食品质量安全直接关系到国民健康、社会稳定及国际贸易的可持续发展,是保障民生福祉和国家战略安全的重要基石。随着食品工业的快速发展和消费需求的多元化,食品供应链日益复杂,面临着成分掺假、农药残留超标、微生物污染、产地溯源难等多重风险。传统食品质量安全检测方法如感官评估[1]、化学分析[2]、分子生物学法[3]等虽准确,但耗时耗力,不适宜高通量分析。这些技术瓶颈制约了食品质量安全监管的时效性和覆盖面,亟需发展一种能够实现快速、无损、高通量的新型检测技术体系,以应对日益严峻的食品安全挑战。
光谱分析提供了一种快速、准确且成本相对较低的替代方案,尤其是近红外光谱(near-infrared spectroscopy, NIR),它能够在不破坏食品成分完整性的情况下,快速进行分析。然而,NIR数据通常具有高维度、强共线性及非线性特征,且易受环境噪声和样品物理性质的干扰,导致传统化学计量学模型,如偏最小二乘法(partial least squares, PLS)的预测精度和泛化能力往往难以满足复杂实际场景的需求。这一技术瓶颈为人工智能(artificial intelligence, AI)技术的介入提供了契机。近年来,以机器学习(machine learning, ML)、深度学习(deep learning, DL)为代表的AI技术取得了突破性进展,其在特征自动提取、复杂非线性关系建模以及抗干扰能力方面表现出显著优势[4]。AI技术能够从海量的NIR数据中挖掘深层信息,有效克服传统模型的局限性,为提升NIR分析的智能化水平带来了新的机遇。
基于上述背景,将AI技术与NIR深度融合,构建智能化的NIR-AI检测模型,已成为食品质量安全检测领域的前沿研究方向。这种融合技术不仅能够充分发挥NIR的快速无损优势,更能利用AI算法强大的数据处理能力,实现从数据到智能决策的跨越[5]。通过建立高精度的定性识别和定量预测模型,NIR-AI技术有望在食品真伪鉴别、成分含量快速测定、污染物筛查、产地溯源等方面发挥关键作用。因此,本文系统介绍NIR-AI的优点及机制,深入探讨其在食品质量安全检测中的应用研究进展,如图1所示,通过对多种食品类型,如肉制品、粮油食品、液体饮品等的检测方法进行分类讨论,揭示了不同应用场景下技术的应用。还通过对当前研究中存在的问题进行分析,提出未来技术优化和改进的方向,如建立响应速度更快的检测模型、提高模型泛化能力、模型轻量化等,对推动食品质量安全检测技术的智能化升级、保障食品供应链安全具有重要的理论价值和现实意义。
图1 NIR-AI在食品质量安全检测中的应用[6-8]
Fig.1 Near-infrared spectroscopy-artificial intelligence integration for food quality and safety assessment[6-8]
1 NIR与AI的利用
NIR作为一种现代分析手段,具有分析速度快、无损、操作简单等优点[9]。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[10]。AI能够通过整合多源异构数据,包括传感器信号、图像信息、光谱特征及文本记录等,实现对食品安全风险的实时智能识别与预测,突破在空间适应性和检测通量方面的瓶颈[11]。算法是AI技术的核心,目前AI算法种类繁多,ML和DL是两大关键领域。ML作为AI的核心技术,核心在于使计算机能够从数据中自主发现潜在的规律与模式,并利用这些规律对新的未知数据做出预测或分类[12]。应用于食品质量安全检测的传统ML方法主要包括:主成分分析法(principal component analysis, PCA)、支持向量回归(support vector regression, SVR)、支持向量机(support vector machine, SVM)、梯度提升(gradient boosting, GB)、随机森林(random forest, RF)等。DL作为ML的重要分支,其通过构建包含多个隐藏层的复杂模型,赋予系统从海量数据中自动学习并提取高层次、抽象特征表示的能力。包括卷积神经网络(convolutional neural network, CNN)、残差网络(residual network, ResNET)、长短期记忆网络(long short-term memory, LSTM)等。表1梳理了从传统ML到前沿智能方法的发展轨迹,在实际应用中可根据数据规模、任务需求等,借助迁移学习和数据增强技术,合理选择传统或DL模型[23]。图2展示了将AI技术应用于NIR光谱解析的完整流程图,系统呈现了从原始光谱获取、预处理、特征降维、模型训练、交叉验证至外部测试集泛化性能评估的全链路算法框架。总之,AI能够在光谱数据的高维、冗余、共线性及背景噪声中自动识别与样品成分相关的微弱吸收特征,算法的选择可根据具体应用需求选择,成为近几年的研究热点。
表1 AI算法演进与应用场景对照表
Table 1 Comparative overview of AI algorithm evolution and corresponding application domains in food spectroscopy
发展阶段代表性算法核心优势典型应用场景文献传统机器学习时代 (2010前)PCA、SVR、SVM可解释性强,小样本适用单一组分定量分析[13-15]集成学习时代(2010—2015)RF、GB抗噪声能力强,精度提升复杂基质分类识别[16-17]深度学习兴起 (2015—2020)CNN、LSTM、ResNet自动特征提取,端到端学习高光谱图像分析[18-20]智能融合时代 (2020至今)Transformer、GNN全局关联建模,物理可解释多模态数据融合,在线监测[21-22]
注：GNN-图神经网络。
图2 AI应用于NIR的流程图
Fig.2 Flowchart of the AI-driven NIR analytical workflow
2 NIR-AI在食品质量安全检测中的应用
食品安全关乎人们的身体健康,是公众关注的焦点。尽管传统的食品检测方法具有较高的精度和可靠性,但存在分析周期长、成本高、样品处理复杂等问题,难以满足现代食品安全快速检测的需求[24]。在此背景下,NIR-AI为食品掺假无损检测提供了创新的视角和解决方案,近年来在肉制品、粮油食品、液体饮品等基质的食品质量安全检测十分流行。
2.1 肉制品
肉制品质量安全问题日益严重,常见形式包括新鲜度低、肉制品掺假等。NIR技术利用肉制品成分在近红外区的吸收差异,通过扫描捕捉光谱变化,识别劣质肉、植物蛋白或添加剂等不合规成分,具有广阔的现场应用前景。然而,由于样品光谱受背景、光散射、噪声等因素影响,需要预处理[6]。ML算法能从NIR光谱中提取关键特征,降维并提高模型效率和准确性。因此,NIR-AI在肉制品新鲜度预测和掺假分析表现出高准确性,为快速、无损检测提供可靠方案。
监测和识别肉类的新鲜度在食品安全领域具有重要意义,传统的羊肉质量评估存在操作繁琐和包装不可逆损害等问题,JIN等[25]研究提出以PLS和SVM用于构建冷藏新鲜羊肉质量的预测模型,利用NIR和多参数融合进行气调包装羊肉质量评估的方法,结果表明,NIR光谱分析能够快速且无损地预测和评估羊肉的鲜度,包括在不同气调包装下其质地特性和挥发性盐基氮含量,为进一步开发便携式NIR仪以快速测定羊肉新鲜度提供了理论基础和技术支持。目前不少研究将NIR与其他常见肉制品掺假检测技术相结合,能够互相弥补其检测缺点,实现更高效的肉制品无损检测[7]。电子鼻是一种模仿人类嗅觉系统、用于检测和识别气体或气味“指纹”的智能传感设备,JIA等[26]提出了一种基于F1分数的模型可靠性估计(F1-score-based model reliability estimation, F1-score-MRE)数据融合算法,相比于单一的电子鼻和NIR,该算法不仅将电子鼻和NIR光谱数据转换为同一尺度,而且有效地融合了两类同源异质数据,充分利用电子鼻和NIR光谱提供的多维特征信息,提高了检测结果的准确性和鲁棒性,为检测掺假羊肉提供了更准确、更可靠的方法。高光谱成像技术整合传统光谱学和成像技术,可从相同样品中获取光谱和空间信息,同时提供可追溯的化学和物理特性,可克服肉类样品混合物的异质性,实现更准确的预测。LIU等[27]使用波长范围为900～1 700 nm的近红外高光谱成像系统收集光谱数据,采用标准正态变量变换(standard normal variate, SNV)的预处理方法结合自适应重加权抽样(competitive adaptive reweighted sampling, CARS)的特征选择方法,得到最优的优化数据,采用CNN和LSTM的DL架构检测牛肉淋巴肉掺假情况,将结果与偏最小二乘回归(partial least squares regression, PLSR)和最小二乘支持向量机(least squares support vector machine, LS-SVM)模型进行了系统比较,结果表明SNV-CARS-LSTM模型性能最优,用于牛肉掺假的定量分析,其装置如图3所示,解决了检测粉碎产品中细微的、空间异质掺假的问题,这种先使用成像技术获取图像数据,AI算法进行后处理的应用,也是AI领域中计算机视觉的典型应用。不同的频谱带用于检测肉质质量劣化的不同指标,结合不同的数据分析方法和模型。但目前大多数样品是在受控条件下人工制备的,建议应用现实市场上的样品对方法进行验证,以提高实际的鲁棒性,还应优化多样化的加工条件,开发便携式现场检测设备。
图3 高光谱系统结构示意图[27]
Fig.3 Optimized schematic diagram of the hyperspectral imaging system architecture[27]
2.2 粮油食品
粮油包括谷类和豆类等粮食作物、油料及其半成品和加工成品,是人类生活的必需品。当前,该领域存在的主要检测需求包括霉菌检测、掺假鉴别、品质指标快速评估等。在食用油方面,NIR可通过分析脂肪酸组成的光谱响应差异来实现质量检测,在谷物类食品方面,NIR则通过捕捉淀粉、纤维素等成分的特定吸收峰实现质量检测。在AI的帮助下,可以更加轻松识别频谱的细微变化,从复杂的光谱数据中提取更深层次的信息,提高分析的准确性和效率,为粮油食品质量安全检测提供了新的思路。
目前,NIR-AI在食品霉菌毒素的检测中应用广泛,技术已经相对成熟[28],然而在掺假鉴别领域中,时常面临特征提取过程中有价值的光谱数据丢失的问题,导致最终模型构建中使用的有效数据不足[29]。而PENG等[30]提出一种复合预处理方法,有效提升了信噪比与光谱分辨率,并消除了基线漂移,从而构建出更稳健的模型,随后通过交互式参数选择识别出波动显著的光谱区间,以剔除噪声及低方差区域,减少冗余信息干扰。该方法实现了特征光谱区间的筛选,使模型能快速定位有效信息。除了信息丢失的问题以外,还存在光谱设备高昂无法满足人们日常检测需求的问题。目前智能手机视频成像已成为食品检测中的一种工具,可通过智能手机获取样品的视频数据,但其只能覆盖可见光谱范围,与光谱技术相比,在反映化学成分方面存在局限性,DENG等[8]提出了一种融合NIR与智能手机视觉信息的快速检测方法。如图4所示,其利用NIR与CNN构建DL判别模型,并后续通过手机采集样品的图像与视频,提取其颜色向量与空间视觉信息,分别建立DL识别模型,并进一步将光谱数据与视觉信息进行多模态融合,以弥补单一数据源的局限性,最终构建多模态DL模型,综合提升掺假山茶油的鉴别性能,为该类物质的真伪鉴定提供新思路。目前,在粮油检测中对引起光谱变化的化学成分差异尚缺乏深入探究,这使得掺伪检测的机理仍不清晰。此外,现有研究多局限于二元或三元掺伪样本,而实际食用油种类繁多,掺伪形式更为复杂多样,检测难度和挑战性显著增加。同时,准确建模NIR光谱特征与异质生物样品如玉米生化性状之间的非线性关系仍是一个重大挑战,Transformer架构最初为自然语言处理开发,在捕捉复杂依赖关系和远程交互方面非常有效,适合处理NIR数据的高维、非顺序数据。LI等[31]研究采用Transformer模型作为回归预测任务的强基线,先将谱输入特征投影到统一的嵌入空间中,随后通过多个Transformer编码层捕捉全局特征交互。最后一个回归点将编码表示映射到目标质量指标,如水分、油脂、蛋白质和淀粉含量,结果优于其他所有参与实验的模型,该模型的准确性和可解释性使玉米批次的质量筛选更可靠、迅速且具有成本效益,为谷物贸易、饲料配方和食品加工提供更好的决策。Transformer作为一种先进技术,目前在预测作物关键品质方面仍未被充分探索,SINGH等[32]首次将其用于农产品营养分析,对扁豆的NIR进行蛋白质预测,实现了最高的预测准确率,在残差预测偏差方面比CNN高出22.86%,改进的偏最小二乘法高出32.21%,可见Transformer模型结合NIRS进行营养分析的潜力,可有效应用于其他作物,快速筛选全球大型种质资源。
图4 基于近红外的一维CNN模型结构示意图[30]
Fig.4 Schematic illustration of a one-dimensional CNN architecture designed for near-infrared spectral data analysis[30]
2.3 液体饮品
液体饮品如牛奶、果汁、蜂蜜、茶、酒等,因具有较好的食用风味和较高的营养价值,深受广大消费者的喜爱,而饮品质量安全出现问题会影响消费者的健康,制约饮品行业健康发展。因此,实现快速、无损地检测,成为饮品行业研究领域的热点。NIR光谱可提供饮品中存在的化学键密切相关的样品特性信息,但分析人员通常只关注识别少数目标信号来区分样本,处理起来十分复杂,可通过AI算法来处理数据,避免了目标化合物的个体识别,能够自动化过程、减少时间并消除主观性。
当近红外光照射牛奶样品时,特定频率的光与牛奶中的化学基团共振,导致这些基团吸收特定波长的光,通过分析这些吸收光谱,可以推断出牛奶中水、脂肪和蛋白质的含量和存在,也便于区分掺假和预测水分含量。ML则能够自动识别样品之间的细微差异,并提供更精确的分类和预测能力。有研究通过对比便携式NIR仪结合不同ML算法检测牛奶中水掺假的准确性,得到最优模型,即软独立建类类比建模,达到100%的准确率,同时,该实验构建的分类模型和预处理模型可以直接集成到便携式探测器中,拓展了便携式近红外技术在单掺杂物检测中的应用,验证了小型、轻便、低成本的便携式近红外设备在含水量波动≤1%的掺假场景下的可靠性[33]。同样,NIR结合多元分类方法在检测牛奶中的细菌污染以及兽药农残等方面的能力也得到肯定,对确保最终产品的安全性和质量至关重要[34-35]。但当样品形态由“均一液体”转为“非均一粉末冲饮”时,散射干扰成为限制判别准确率的新瓶颈,例如茶叶样品中沙粒的存在会改变混合物的散射特性并改变反射率大小,使得光谱差异大。如图5所示,STEIDLE NETO等[36]通过NIR光谱探究流行草本茶中不同沙粒掺杂比例对光谱反射率的影响,然后使用偏最小二乘法判别分析(partial least squares discrimination analysis, PLS-DA)模型检测和量化草本茶中沙子掺假的最佳光谱预处理,结果表明不同茶种对应的最优预处理方式存在显著差异,提出未来的研究可以探索其他用于鉴定粉状草本茶方法的准确性和精密度,以及评估PLS-DA建模的效率,并确定最适合不同茶叶类型和掺假物的预处理。综上所述,NIR在饮品质量安全检测领域具有不可替代的重要优势,但NIR光谱在液体基质检测中存在检测灵敏度不足、建模过程复杂且困难、模型泛化能力不足以及样品物理性质影响显著等问题,未来仍需不断探索解决方案,克服NIR在液体饮品中的局限性。
图5 不同沙粒掺杂比例对茶叶光谱反射率的影响[36]
Fig.5 Effect of sand adulteration ratio on the spectral reflectance of tea leaves[36]
2.4 其他
除了在肉制品、粮油食品、液体饮品等方面有应用,在调味品、香辛料、中药材等方面也有应用。醋具有调味增鲜、促进消化、抑菌防腐、降低血糖等多重健康功效,ZHANG等[37]使用了NIR和PLSR相结合构建了关键化学成分的检测模型,用计算机视觉和电子鼻来获取熏制谷物样品的外观和气味特征,与支持向量机分类算法的融合实现了对不同熏蒸阶段的100%准确识别,有益于生产过程中醋的质量检测和评估,在相关产业的发展中发挥重要作用。香辛料是日常烹饪中不可或缺的植物化学物质来源,其丰富的生物活性成分有益健康,同时赋予食物风味、香气、色泽与卓越感官品质。例如KU等[38]评估了NIR、传统ML算法和基于DL的CNN在检测肉桂粉掺假中的有效性,相比之下,传统ML方法的准确度更高,但DL方法降低了设计复杂度,对于新的样本类型,NIR-DL只需重新训练模型,无需重新建模。这项研究不仅展示了NIR结合传统ML方法的卓越准确性,还强调了DL技术在肉桂粉掺假检测中的有效应用。中药材不仅可以为人类提供营养,还具备显著的保健与疾病预防功效,在养生保健领域具有重要意义。如图6所示,CHEN等[39]提出了基于DL网络的激光诱导击穿光谱学(laser-induced breakdown spectroscopy, LIBS)与可见光及近红外光谱(visible and near-infrared spectroscopy, VNIR)融合技术,结合了包含元素信息的LIBS与包含分子信息的VNIR,对黄精中不同源样本测试,结果表明模型能够有效整合元素信息和分子信息,识别不同地理来源的黄精。随着ML算法的持续优化、在线检测技术的不断进步以及成像技术等多项技术的持续发展,NIR-AI逐渐成为食品质量安全检测的关键技术,涉及范围越来越广,为食品质量监管提供了强有力的技术支持。
图6 基于DL网络的激光诱导击穿光谱学与可见光及近红外光谱融合技术应用于黄精掺假检测[39]
Fig.6 DL-enabled fusion of laser-induced breakdown spectroscopy with visible and near-infrared spectroscopy for adulteration detection in Polygonatum sibiricum[39]
2.5 NIR-AI在食品质量安全检测中的优势
近年来,随着人们对生活要求的不断提高,食品质量安全检测技术越来越被重视。化学分析方法能够较为准确地检测出食品中特定成分的含量变化,但通常需要对样品进行破坏性处理,不仅增加了检测成本和时间,还可能导致样品的污染和信息丢失[40]。随着科技的发展,光谱分析方法逐渐崭露头角,具有操作简便、检测速度快、可同时检测多种成分、环保等优点,能够弥补化学分析方法在效率方面的不足[41]。紫外-可见光谱虽然对某些特定成分的检测灵敏度较高,但其检测范围相对较窄,对复杂食品体系的全面分析能力不足[42]。傅里叶变换红外光谱虽然能够提供丰富的分子结构信息,但其对样品的制备要求较高,且检测速度相对较慢[43]。NIR具有快速、无损的特点,但单一NIR在复杂样品体系中,对于微弱信号的识别和复杂成分的定量分析能力有限。而NIR-AI不仅能够快速获取样品的光谱信息,还能通过ML算法对光谱数据进行高效处理,实现对多种成分的同时检测和定量分析。尽管市场上已经出现了多种替代检测技术,例如电子鼻技术和生物传感器技术等,但这些技术的检测效能并不一定普遍优于光谱分析方法,光谱分析方法在特定应用场景下可能仍然是首选或必要的检测手段。为更直观地比较其他检测方法与NIR-AI的检测效能,表2列举了近几年NIR-AI在食品质量安全检测领域的典型案例,并将其他方法检测食品质量安全的准确度与NIR-AI检测的准确度做比较,可以明显看出,NIR-AI相较于化学分析方法、单一的NIR光谱技术、其他光谱技术以及其他检测手段,其综合性能显著提升,在食品质量安全检测中具备显著优势。
表2 NIR-AI在食品质量安全检测中的应用
Table 2 NIR-AI integration for food quality and safety assessment
类别基质检测物质算法准确率传统方法参考文献肉制品羊肉挥发性碱性氮PLS、SVM94%～95.00%86.67%[25,44]羊肉鸭肉F1-score-MRE98.59%90.63%[26,45]牛肉淋巴肉PLSR、CNN、LSTM、LS-SVM99.25%94.00%[27,46]粮油食品小麦、花生玉米烯酮、黄曲霉毒素迁移学习93.56%～94.19%77.50%[28,47]山茶花油大豆油、玉米油、菜籽油PLSR、SVR、DT99.77%～99.88%90.00%[29,48]花生油菜籽油、大豆油、棕榈油FA、PLS92.00%、89.00%79.20%[30,49]山茶油菜籽油CNN、ResNet1096.30%72.00%[8,50]豆类蛋白质含量Transformer 97.70%81.00%[32,51]
续表2
类别基质检测物质算法准确率传统方法参考文献液体饮品牛奶细菌SNV、PCA、PLS-DA100%72.50%[34,52]牛奶尿素PLS-DA100%91.00%[35,53]茴香、波尔多树、甘菊、柠檬草沙子PLS-DA91.68%～96.33%77.78% [36,54]其他肉桂粉核桃粉、榛子粉PCA、PLSR、CNN、Shuffle-NetV299.00%86.00%[38,55]黄精不同地理的黄精LVDLNet98.75%86.87%[39,56]
注：DT-决策树;FA-因子分析;LVDLNet-基于深度学习网络的LIBS-VNIR融合方法。
3 结论
近年来,AI的进步推动了科学和工业领域的变革,在医疗[57]、商业[58]、太空[59]等领域有广泛应用。其作为一种辅助手段与NIR相结合,为精准食品质量安全检测提供了新思路。本文介绍了NIR-AI的作用机制,综述了NIR-AI在食品掺假检测中的应用。尽管NIR-AI在食品掺假领域中表现出巨大的潜力,但仍然可以从以下几方面做出努力:1)在实际样品检测中,掺假成分通常浓度低,难以识别,且食品的复杂性和天然异质性导致传统检测模型不稳定。需要不断优化信号分辨、样本归类和判别策略,以建立更健壮、响应快速的检测模型。2)ML模型的准确性在很大程度上取决于用于训练的数据的质量,但样品制备、仪器可变性和环境条件可能会导致模型泛化,可以通过收集大型数据集来解决。3)大多数研究结果是在受控的实验室条件下获得的,不满足现实便携式检测的需求,应研制便携式光谱仪以满足各种情况下的测量分析,提升光谱仪精度和分辨率以提升检测准确度。
[1] RAMOS-ESCUDERO F, MORALES M T, RAMOS ESCUDERO M, et al.Assessment of phenolic and volatile compounds of commercial Sacha inchi oils and sensory evaluation[J].Food Research International, 2021, 140:110022.
[2] PRAKASH C, MAHAR R.Chemical profiling and quality assessment of food products employing magnetic resonance technologies[J].Foods, 2025, 14(14):2417.
[3] MOON B C, KIM W J, PARK I, et al.Establishment of a PCR assay for the detection and discrimination of authentic Cordyceps and adulterant species in food and herbal medicines[J].Molecules, 2018, 23(8):1932.
[4] 李欢, 费湘伟, 董荣建.食品快速检测技术与人工智能在食品安全领域的协同应用[J].食品安全质量检测学报, 2025, 16(22):246-253.LI H, FEI X W, DONG R J.Collaborative application of rapid food detection technology and artificial intelligence in the field of food safety[J].Journal of Food Safety &Quality, 2025, 16(22):246-253.
[5] DING HH, XIE Z Q, YU W, et al.Artificial intelligence enhances food testing process:A comprehensive review[J].Food Bioscience, 2025, 68:106404.
[6] YU Y, CHAI Y H, YAN Y J, et al.Near-infrared spectroscopy combined with support vector machine for the identification of Tartary buckwheat (Fagopyrum tataricum (L.) Gaertn) adulteration using wavelength selection algorithms[J].Food Chemistry, 2025, 463:141548.
[7] IQBAL Z, AFSETH N K, POSTELMANS A, et al.Detection and quantification of pork adulteration in beef meatballs with Raman spectroscopy and near infrared spectroscopy[J].Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2025, 337:126069.
[8] DENG Z W, ZHENG Y, LAN T, et al.Detection of Camellia oil adulteration based on near-infrared spectroscopy and smartphone combined with deep learning and multimodal fusion[J].Food Chemistry, 2025, 472:142930.
[9] VERA W, SALVADOR-REYES R, QUISPE-SANTIVA
EZ G, et al.Detection of adulterants in powdered foods using near-infrared spectroscopy and chemometrics:Recent advances, challenges, and future perspectives[J].Foods, 2025, 14(18):3195.
[10] 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;32.DING H H, XIE Z Q, SHEN S, 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;32.
[11] BALAKRISHNAN P, ANNY LEEMA A, JOTHIARUNA N, et al.Artificial intelligence for food safety:From predictive models to real-world safeguards[J].Trends in Food Science &Technology, 2025, 163:105153.
[12] 蔡尉彤, 冯涛, 宋诗清, 等.机器学习在预测食品风味中的研究进展[J].食品科学, 2024, 45(12):11-21.CAI W T, FENG T, SONG S Q, et al.Research progress on the application of machine learning in predicting food flavor[J].Food Science, 2024, 45(12):11-21.
[13] SCHUMER N G, AHMED M W, RAUSCH K, et al.Chemometric-based approach for economically motivated fraud detection in organic spices via NIR spectroscopy[J].Journal of Food Composition and Analysis, 2025, 142:107538.
[14] YU Y, CHAI Y H, YAN Y J, et al.Quantitative analysis of adulterated crop flours in Tartary buckwheat (Fagopyrum tataricum (L.) Gaertn) using near infrared spectrometry combined with back-propagation neural network algorithm[J].Journal of Future Foods, 2026, 6(5):818-830.
[15] BUOIO E, COLOMBO V, IGHINA E, et al.Rapid classification of milk using a cost-effective near infrared spectroscopy device and variable cluster-support vector machine (VC-SVM) hybrid models[J].Foods, 2024, 13(20):3279.
[16] EHSANI S, YAZDANPANAH H, PARASTAR H.An innovative screening approach for orange juice authentication using dual portable/handheld NIR spectrometers and chemometrics[J].Microchemical Journal, 2023, 194:109304.
[17] DE SANTANA F B, BORGES NETO W, POPPI R J.Random forest as one-class classifier and infrared spectroscopy for food adulteration detection[J].Food Chemistry, 2019, 293:323-332.
[18] LIU Y S, ZHOU S B, HAN W, et al.Detection of adulteration in infant formula based on ensemble convolutional neural network and near-infrared spectroscopy[J].Foods, 2021, 10(4):785.
[19] PÉREZ-CALABUIG A M, PRADANA-L
PEZ 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.
[20] ZHU J W, DENG J H, MENG F Z, et al.Identification of petroleum derivatives in olive oil by near infrared spectroscopy combined with convolutional neural network and long short-term memory interpretative analysis[J].Microchemical Journal, 2025, 209:112874.
[21] XIONG S F, TIAN W J, WANG B K, et al.Enhancing food safety review classification with large language models and label embedding[J].Expert Systems with Applications, 2025, 283:127550.
[22] TANG Y, HAN Y, ZHOU W H.Towards accurate food safety risks prediction via context-enhanced heterogeneous GNN[J].Applied Food Research, 2025, 5(1):100924.
[23] 张付杰, 曾庆宇,孔丹丹, 等.基于近红外光谱技术结合机器学习的咖啡粉掺假检测分析[J].食品科学, 2026,47(1):309-316.ZHANG F J, ZENG Q Y, KONG D D, et al.Coffee powder adulteration detection based on near-infrared spectroscopy combined with machine learning[J].Food Science, 2026,47(1):309-316.
[24] HE Y, BAI X L, XIAO Q L, et al.Detection of adulteration in food based on nondestructive analysis techniques:A review[J].Critical Reviews in Food Science and Nutrition, 2021, 61(14):2351-2371.
[25] JIN P L, FU Y F, NIU R Z, et al.Non-destructive detection of the freshness of air-modified mutton based on near-infrared spectroscopy[J].Foods, 2023, 12(14):2756.
[26] JIA W S, QIN Y D, ZHAO C T.Rapid detection of adulterated lamb meat using near infrared and electronic nose:A F1-score-MRE data fusion approach[J].Food Chemistry, 2024, 439:138123.
[27] LIU T, ZHANG W J, XU H L, et al.Non-destructive quantitative detection of lymphatic meat adulterated in beef by hyperspectral imaging combined with interpretable deep learning[J].Food Control, 2026, 181:111742.
[28] DENG J H, MEI C L, JIANG H.Enhancing the application of near-infrared spectroscopy in grain mycotoxin detection:An exploration of a transfer learning approach across contaminants and grains[J].Food Chemistry, 2025, 480:143854.
[29] WANG R N, FANG Y, LUO W F, et al.Quantitative analysis of camellia oil binary adulteration using near infrared spectroscopy combined with chemometrics[J].Microchemical Journal, 2025, 217:115018.
[30] PENG Q, FENG X X, CHEN J L, et al.Rapid identification of peanut oil adulteration by near infrared spectroscopy and chemometrics[J].Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2024, 321:124690.
[31] LI J L, WANG H Y, ZHANG H B, et al.Multi-path attention fusion transformer for spectral learning in corn quality assessment[J].Foods, 2025, 14(21):3786.
[32] SINGH N, KAUR S, MITHRAA T, et al.ProTformer:Transformer-based model for superior prediction of protein content in lablab bean (Lablab purpureus L.) using near-infrared reflectance spectroscopy[J].Food Research International, 2024, 197:115161.
[33] LIANG Q, XIA Y F, CHE J K, et al.Detection of water adulteration levels in milk using near-infrared spectroscopy combined with chemometrics[J].Journal of Dairy Science, 2025, 108(7):6852-6866.
[34] ALLENDE-PRIETO C, FERN
NDEZ L, AG
N S, et al.Near infrared spectroscopy for bacterial detection in the dairy industry[J].IEEE Sensors Journal, 2023, 23(21):26107-26113.
[35] LI T T, LI N, WANG R F, et al.Graduate Student Literature Review:A review on near-infrared spectroscopy for rapid detection of hazardous substances in milk and dairy products[J].Journal of Dairy Science, 2026, 109(1):49-67.
[36] STEIDLE NETO A J, DE CARVALHO LOPES D.Chemometrics coupled with near infrared spectroscopy for detecting adulteration levels in herbal teas[J].Journal of Food Composition and Analysis, 2024, 135:106637.
[37] ZHANG X R, HUANG X Y, TIAN X Y, et al.Non-destructive quality monitoring of Shanxi vinegar production during the fumigation stage using computer vision, electronic nose and near-infrared spectroscopy assisted by machine learning[J].Journal of Food Composition and Analysis, 2025, 146:107908.
[38] KU H H, LIAO Y C, CHI C H.Advanced AI-driven detection of cinnamon powder adulteration using near-infrared spectroscopy and deep learning image recognition technique[J].Journal of Agriculture and Food Research, 2025, 22:102119.
[39] CHEN F, ZHANG M S, HUANG W H, et al.Laser-induced breakdown spectroscopy-visible and near-infrared spectroscopy fusion based on deep learning network for identification of adulterated polygonati rhizoma[J].Foods, 2024, 13(14):2306.
[40] ARROYO-MANZANARES N, GARC
A-NICOLS M, CASTELL A, et al.Untargeted headspace gas chromatography-ion mobility spectrometry analysis for detection of adulterated honey[J].Talanta, 2019, 205:120123.
[41] SHI S J, ZHANG K D, TIAN N N, et al.Spectroscopic techniques combined with chemometrics for rapid detection of food adulteration:Applications, perspectives, and challenges[J].Food Research International, 2025, 211:116459.
[42] DIMAKOPOULOU-PAPAZOGLOU D, PLOSKAS N, SERRANO S, et al.Application of UV-Vis spectroscopy for the detection of adulteration in Mediterranean honeys[J].European Food Research and Technology, 2023, 249(12):3043-3053.
[43] CENGIZ M F, DURAK M Z.Rapid detection of sucrose adulteration in honey using Fourier transform infrared spectroscopy[J].Spectroscopy Letters, 2019, 52(5):267-273.
[44] ZOU W L, PENG Y K, YANG D Y, et al.An intelligent detector for sensing pork freshness in situ based on a multispectral technique[J].Biosensors, 2022, 12(11):998.
[45] JIANG H Z, CHENG F N, SHI M H.Rapid identification and visualization of jowl meat adulteration in pork using hyperspectral imaging[J].Foods, 2020, 9(2):154.
[46] WANG H, CHEN C, ZHANG Y, et al.Quantification of adulterated fox-derived components in meat products by drop digital polymerase chain reaction[J].CyTA-Journal of Food, 2024, 22(1):2353871.
[47] ONO E Y S, DA SILVA M, RIBEIRO R M R, et al.Comparison of thin-layer chromatography, spectrofluorimetry and bright greenish-yellow fluorescence test for aflatoxin detection in corn[J].Brazilian Archives of Biology and Technology, 2010, 53(3):687-692.
[48] SHI T, WU G C, JIN Q Z, et al.Camellia oil adulteration detection using fatty acid ratios and tocopherol compositions with chemometrics[J].Food Control, 2022, 133:108565.
[49] ZHU W R, WANG X, CHEN L H.Rapid detection of peanut oil adulteration using low-field nuclear magnetic resonance and chemometrics[J].Food Chemistry, 2017, 216:268-274.
[50] RASHVAND M, OMID M, MOBLI H, et al.Adulteration detection in olive oil using dielectric technique and data mining[J].Sensing and Bio-Sensing Research, 2016, 11:33-36.
[51] ZHANG J, SONG X Y, JING X, et al.Remote sensing monitoring of rice grain protein content based on a multidimensional euclidean distance method[J].Remote Sensing, 2022, 14(16):3989.
[52] KIM D H, CHON J W, KIM H, et al.Comparison of culture, conventional and real-time PCR methods for Listeria monocytogenes in foods[J].Korean Journal for Food Science of Animal Resources, 2014, 34(5):665-673.
[53] GUINATI B G S, SOUSA L R, OLIVEIRA K A, et al.Simultaneous analysis of multiple adulterants in milk using microfluidic paper-based analytical devices[J].Analytical Methods, 2021, 13(44):5383-5390.
[54] PONS J, BEDMAR 
, NEZ N, et al.Tea and chicory extract characterization, classification and authentication by non-targeted HPLC-UV-FLD fingerprinting and chemometrics[J].Foods, 2021, 10(12):2935.
[55] 刘亚雄, 刘丛丛, 庄玥, 等.基于电子鼻技术对中药渣掺伪调味料的快速检测[J].中国调味品, 2018, 43(2):152-155.LIU Y X, LIU C C, ZHUANG Y, et al.Rapid detection of traditional Chinese medicine residues adulteration seasoning based on electronic nose technology[J].China Condiment, 2018, 43(2):152-155.
[56] HEIDARBEIGI K, MOHTASEBI S S, FOROUGHIRAD A, et al.Detection of adulteration in saffron samples using electronic nose[J].International Journal of Food Properties, 2015, 18(7):1391-1401.
[57] ELSHOEIBI A M, FERIH K, ELSABAGH A A, et al.Applications of artificial intelligence in thrombocytopenia[J].Diagnostics, 2023, 13(6):1060.
[58] LOUREIRO S M C, GUERREIRO J, TUSSYADIAH I.Artificial intelligence in business:State of the art and future research agenda[J].Journal of Business Research, 2021, 129:911-926.
[59] REBELO L, BASCIANI F, PELLICCIONE P.Applications of AI in space domain[J].2025, 58(1):1-38.