身的属性决定，如外观、质地、多汁性、颜色、风味、脂肪量、保水能力和pH。这些属性受到内在和外在因素影响，如营养、遗传以及屠宰前后的条件[51]。保水能力是获得优质猪肉的重要属性。因此，De-Sousa等[52]提供了一种预测猪肉保水能力的方法，利用U-Net的DL架构，从使用压力机方法获得的猪肉样本的滤纸图像中估计持水量，并且评估了U-Net分割保水能力图像不同区域的能力，此模型可以非常精确地将图像的外部和内部区域分类，尽管这些区域的差异很细微。另外，Liu等[53]开发了一种基于深度学习的超声图像预测猪肉肌内脂肪百分比的方法，利用了深度CNN的通用模型PIMFP来准确预测肌内脂肪，这个方法证明了PIMFP模型预测肌内脂肪百分比的能力，并突出了人工智能算法在畜肉类中的应用。
2.2.2 新鲜度检测
新鲜度是食品品质中的一个重要属性，无论是货架商品还是家庭自制，食品新鲜度都将会直接决定食品的可食用性。评估食品新鲜度时，往往采用感官评价、微生物检查和理化分析，这类方法需要高度熟练的评估人员，耗时且对技术要求高[54]。所以开发快速、准确、用户友好的检测方法是食品新鲜度评估的重要方向。利用猪肉香肠变质过程中脂质氧化和生物胺积累这一原理，Liu等[55]开发了一种特异性响应这两个因素的比色微流控分析装置，并结合CNN的分类模型ResNet50进行训练和预测，准确率为97.1%。同样地，Gong等[56]采用紫外光诱导交联法制备明胶甲基丙烯酰，并包封溴甲酚绿，制备纤维素纸上的比色指示剂条，结合CNN的VGG 16模型架构也很好地预测了肉类的新鲜度，总体准确率为96.2%。以上两种模型研究人员均集成到了智能手机APP中，消费者只需进行扫描或上传图像的步骤，稍等几十秒，即可识别出肉制品新鲜度。利用深度学习技术开发的手机应用为消费者的日常生活带来了极大的便利。蔬菜作为生活中常见的膳食纤维食品，其储藏时期的新鲜度一直受到人们的重视。He等[57]将高光谱成像技术提取的平均光谱作为数据来源，并建立CNN结合长短期记忆模型对白菜和菠菜的新鲜度进行预测。此模型在训练集、验证集和测试集的分类准确率均超过80%。高光谱成像与深度学习方法在识别不同蔬菜的新鲜度方面具有巨大潜力。但准确率较低难以信服，高光谱成像技术的图像特征相似性较高，模型难以将其分类，后续研发可考虑与其他成像技术结合。目前，研究人员开始利用自制智能传感器作为模型的数据来源，Wang等[58]提出了一种使用DL算法进行可视化肉类新鲜度监测的比色微针传感器。此微针由含有pH响应的花青素可食用水凝胶制备。收集不同新鲜度肉附着的微针图像，形成训练源，作为CNN的输入。通过对微针颜色特征进行卷积，最终输出“新鲜”、“不新鲜”、“变质”的肉类新鲜度。Li等[2]使用黄酮类化合物制备了荧光传感器阵列，构建深度卷积神经网络，用于肉类的新鲜度检测，预测模型的整体准确率高达97.1%。可见，智能传感器使深度学习算法模型的分类识别任务的性能进一步提高。深度学习在食品新鲜度检测中具有优势，但也面临着数据需求大、训练复杂度高和鲁棒性差等挑战。因此，在实际应用中需要综合考虑其优缺点，并结合具体场景进行选择和优化。深度学习在检测食品新鲜度方面的应用见表3。
表 3 深度学习在食品新鲜度检测中的应用Table 3. Application of deep learning in food freshness detection未来深度学习还可进一步研究结合更先进的无损检测传感技术，使其在对食品内部无法观察到的品质问题能够得到进一步的精准检测。并且还要探究不同的成像或传感技术作为模型数据集的来源对模型准确性的影响，以期提高深度学习技术在品质检测方面对于大众的信服力。
2.2.3 掺假检测
食品掺假通常被认为是故意污染食品的行为，是一个全球性问题，对消费者健康、经济稳定和公众信任造成严重后果[14]。其主要涉及在食品中添加劣质或有害物质，以次充好，从而达到增加经济收益和降低成本的目的。这类行为会导致食物本身营养价值和安全性受损，增加健康风险。用于掺假检测的感官评估、化学分析以及微生物测定等传统方法准确性高，但需要大量的样品制备，涉及复杂的提取和纯化程序，所耗时间长。深度学习对食品中的掺假成分进行分析即可改善这一缺陷，极大的提高了检测效率，实现对食品掺假进行实时监测。
牛羊肉以其独特的风味和营养价值闻名，其价值往往高于鸡肉、鸭肉和猪肉[63]。由于存在经济动机掺假（Economically motivated adulteration，EMA）事件，导致许多国家持续存在食品安全问题。EMA的一种常见形式是将廉价肉类混合到高价肉制品中赚取高额利润，使消费者很难在感官上识别是否是真正的牛羊肉。针对这一安全事件，Wang等[64]开发了一种深度学习结合二维相关光谱法和偏最小二乘法判别分析（PLS-DA）法。此项研究通过分析不同掺假比例的鸡、鸭和猪肉对牛肉或羊肉的影响，利用ResNet深度学习方法有效提取体征，可实现高精度模型（100%）。另外，果蔬等其他食品的掺假现象也时常发生。柿子在加工过程中糖分溢出附着在柿饼表面的白色结晶粉末被称作糖霜，但二氧化钛通常被添加到柿饼表面，以冒充高质量的柿饼，过量的二氧化钛对人体有害。Li等[65]将拉曼光谱与一维堆栈自编码器CNN相结合，评估柿饼糖衣中二氧化钛掺假，模型检测准确率、精密度、召回率和F1得分分别为98.25%、98.24%、98.25%和98.24%。拉曼光谱耦合深度学习算法为未来食品中成分分析与检测提供了有效的方法。此外，Brar等[66]使用基于二维CNN的深度学习框架检测单花蜂蜜中糖浆掺假，模型框架如图7所示。此框架使用高分辨率的视频序列，每个蜂蜜样本都有不同程度的糖浆掺假，其中模型的准确度为94%、精密度为99%、特异度为100%、F1评分为98%。
![]()
深度学习模型，特别是CNN，在图像和数据分析方面展现出高度的准确性，能够有效识别和分类食品样本中的掺假成分。虽然深度学习提供了强大的工具来增强食品掺假检测的能力，但在实际应用中也需注意其资源需求、模型透明度和数据依赖性等方面的挑战。随着准确性提高，模型的可解释性还仍存在不足。因此，未来可着重于研究深度学习算法对于检测过程中行为的可解释性和学习效率等方面。深度学习在食品掺假检测中的应用如表4所示。
表 4 深度学习在食品掺假检测中的应用Table 4. Application of deep learning in food adulteration detection对象 深度学习方法 研究内容 参考
文献牛、羊肉 ResNet 检测牛羊肉中鸡、鸭、猪肉掺假 [64] 柿饼糖霜 1D-SAE-CNN 检测柿饼糖衣中二氧化钛掺假 [65] 单花蜂蜜 CNN 检测单花蜂蜜中糖浆掺假 [66] 麦卢卡蜂蜜 DRSN 分析优质麦卢卡蜂蜜中廉价
蜂蜜掺假[67] 芝麻油 CNN 结合拉曼光谱检测芝麻油产品掺假 [68] 鱼粉 YOLOv3-
MobileNetV2深度学习结合显微图像对掺假鱼粉
定性鉴别[69] 羊肉 CNN CNN结合时域数字图像鉴别羊肉掺假 [70] 牛肉 AlexNet 检测牛肉产品中掺杂着色剂和
固化剂成分[71] 牛奶、羊奶 CNN、ResNet50 检测和量化牛（正常和不含乳糖）、
羊奶中掺假[72] 2.2.4 病原体检测
微生物是引起食物腐败变质的主要原因，根据世界卫生组织（WHO）发布的报告，每年至少有42万健康人因食用受污染食品而丧生[73]。食源性细菌能够直接或间接污染食物产品，人在感染后可导致肠道传染病及食物中毒的发生[74]。因此，病原体的检测在确保食品安全方面起着至关重要的作用。Chen等[75]利用DL算法代替人工显微镜对食源性病原体进行自动识别。基于CNN的DL模型能够识别6种常见的食源性病原体，包括大肠杆菌、金黄色葡萄球菌、副溶血性弧菌、蜡样芽孢杆菌、伤寒沙门氏菌和溶血性链球菌，准确率为90%~100%。Wang等[76]研究使用动态表面增强拉曼光谱和正电荷探针通过ZFNet（AlexNet的改进）模型来检测和鉴定苹果中的真菌孢子，其训练集、验证集和预测集的准确率分别为100%、99.44%和99.44%。Park等[77]开发并评估了深度学习和图像处理自动分割鸡肉漂洗液中的单细胞致病菌，采用U-Net、ResU-Net、Agreu-Net和Agr2u-Net 4种深度学习模型进行细菌细胞分割。研究证实Agr2u-Net比另外3种模型表现更好，在6426条数据中，椭圆拟合和拟合优度评价准确率为97.4%。
将深度学习应用于食品安全中的病原体检测相较于传统的检验方法更加的快速可靠，降低了健康人群食用受微生物污染的食品而患病的风险。但仍存在一定的局限性，如在预测前需先对微生物的数据进行一定的处理，才能进行准确预测，这种方式大众难以完成，且不能全部集成于手机应用中，未来可进一步优化预测前数据处理技术，使其能够对食品中存在的微生物做到随时随地的快速检测。
3. 结论与展望
深度学习技术在食品工业中取得了显著的成果。它以高效、准确、便捷等特点逐渐取代传统人工食品质量与安全检测方法，为无损检测技术提供了新的方向。深度学习相较于传统的机器学习具有明显优势。它能够自动学习表征表示，减少了手工特征工程的工作量，提高了食品质量与安全检测的准确性和效率。其次，模型具有更强的泛化能力，即使在数据量有限的情况下，仍能对食品品质进行有效检测。在处理高维数据时也具有更好的性能，能够适应食品质量与安全检测中复杂的数据分布。近年来，深度学习在食品溯源、缺陷检测、新鲜度检测、掺假检测以及病原体检测方面的食品质量安全检测中均表现出了优异的性能。随着技术的不断发展，深度学习在食品质量与安全检测领域将取得更大突破。结合多源数据和多模态数据进行深度学习分析，有望进一步提高模型水平和食品领域的覆盖范围。
随着目前食品的多样性和复杂性，以及各种食品添加剂的加入，模型进行特征提取的工作迎来了前所未有的挑战。在训练过程中需要大量的计算资源，可能导致训练时间较长。此外，目前深度学习模型的可解释性（如模型结构复杂、黑盒、特征抽象和高度非线性）较差，对于食品质量与安全检测中的某些特定问题难以给出直观的解释。开发深度学习模型的成本较高，如高性能服务器、数据量庞大，并且还需要成像技术的支持，也难以在食品工业领域得到大规模应用。当前的深度学习方法通常使用单一的图像或数据源进行训练，而实际上，食品质量与安全检测所需的信息可能分布在不同数据源中。未来的研究应着重于将多模态数据融合到深度学习模型中，有望提高检测的准确性和全面性。并且，在食品质量与安全检测中，数据的隐私保护是一个重要问题。研究如何利用联邦学习技术，在分布式环境下进行模型训练和更新，同时保证数据的安全和隐私，将有助于提高检测技术的实际应用价值。总之，深度学习在食品质量与安全检测领域具有巨大潜力，能够为我国食品产业带来革命性变革。
-
![]()
图 1 人工智能、机器学习、深度学习之间的关系
Figure 1. Relationship between artificial intelligence, machine learning, and deep learning
![]()
图 2 特征提取：传统机器学习与深度学习的核心区别
Figure 2. Feature extraction: the core difference between traditional machine learning and deep learning
![]()
模型 提出时间 特点 LeNet 1998年 最早的卷积神经网络之一，设计用来解决手写数字识别问题，结构与现代网络相比较简单。 AlexNet 2012年 采用了ReLU激活函数、数据增强、dropout和LRN层来提高模型性能。 VGG 2014年 强调网络深度是影响性能的关键因素。具有良好的泛化性能，易于移植到其他图像识别项目。 GoogLeNet 2014年 采用“瓶颈”结构增加网络深度，旨在解决AlexNet中梯度消失的问题。 ResNet 2015年 采用残差模块来解决深度网络训练中的梯度消失和梯度爆炸问题。 DenseNet 2017年 采用密集连接模块来提高网络的深度，通过逐层连接和残差链接，使网络具有更强的表示能力。 MobileNet 2017年 轻量级卷积神经网络。采用深度可分离卷积来降低网络的计算复杂度，同时保持较高的性能，适用于移动设备。 
下载: 导出CSV
表 2 深度学习在食品溯源中的应用
Table 2 Application of deep learning in food traceability
对象 深度学习方法 研究内容 参考文献 猪肉 ANN 对猪肉进行溯源鉴别 [34] 咖啡 ANN 依据咖啡香气分析咖啡原产地 [35] 大豆 AKCA-Net 识别不同产地的大豆 [37] 大豆 RDB-MKCAM 大豆原产地追溯 [38] 大米 DNN 利用元素含量实现大米原产地追溯 [39] 枸杞 CNN 鉴定枸杞近缘产地 [40] 薏仁 CNN、LSTM 预测薏仁营养成分含量区别地理来源 [41] 花生 CNN 利用花生气体光谱信息区分产区 [42] 蛤蜊 CNN 对普通蛤蜊地理溯源 [43] 牛肝菌 ResNet 对牛肝菌蘑菇原产地追溯 [44] 虾酱 ANN 区分渤海湾不同地区虾酱 [45] 蛇床 CNN 区分六个不同省份的蛇床原产地 [46]
下载: 导出CSV
表 4 深度学习在食品掺假检测中的应用
Table 4 Application of deep learning in food adulteration detection
对象 深度学习方法 研究内容 参考
文献牛、羊肉 ResNet 检测牛羊肉中鸡、鸭、猪肉掺假 [64] 柿饼糖霜 1D-SAE-CNN 检测柿饼糖衣中二氧化钛掺假 [65] 单花蜂蜜 CNN 检测单花蜂蜜中糖浆掺假 [66] 麦卢卡蜂蜜 DRSN 分析优质麦卢卡蜂蜜中廉价
蜂蜜掺假[67] 芝麻油 CNN 结合拉曼光谱检测芝麻油产品掺假 [68] 鱼粉 YOLOv3-
MobileNetV2深度学习结合显微图像对掺假鱼粉
定性鉴别[69] 羊肉 CNN CNN结合时域数字图像鉴别羊肉掺假 [70] 牛肉 AlexNet 检测牛肉产品中掺杂着色剂和
固化剂成分[71] 牛奶、羊奶 CNN、ResNet50 检测和量化牛（正常和不含乳糖）、
羊奶中掺假[72]
下载: 导出CSV
-
[1] HALDER S, SHRIKRISHNA N S, SHARMA R, et al. Raising the bar:Exploring modern technologies and biomaterials for enhancing food safety and quality-a comprehensive review[J]. Food Control, 2024:110287.
[2] LI M, XU J G, PENG C F, et al. Deep learning-assisted flavonoid-based fluorescent sensor array for the nondestructive detection of meat freshness [J]. Food Chemistry, 2024, 447.
[3] FAKHLAEI R, BABADI A A, SUN C, et al. Application, challenges and future prospects of recent nondestructive techniques based on the electromagnetic spectrum in food quality and safety[J]. Food Chemistry, 2024:138402.
[4] ZHANG C, LI C, HE M Y, et al. Leaf water content determination of oilseed rape using near-infrared hyperspectral imaging with deep learning regression methods[J]. Infrared Physics & Technology, 2023, 134.
[5] 姚仁朋, 孙玉敬, 赵圆, 等. 机器学习在食品工业中的应用[J]. 中国食品学报,2024,24(1):349−363. [YAO R P, SUN Y J, ZHAO Y, et al. Applications of machine learning in the food industry[J]. Journal of Chinese Institute of Food Science and Technology,2024,24(1):349−363.] YAO R P, SUN Y J, ZHAO Y, et al. Applications of machine learning in the food industry[J]. Journal of Chinese Institute of Food Science and Technology, 2024, 24（1）: 349−363.
[6] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016:770−778.
[7] AMODEI D, ANANTHANARAYANAN S, ANUBHAI R, et al. Deep speech 2:End-to-end speech recognition in english and mandarin[C]//International conference on machine learning. PMLR, 2016:173−182.
[8] OTTER D W, MEDINA J R, KALITA J K. A survey of the usages of deep learning for natural language processing[J]. IEEE Transactions on Neural Networks and Learning Systems,2020,32(2):604−624.
[9] SCHMIDHUBER J. Deep learning in neural networks:An overview[J]. Neural networks,2015,61:85−117. doi: 10.1016/j.neunet.2014.09.003
[10] ZHOU L, ZHANG C, LIU F, et al. Application of deep learning in food:A review[J]. Comprehensive Reviews in Food Science and Food Safety,2019,18(6):1793−1811. doi: 10.1111/1541-4337.12492
[11] WANG P X, FAN E, WANG P. Comparative analysis of image classification algorithms based on traditional machine learning and deep learning[J]. Pattern Recognition Letters,2021,141:61−67. doi: 10.1016/j.patrec.2020.07.042
[12] 刁云恒, 王慧颖, 董娇, 等. 机器学习在抑郁症辅助诊断中的应用进展[J]. 中国医学物理学杂志,2022,39(2):257−264. [DIAO Y H, WANG H Y, DONG J, et al. Advances in the application of machine learning in auxiliary diagnosis of depression[J]. Chinese Journal of Medical Physics,2022,39(2):257−264.] DIAO Y H, WANG H Y, DONG J, et al. Advances in the application of machine learning in auxiliary diagnosis of depression[J]. Chinese Journal of Medical Physics, 2022, 39（2）: 257−264.
[13] TIAN D C, CHEN W H, XU D C, et al. A review of traditional chinese medicine diagnosis using machine learning:Inspection, auscultation-olfaction, inquiry, and palpation[J]. Computers in Biology and Medicine, 2024:108074.
[14] GOYAL R, SINGHA P, SINGH S K. Spectroscopic food adulteration detection using machine learning:Current challenges and future prospects[J]. Trends in Food Science & Technology, 2024:104377.
[15] ZHAO S L, ZHANG S, LIU J C, et al. Application of machine learning in intelligent fish aquaculture:A review[J]. Aquaculture,2021,540:736724. doi: 10.1016/j.aquaculture.2021.736724
[16] YASSIR A, ANDALOUSSI S J, OUCHETTO O, et al. Acoustic fish species identification using deep learning and machine learning algorithms:A systematic review[J]. Fisheries Research,2023,266:106790. doi: 10.1016/j.fishres.2023.106790
[17] KHAN M I H, SABLANI S S, NAYAK R, et al. Machine learning‐based modeling in food processing applications:State of the art[J]. Comprehensive Reviews in Food Science and Food Safety,2022,21(2):1409−1438. doi: 10.1111/1541-4337.12912
[18] MAHESH B. Machine learning algorithms-a review[J]. International Journal of Science and Research (IJSR). [Internet],2020,9(1):381−386.
[19] ZHU L, SPACHOS P, PENSINI E, et al. Deep learning and machine vision for food processing:A survey[J]. Current Research in Food Science,2021,4:233−249. doi: 10.1016/j.crfs.2021.03.009
[20] WAZIRALI R, YAGHOUBI E, ABUJAZAR M S S, et al. State-of-the-art review on energy and load forecasting in microgrids using artificial neural networks, machine learning, and deep learning techniques[J]. Electric Power Systems Research, 2023, 225:109792.
[21] THAPA A, NISHAD S, BISWAS D, et al. A comprehensive review on artificial intelligence assisted technologies in food industry[J]. Food Bioscience,2023,56:103231. doi: 10.1016/j.fbio.2023.103231
[22] WANG Y C, LIU H W, ZHANG M L, et al. A universal ANN-to-SNN framework for achieving high accuracy and low latency deep Spiking Neural Networks[J]. Neural Networks,2024,174:106244. doi: 10.1016/j.neunet.2024.106244
[23] ABIODUN O I, JANTAN A, OMOLARA A E, et al. State-of-the-art in artificial neural network applications:A survey[J]. Heliyon,2018,4(11):e00938. doi: 10.1016/j.heliyon.2018.e00938
[24] WANG L, LIU X B, FAN P, et al. A creep life prediction model of P91 steel coupled with back-propagation artificial neural network (BP-ANN) and θ projection method[J]. International Journal of Pressure Vessels and Piping,2023,206:105039. doi: 10.1016/j.ijpvp.2023.105039
[25] 陈靓, 阳佳红, 田星. 机器学习在食品风味领域的研究进展与未来趋势[J/OL]. 食品科学, 1−15[2024-04-22]. http://kns.cnki.net/kcms/detail/11.2206.TS.20240219.1002.010.html. [CHEN L, YANG J H, TIAN X. Research progress and future trends of machine learning in the food flavor field[J/OL]. Food Science, 1−15[2024-04-22]. http://kns.cnki.net/kcms/detail/11.2206.TS.20240219.1002.010.html.] CHEN L, YANG J H, TIAN X. Research progress and future trends of machine learning in the food flavor field[J/OL]. Food Science, 1−15[2024-04-22]. http://kns.cnki.net/kcms/detail/11.2206.TS.20240219.1002.010.html.
[26] de LIMA LUIZ A, ZIMMER A, BRANDMEIER T, et al. Performance analysis of CNN speed and power consumption among CPUs, GPUs and an FPGA for EU GDPR 2016/679 compliant automotive applications[J]. Transportation Research Procedia,2023,72:3046−3053. doi: 10.1016/j.trpro.2023.11.853
[27] PAN L, LI C, POUYANFAR S, et al. A novel combinational convolutional neural network for automatic food-ingredient classification[J]. Computers, Materials & Continua, 2020, 62(2):731−746.
[28] LIU Y, PU H, SUN D W. Efficient extraction of deep image features using convolutional neural network (CNN) for applications in detecting and analysing complex food matrices[J]. Trends in Food Science & Technology,2021,113:193−204.
[29] BI C K, WANG J M, DUAN Y, et al. MobileNet based apple leaf diseases identification[J]. Mobile Networks and Applications, 2022:1−9.
[30] 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.
[31] 杨银, 梁建兰. GC-MS结合电子鼻、电子舌分析6种糖炒燕山板栗的风味成分[J]. 食品工业科技,2024,45(2):269−279. [YANG Y, LIANG J L. Analysis of flavor components of 6 kinds of yanshan chestnut by GC-MS combined with electronic nose/electronic tongue[J]. Science and Technology of Food Industry,2024,45(2):269−279.] YANG Y, LIANG J L. Analysis of flavor components of 6 kinds of yanshan chestnut by GC-MS combined with electronic nose/electronic tongue[J]. Science and Technology of Food Industry, 2024, 45（2）: 269−279.
[32] MANISHA N, JAGADEESHWAR M. BC driven IoT-based food quality traceability system for dairy product using deep learning model[J]. High-Confidence Computing,2023,3(3):100121. doi: 10.1016/j.hcc.2023.100121
[33] FENG Y H, WANG Y, BEYKAL B, et al. A mechanistic review on machine learning-supported detection and analysis of volatile organic compounds for food quality and safety[J]. Trends in Food Science & Technology, 2023:104297.
[34] QI J, LI Y Y, ZHANG C, et al. Geographic origin discrimination of pork from different Chinese regions using mineral elements analysis assisted by machine learning techniques[J]. Food Chemistry,2021,337:127779. doi: 10.1016/j.foodchem.2020.127779
[35] YANG H, AI J W, ZHU Y P, et al. Rapid classification of coffee origin by combining mass spectrometry analysis of coffee aroma with deep learning[J]. Food Chemistry,2024,446:138811. doi: 10.1016/j.foodchem.2024.138811
[36] TAN S T, TAN S S, TAN C X. Soy protein, bioactive peptides, and isoflavones:A review of their safety and health benefits[J]. Pharma Nutrition, 2023:100352.
[37] SUN H X, HUA Z J, YIN C B, et al. Geographical traceability of soybean:An electronic nose coupled with an effective deep learning method[J]. Food Chemistry,2024,440:138207. doi: 10.1016/j.foodchem.2023.138207
[38] HUI Z, LU A. A deep learning method combined with an electronic nose for gas information identification of soybean from different origins[J]. Chemometrics and Intelligent Laboratory Systems,2023,240:104906. doi: 10.1016/j.chemolab.2023.104906
[39] CHU Y H, WU J J, YAN Z, et al. Towards generalizable food source identification:An explainable deep learning approach to rice authentication employing stable isotope and elemental marker analysis[J]. Food Research International,2024,179:113967. doi: 10.1016/j.foodres.2024.113967
[40] DONG F J, HAO J, LUO R M, et al. Identification of the proximate geographical origin of wolfberries by two-dimensional correlation spectroscopy combined with deep learning[J]. Computers and Electronics in Agriculture,2022,198:107027. doi: 10.1016/j.compag.2022.107027
[41] WANG Y Y, XIONG F, ZHANG Y, et al. Application of hyperspectral imaging assisted with integrated deep learning approaches in identifying geographical origins and predicting nutrient contents of Coix seeds[J]. Food Chemistry,2023,404:134503. doi: 10.1016/j.foodchem.2022.134503
[42] WANG Z, YU Y, LIU J Q, et al. Peanut origin traceability:A hybrid neural network combining an electronic nose system and a hyperspectral system[J]. Food Chemistry,2024,447:138915. doi: 10.1016/j.foodchem.2024.138915
[43] CONCEPCION R, GUILLERMO M, TANNER S E, et al. BivalveNet:A hybrid deep neural network for common cockle (Cerastoderma edule) geographical traceability based on shell image analysis[J]. Ecological Informatics,2023,78:102344. doi: 10.1016/j.ecoinf.2023.102344
[44] CHEN X, LIU H G, LI J Q, et al. A geographical traceability method for Lanmaoa asiatica mushrooms from 20 township-level geographical origins by near infrared spectroscopy and ResNet image analysis techniques[J]. Ecological Informatics,2022,71:101808. doi: 10.1016/j.ecoinf.2022.101808
[45] LU K, LIU L, XU Z Y, et al. The analysis of volatile compounds through flavoromics and machine learning to identify the origin of traditional Chinese fermented shrimp paste from different regions[J]. LWT,2022,171:114096. doi: 10.1016/j.lwt.2022.114096
[46] ZHOU B W, JIA M K, ZHANG F, et al. A new data processing strategy combined with a convolutional neural network for rapid and accurate prediction of geographical classifications of natural products[J]. Chemometrics and Intelligent Laboratory Systems,2022,227:104594. doi: 10.1016/j.chemolab.2022.104594
[47] WU A, ZHU J H, REN T. Detection of apple defect using laser-induced light backscattering imaging and convolutional neural network[J]. Computers & Electrical Engineering,2020,81:106454.
[48] SATTAR A, RIDOY M A M, SAHA A K, et al. Computer vision based deep learning approach for toxic and harmful substances detection in fruits[J]. Heliyon,2024,10(3):e25371. doi: 10.1016/j.heliyon.2024.e25371
[49] MATSUI T, SUGIMORI H, KOSEKI S, et al. Automated detection of internal fruit rot in Hass avocado via deep learning-based semantic segmentation of X-ray images[J]. Postharvest Biology and Technology,2023,203:112390. doi: 10.1016/j.postharvbio.2023.112390
[50] CHEN S Y, WANG M Y, KUO Y M, et al. Almond defect and freshness inspection system using hyperspectral imaging and deep learning techniques[J]. Postharvest Biology and Technology,2024,211:112837. doi: 10.1016/j.postharvbio.2024.112837
[51] CORNET S H V, SNEL S J E, LESSCHEN J, et al. Enhancing the water holding capacity of model meat analogues through marinade composition[J]. Journal of Food Engineering,2021,290:110283. doi: 10.1016/j.jfoodeng.2020.110283
[52] DE-SOUSA R V C, FERREIRA I M, DURVAL M C, et al. Measuring water holding capacity in pork meat images using deep learning[J]. Meat Science,2023,200:109159. doi: 10.1016/j.meatsci.2023.109159
[53] LIU Z, DU H, LAO F D, et al. PIMFP:An accurate tool for the prediction of intramuscular fat percentage in live pigs using ultrasound images based on deep learning[J]. Computers and Electronics in Agriculture,2024,217:08552.
[54] KADEMI H I, ULUSOY B H, HECER C. Applications of miniaturized and portable near infrared spectroscopy (NIRS) for inspection and control of meat and meat products[J]. Food Reviews International,2018,35(3):201−220.
[55] LIU Y, ZHANG Y Y, LONG F W, et al. CNN-assisted accurate smartphone testing of μPAD for pork sausage freshness[J]. Journal of Food Engineering,2024,363:111772. doi: 10.1016/j.jfoodeng.2023.111772
[56] GONG W, YAO H B, CHEN T, et al. Smartphone platform based on gelatin methacryloyl(GelMA)combined with deep learning models for real-time monitoring of food freshness[J]. Talanta,2023,253:124057. doi: 10.1016/j.talanta.2022.124057
[57] HE M Y, LI C, CAI Z Y, et al. Leafy vegetable freshness identification using hyperspectral imaging with deep learning approaches[J]. Infrared Physics & Technology,2024,138:105216.
[58] WANG J, XIA L L, LIU H, et al. Colorimetric microneedle sensor using deep learning algorithm for meat freshness monitoring[J]. Chemical Engineering Journal,2024,481:148474. doi: 10.1016/j.cej.2023.148474
[59] YAO K S, SUN J, ZHANG B, et al. On-line monitoring of egg freshness using a portable NIR spectrometer combined with deep learning algorithm[J]. Infrared Physics & Technology,2024,138:105207.
[60] KIM T H, KIM J Y, KIM J H, et al. Optimization of number of wireless temperature sensors using clustering algorithm for deep learning algorithm-based Kimchi quality prediction[J]. Journal of Food Engineering,2024,367:111883. doi: 10.1016/j.jfoodeng.2023.111883
[61] MA P H, JIA X X, XU W H, et al. Enhancing salmon freshness monitoring with sol-gel cellulose nanocrystal colorimetric paper sensors and deep learning methods[J]. Food Bioscience,2023,56:103313. doi: 10.1016/j.fbio.2023.103313
[62] JIANG C, GUO A J X, LI Y, et al. Inspired by human olfactory system:Deep-learning-assisted portable chemo-responsive dye-based odor sensor array for the rapid sensing of shrimp and fish freshness[J]. Chemical Engineering Journal,2024,484:149283. doi: 10.1016/j.cej.2024.149283
[63] ZHANG T, CHEN C, XIE K Z, et al. Current state of metabolomics research in meat quality analysis and authentication[J]. Foods,2021,10(10):2388. doi: 10.3390/foods10102388
[64] WANG L, LIANG J, LI F, et al. Deep learning based on the Vis-NIR two-dimensional spectroscopy for adulteration identification of beef and mutton[J]. Journal of Food Composition and Analysis,2024,126:105890. doi: 10.1016/j.jfca.2023.105890
[65] LI J M, ZHANG L, ZHU F L, et al. Rapid qualitative detection of titanium dioxide adulteration in persimmon icing using portable Raman spectrometer and Machine learning[J]. Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy,2023,290:122221. doi: 10.1016/j.saa.2022.122221
[66] BRAR D S, AGGARWAL A K, NANDA V, et al. Detection of sugar syrup adulteration in unifloral honey using deep learning framework:An effective quality analysis technique[J]. Food and Humanity,2024,2:100190. doi: 10.1016/j.foohum.2023.11.017
[67] WU X J, XU B R, LUO H, et al. Adulteration quantification of cheap honey in high-quality Manuka honey by two-dimensional correlation spectroscopy combined with deep learning[J]. Food Control,2023,154:110010. doi: 10.1016/j.foodcont.2023.110010
[68] TENG Y J, CHEN Y X, CHEN X G, et al. Revealing the adulteration of sesame oil products by portable Raman spectrometer and 1D CNN vector regression:A comparative study with chemometrics and colorimetry[J]. Food Chemistry,2024,436:137694. doi: 10.1016/j.foodchem.2023.137694
[69] GENG J, LIU J, KONG X R, et al. The fishmeal adulteration identification based on microscopic image and deep learning[J]. Computers and Electronics in Agriculture,2022,198:106974. doi: 10.1016/j.compag.2022.106974
[70] ZHANG Y X, ZHENG M C, ZHU R G, et al. Detection of adulteration in mutton using digital images in time domain combined with deep learning algorithm[J]. Meat Science,2022,192:108850. doi: 10.1016/j.meatsci.2022.108850
[71] JO E, LEE Y, LEE Y, et al. Rapid identification of counterfeited beef using deep learning-aided spectroscopy:Detecting colourant and curing agent adulteration[J]. Food and Chemical Toxicology,2023,181:114088. doi: 10.1016/j.fct.2023.114088
[72] PÉREZ-CALABUIG A M, PRADANA-LÓPEZ S, LOPEZ-ORTEGA S, et al. Application of residual neural networks to detect and quantify milk adulterations[J]. Journal of Food Composition and Analysis,2023,122:105427. doi: 10.1016/j.jfca.2023.105427
[73] YAN S S, WANG S Y, QIU J X, et al. Raman spectroscopy combined with machine learning for rapid detection of food-borne pathogens at the single-cell level[J]. Talanta,2021,226:122195. doi: 10.1016/j.talanta.2021.122195
[74] 袁先铃, 张洲铕, 袁玉梅, 等. 富顺香辣酱生产环境食源性致病细菌的分析及溯源分析[J]. 食品工业科技,2021,42(22):118−124. [YUAN X L, ZHANG Z Y, YUAN Y M, et al. Analysis and traceability analysis of food-borne pathogenic bacteria in the production environment of fushun spicy sauce[J]. Science and Technology of Food Industry,2021,42(22):118−124.] YUAN X L, ZHANG Z Y, YUAN Y M, et al. Analysis and traceability analysis of food-borne pathogenic bacteria in the production environment of fushun spicy sauce[J]. Science and Technology of Food Industry, 2021, 42（22）: 118−124.
[75] 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. doi: 10.1016/j.foodcont.2024.110413
[76] WANG J H, ZHU R, WU Y H, et al. Dynamic surface-enhanced Raman spectroscopy and positively charged probes for rapid detection and accurate identification of fungal spores in infected apples via deep learning methods[J]. Food Control,2024,157:110151. doi: 10.1016/j.foodcont.2023.110151
[77] PARK B, SHIN T, KANG R, et al. Automated segmentation of foodborne bacteria from chicken rinse with hyperspectral microscope imaging and deep learning methods[J]. Computers and Electronics in Agriculture,2023,208:107802. doi: 10.1016/j.compag.2023.107802
-
期刊类型引用(12)
1. 付晨青，郭潇潇，刘徐冬雨，李国辉，韩蕊，王秀萍. 贮藏温度对鲜食紫苏采后品质的影响及货架期预测模型的构建. 北方园艺. 2024(02): 86-93 . 
百度学术
2. 郭慧静，王飞，李自芹，赵志永，宋方圆. 壳聚糖/H_2O_2雾化处理对伽师瓜贮藏品质的影响. 中国食品添加剂. 2024(05): 243-249 . 百度学术
3. 刘志旭，朱璇，赵亚婷，张昱，石慧敏，栾若林，刘嘉宝. 高浓度CO_2短时处理对西梅采后贮藏品质及抗氧化代谢的影响. 食品工业科技. 2024(12): 311-318 . 本站查看
4. 周旭，杨倩倩，张进，李博岩. 基于便携式近红外光谱仪的黄桃腐败时间快速预测. 食品与机械. 2024(05): 101-106+187 . 百度学术
5. 李自芹，李文绮，陈雅，张正红，党富民，赵志永，雷用东. 延迟预冷结合过氧化氢熏蒸对蟠桃贮藏品质及生理特性的影响. 新疆农业科学. 2024(04): 908-915 . 百度学术
6. 黄嘉瑜. 食品贮藏条件对植物源性食品中抗氧化剂含量的影响. 中外食品工业. 2024(01): 86-88 . 百度学术
7. 侯文焕，唐兴富，廖小芳，赵艳红. 贮藏温度对玫瑰茄果实品质及生理特性的影响. 食品研究与开发. 2024(17): 23-28 . 百度学术
8. 张怡，黄雯，张映曈，凌军，李鹏霞，程顺昌，杨青松，周宏胜. 6-苄氨基嘌呤处理对‘苏翠1号’梨货架期品质的影响. 食品研究与开发. 2024(23): 9-17 . 百度学术
9. 林景兰，陈日檬，高平，黄国方. 加工过程对紫薯火龙果复合饮料抗氧化性能的影响. 广东化工. 2023(18): 48-50 . 百度学术
10. 陈廷慧，曾加庆，罗炜华，王娅玲，龚霄，魏长宾. 不同贮藏温度对黄秋葵采后品质及木质化的影响. 保鲜与加工. 2023(10): 7-14 . 百度学术
11. 武海霞，徐玉婷，张永兰，赵彩平. 不同品种桃果实采后常温贮藏性评价. 陕西农业科学. 2023(10): 49-53 . 百度学术
12. 何辉，乔勇进，柳洪入，刘晨霞，王春芳，钟耀广，李佳荷，胡留申. 气调贮藏增强桃果活性氧清除能力减轻冷害并改善芳香品质. 食品科学. 2023(23): 165-176 . 百度学术
其他类型引用(6)
下载:
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 18
