肉类食品是膳食营养的重要组成部分,其质量安全直接关系到人们的健康。对于肉类食品的质量控制与监测技术,传统检测方法中的化学检测法和微生物检测法,存在操作繁琐、耗时低效、灵敏度低等问题[1]。现代检测方法(光谱、色谱、质谱、电子鼻等)在对食品进行检测过程中会产生大量复杂数据[2],并且分析难度大。数字化背景下,在冗余的数据中提取出质量相关性特征信息,快速准确地对样品数据进行分析,对肉类食品的质量控制与监测具有重要意义。
近年来,机器学习作为一项新兴技术,通过数据驱动的监管模式和智能化监控手段,能够更加全面、及时地识别食品生产与流通过程中的潜在安全隐患[3]。如利用机器学习能够处理生产过程中的传热与传质的复杂非线性物理数据[4],进行有效的聚类与特征提取[5],从而建立生产数据与预期结果之间的关系。因此,机器学习可以与食品生产加工过程紧密结合,通过数字化手段更加精准、有效地控制各个安全质量管理环节,满足肉类食品标准化、工程化与智能化的需求。同时,机器学习也为探索肉制品的风味形成机制、品质衰退及其调控机制提供了新的视角。
本文从肉类食品的物质含量变化、掺假成分识别、微生物污染检测、物理特性预测等方面,总结阐述了机器学习在肉类食品质量控制和监测的典型应用、应用趋势和面临的挑战,旨在为肉类食品质量控制和监测中模型算法选择和预测系统设计提供理论参考。
1 机器学习的特征与应用
机器学习是人工智能技术中基于数据进行运算分析的一种技术,将计算机作为工具从数据中学习规律和模式,从而实现新数据结果的预测和分类。机器学习综合了统计学、概率论、逼近论和算法复杂度分析等[6],能够在复杂、高维度、多变的数据中提炼出主要的特征数据和内在规律,对期望结果作出反馈[7]。机器学习无需人为编写规则和指令,而是通过输入数据信息进行模型建立和训练,对算法参数进行优化,从而实现自我学习并提高预测精度[8]。
机器学习处理的数据类型涵盖表格数据、图像数据、文本数据及时间序列数据,模型训练通常以表格数据的行-列结构为主,行表征样本,列映射特征。在食品无损检测领域,输入数据源包括计算机视觉系统采集的RGB(红绿蓝)图像、各项光谱技术获取的光谱数据[9],以及电子鼻与声学分析系统捕获的电信号序列[10-11]。此类多源异构数据经矩阵化或向量化处理后,可构建数字模型以实现食品质量与安全的智能监测[12]。为提升模型训练效率与检测精度,研究者开发了多模态食品数据库,作为机器学习进行食品质量控制与监测的参照标准。例如食物图像数据集(Food-101、UECF00d-100、Food-524)、高光谱数据集(Hyperion、Landsat-8和Sentinel 2)[13]、食品风味数据库(FlavorDB、FooDB、BitterDB、VirtualTaste)[14-16]。
机器学习的食品质量控制与监测是一个无监督学习与监督学习并行的过程,如图1所示。通过多源传感技术或数据库获取物性特征数据集后,首先利用无监督学习对高维度数据进行降维与聚类分析,提取关键特征并关联化学指标,进而基于监督学习模型构建特征与质量的映射关系,最终实现食品质量的智能化监测与控制。
图1 机器学习的食品质量控制与监测过程示意图
Fig.1 Food quality control and monitoring process schematic diagram of the machine learning
无监督学习在训练过程是对重复采样的参数值进行随机梯度下降[17],也就是说其训练的数据是不进行标记的[18]。聚类是将一个数据集中的数据分为多个组别,最终实现组内数据相似度高,组间相似度低的结果[19]。其工作方式主要包括分层聚类、分区聚类(K均值)、图论聚类和网格聚类[20]。降维则通过保留高区分度特征并剔除冗余变量,降低数据维度及计算复杂度,提升模型解析能力[21]。由于无监督学习的训练数据不需要标记,仅仅是通过算法进行输出,所以方法简单、自动化程度高,适合处理数据量繁多的样本。然而,无监督学习因为没有标签数据,所处理的数据又是非线性的,所以模型权重需依赖人工调参以实现优化[22]。
监督学习是通过标记数据集来构建输入值和输出值的映射关系[23],其核心特征在于每个训练样本均具有明确的标签标识[24]。通过分类(离散标签预测)与回归(连续值拟合)任务模式来训练模型[25],相较于无监督学习性能更好[26],可以更精确地预测输出值,更容易理解和解释输出结果。
在食品质量检测领域,2类学习模式均展现出显著应用价值。针对转基因食品安全争议,PAN等[27]采用无监督学习中的主成分分析法(principal components analysis,PCA)对太赫兹时域光谱降维,筛选前三主成分作为均值漂移算法的输入,最终实现转基因样本的精准识别(K均值分类准确率98.75%)。KIM等[28]基于监督学习框架构建YOLOv4网络模型,利用X射线图像数据集实时检测包装食品异物,对意面、零食等4类产品的正常/缺陷样本分类准确率达94%以上。因此,监督与无监督学习模型能够分别从标记与无标记数据中提取关键质量信息,为食品检测技术的智能化升级提供方法论基础。
2 机器学习在肉类食品质量控制与监测的典型应用
机器学习具有自我学习、自适应性、强容错性、高鲁棒性等特征,并且可以将复杂和动态的非线性结构映射出来,因此被广泛应用于数据降维、特征提取、模型校准等任务[29-30],这些是肉类食品质量检测中数据分析的必要条件。针对食品热加工(蒸煮、油炸等)与脱水工艺(干燥、烘烤)中多种物理加工环境融合的非线性动力学难题,传统模型预测效果较差。基于机器学习的数据驱动模型可通过挖掘工艺参数(温度、湿度、时间)与品质指标(水分分布、质构特性)间的隐式关系,进而实现工艺优化与质量控制[31]。例如,HERN
NDEZ-PÉREZ等[32]使用基于机器学习的人工神经网络(artificial neural network,ANN)传热传质预测模型,实现了快速高效计算和预测食品干燥过程中的干燥速率和水分分布。
机器学习不同类型的算法模型有效应用于肉类食品的质量检测中的不同场景,如图2所示。
图2 机器学习在肉类食品质量控制与监测的应用示意图
Fig.2 meat products quality control and monitoring application schematic diagram of machine learning
注:PLSR-偏最小二乘回归;SVM-支持向量机;LS-SVM-最小二乘支持向量机。
机器学习中的分类模型主要针对肉类食品成分掺假识别,包括支持向量机(support vector machines,SVM)、K近邻算法(K-nearest neighbors,KNN)、决策树(decision tree,DT)、随机森林(random forest,RF)、ANN等。回归模型主要针对肉类食品的物质含量变化、物理特性预测,包括线性回归、岭回归、套索回归[33]、偏最小二乘回归法(partial least squares regression,PLSR)、支持向量机回归(support vector regression,SVR)、ANN等。肉类食品质量控制与监测中常用数字模型特征与应用如表1所示。
表1 肉类食品中常用数字模型特征与应用比较
Table 1 Characteristics and applications comparison of commonly used digital models in meat products
模型名称任务类型工作方式优点缺点应用(识别或预测)参考文献支持向量机(SVM)分类和回归寻找一个决策边界或超平面,使两样本间的间隔最大化数据变化不会对其造成影响,并且能有效地概括数据,可以通过核函数处理非线性问题在较大的数据集、重叠的目标类或每个数据点的特征数超过数据样本数时表现不佳病死猪肉掺假牛肉气味分析香肠脂质氧化[34][35][36]随机森林(RF)分类由众多独立的决策树组成,通过汇总所有决策树的预测结果来完成最终预测准确性高,可以有效处理大量数据和特征,包括数值型和类别型数据,模型范化能力强模型复杂程度高,预测过程慢,对数据中的小变化敏感,可能导致树结构显著变化易受噪声数据干扰熟牛肉新鲜度牛肉挥发性盐基氮含量[37-38][39]神经网络(ANN)分类和回归神经元通过学习和训练来从输入数据中提取特征数据进行分析,用于分类和回归等任务可以自动提取有用特征,具有强大的非线性拟合能力,能适应不同任务和环境训练过程复杂且需要大量的数据,对结果解释性差冷冻鸡肉掺假患病生鸡辨别冷冻猪肉氧化程度猪肉食用品质[40][41][42][43]
续表1
模型名称任务类型工作方式优点缺点应用(识别或预测)参考文献偏最小二乘回归法(PLSR)回归需求2个矩阵(X和Y)的基本关系,在这2个向量空间中对协方差结构建模训练的样本需求较少,能够处理多构面的复杂结构模型对异常值敏感,1个异常值会给予较大权重。对数据分布要求高,容易产生偏差火腿中盐含量香肠脂肪、水、蛋白质含量猪肉三磷酸腺苷化合物含量羊肉丸香气分析[44][45][46][47]
2.1 物质含量变化
水分、蛋白质、脂肪等物质含量的变化直接影响肉类食品的口感风味和食用安全。近红外光谱(near infrared spectrum,NIR)耦合PLSR建模的方法是进行物质含量快速检测的有效手段,并且对肉类食品具有广泛适应性。如禹文杰等[48]实现了牛肉水分含量的预测(R2=0.85);FOWLER等[49]实现了羊肉脂肪含量的预测(R2=0.65);陶琳丽等[50]实现了鸡肉赖氨酸含量的预测(R2=0.88);张凡等[51]实现了猪肉挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量预测(R2=0.967 7);CAMPOS等[44,52]实现了火腿中钠盐含量的预测(R2=0.91、0.92)。MADURO DIAS等[53]实现了牛肉水分、脂肪、蛋白含量的预测(R2=0.72、0.89、0.93)。
复杂多样的肉类食品和加工环境使光谱技术采集到的图谱信息更加杂乱无序。为提高PLSR模型预测的准确性,可利用其他算法对其性能进行改进和扩展。多元线性回归(multiple linear regression,MLR)对PLSR进行优化后可构建出改良偏最小二乘法(modified partial least squares,MPLS),可在原有基础上实现运算数据和残余变量的聚类处理,达到二次优化效果[54]。从而提升PLSR在复杂条件下对物质含量变化的预测能力。GAITN-JURADO等[45]使用MPLS更高效预测了干腌香肠中水分、脂肪、蛋白质含量(R2=0.93、0.98、0.97)。梁静等[55]采用NIR结合化学分析法,通过MPLS有效预测了羊肉蛋白质、脂肪和脂肪酸含量(R2均大于0.9)。SERVA等[56]将NIR与MPLS模型相融合,成功预测了鸡胸肉蛋白含量(R2=0.98)。LIU等[57]结合高光谱成像(hyperspectral image,HSI)与MPLS对猪肉腌制过程中的盐含量进行了预测(R2=0.93)。
2.2 掺假成分识别
食品掺假一直是备受关注的食品安全问题[58]。肉类食品掺假行为主要包括使用低质量原料(鸭肉、猪肉)替代高质量原料(牛肉、羊肉),变质或病变的同源掺假,在食品中添加不合规成分等[59]。
在非同源原料肉掺假检测中,JIANG等[60]采用HSI收集了纯羊肉、纯猪肉、纯鸭肉3种肉类的生熟样品,通过PCA筛选显著的特征光谱,最后运用偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)对不同掺假样品进行分类,分类准确率为100%。ROPODI等[61]同样构建PLS-DA模型,对不同比例猪肉掺假牛肉进行辨别区分,分类正确率高达98.48%。有学者将NIR-HSI与PLSR相结合,成功完成了不同含量的马肉掺假牛肉和猪肉掺假羊肉的多变量检测分析(R2=0.98和0.99)[62-63]。
对于同源掺假的检测,MORSY等[64]将NIR与PLSR相结合,成功分析和辨别了牛脂肪边角料和内脏掺假牛肉馅(R2=0.94和0.95)。针对冻肉掺假鲜肉行为,白天等[65]构建基于NIR的数字分析模型子空间判别和线性判别,对新鲜和不同解冻次数的猪肉糜辨别分析(96.2%、94.3%)。PARASTAR等[40]利用NIR辨别新鲜和解冻鸡肉,子空间判别、PLSR、ANN、SVM等4个模型的辨别准确性均大于95%。为准确对病变肉掺假进行辨别,戴小也等[34]通过NIR结合SVM对病死猪肉掺假新鲜猪肉进行辨别,准确性达94.5%。PARK等[41]通过多光谱成像系统分别采集生鸡(患败血症鸡和正常鸡)的图像,根据纹理特征和光谱信息用ANN进行分类,患病生鸡识别成功率高达96%。
由于掺假行为多样,检测难度大,上述研究在进行机器学习模型训练时作为输入数据的光谱样本量就会较多(样本量180～300),同时模型的准确性也会因此得到提升。
2.3 微生物污染检测
肉类食品的微生物检测是质量品质保障的主要方式之一,PLSR被广泛应用于致病菌和菌落总数(total viable count,TVC)的快速检测。FENG等[66]利用HSI测定鸡肉不同腐败程度,构建PLSR预测大肠杆菌数量(R2=0.89)。FENG等[67]改用遗传算法优化光谱信息,PLSR性能得到提升,实现假单胞菌数量预测(R2=0.91)。ZHENG等[68]基于PLSR和SVR,将NIR-HSI图谱信息与TVC相结合,经二阶导数优化后的SVR模型预测效果更好(R2=0.94)。YANG等[69]采用类似研究方法,构建MPLS完成了五香牛肉TVC的预测(R2=0.934)。ACHATA等[70]利用HSI,通过PLSR实现了牛肉4、10 ℃下TVC含量预测(R2=0.96和0.94)。PANAGOU等[71]基于PLSR和ANN,将傅里叶变换红外光谱信息与TVC相结合,对牛肉不同贮藏条件下的腐败程度进行分类识别,2种模型识别效果均较好,准确性高达94%以上。
2.4 物理特性预测
传统的肉类食品物理特性主要是通过感官评价、质构分析等方法进行检测,结果片面且存在较大误差。机器学习融合光谱技术可以更准确高效地判定肉类食品的色泽、嫩度、剪切力。YANG等[72]基于PLSR模型,利用HSI成功完成了对鸡胸肉肉色、pH、质量分级的预测(R2=0.85、0.84、0.80)。KONDA NAGANATHAN等[73]构建Fisher模型,结合HSI实现了不同贮藏时间的牛肉嫩度预测,准确率为86.7%。YAO等[74]构建SVR模型,结合便携式高光谱扫描仪实现了猪肉pH预测(R2=0.93)。WOLD等[75]基于PLSR模型,利用NIR根据脂肪花纹完成了牛肉切片和整块品质评估(R2=0.81、0.82)。王婉娇等[76]基于PLSR模型,结合NIR-HSI,利用卷积平滑(Savitzky Golay)优化PLSR模型,对冷鲜羊肉嫩度进行预测(R2=0.773)。刘贵珊等[77]改用区间变量迭代空间收缩法(iterative space contraction method for interval variables,IVISSA)对PLSR进行优化,预测效果得到提升(R2=0.79)。王正伟等[78]则利用NIR-HSI,MLR优化PLSR对鸡肉嫩度进行预测(R2=0.94)。对于HSI光谱图像中的噪声干扰,JIANG等[79]和XIONG等[80]应用连续投影算法(successive projections algorithm,SPA)进行特征波长选择和信息提取,前者构建PLS-DA模型,后者构建PLSR模型,分别完成了鸡肉嫩度和弹性的预测(R2均为0.84)。
综上,机器学习在肉类食品质量控制和监测的典型应用中,主要是通过算法优化模型和增加模型训练样本量来提升PLSR模型的预测和分类效果。同时也暴露出了模型应用的缺陷:1)检测范围片面有限,只能应对单一或同类型的质量指标检测;2)模型依赖大量标签数据,极大增加了检测工作量;3)数据质量参差不齐,检测环境或者仪器精度都会给数据带来噪声干扰。
3 机器学习在肉类食品质量控制与监测的应用趋势
随着现代检测技术的不断发展,机器学习在肉类食品质量控制与监测中的应用也取得了突破,既弥补了上述典型应用中存在的缺陷,又能更加全面的进行质量控制和监测。
3.1 检测维度提升
机器学习正推动肉类食品质量控制和监测向多类型指标联用方向发展,检测维度和准确性均得以提升。CHENG等[42]构建多任务卷积神经网络(multi-task convolutional neural network,MTCNN)模型,结合NIR-HSI成功预测冷冻猪肉硫代巴比妥酸反应物(thiobarbituric acid reactive substances,TBARS)(R2=0.972 4)和羰基含量(R2=0.960 2),准确检测了猪肉氧化程度。OTO等[46]融合荧光光谱技术与PLSR算法,构建ATP含量-TVC双指标预测模型,在特定贮存条件下对猪肉变质程度实现高精度判别(R2=0.94～0.97)。XU等[35]构建TVB-N和TVC双指标预测模型,结合挥发性有机化合物分析肉类新鲜度。利用比色传感器阵列记录牛肉气味信息,PCA提取特征指纹图谱后,采用SVM识别牛肉的不同新鲜度,分类准确率达95.83%。因此,多指标的预测模型为无损化实时监测肉制品氧化代谢提供了新型的技术支撑。
肉类食品在生产及贮存过程中,糖类、蛋白质及脂肪的氧化代谢作用会生成特定挥发性风味化合物。风味指标检测的融入,使得肉类食品的质量控制与监测更全面。GU等[36]采用便携式电子鼻系统采集中式香肠加工与贮藏阶段的风味指纹图谱,结合酸值及过氧化值等化学指标,构建SVM和ANN定量评估脂质氧化程度(分类准确率分别达95%和82%)。ZHANG等[47]采用固相微萃取和溶剂辅助风味蒸发萃取技术结合气相色谱-嗅觉-质谱联用,捕获羊肉丸风味组学数据,构建PLSR多维度关联模型,解析挥发性物质-感官特性-贮藏时间的定量关系(R2=0.5～1)。机器学习算法可通过分析关键风味标志物的变化情况来实现品质衰退预警,与前述物质含量变化监测模型形成技术互补,共同推动肉类食品全过程质量控制的智能化转型。
3.2 模型算法联用
为克服单一模型的局限性,机器学习模型应用转为多模型集成的方式。在模型选择层面,PLSR与SVM分别体现线性与非线性数据处理的优势:PLSR适用于线性关系明确、低波动数据集,而SVM更擅长处理非线性复杂数据。SVM在非线性数据集中的预测精度显著优于PLSR(R2=0.95>0.94)[81]。PLSR和SVM结合形成的最小二乘支持向量机(least squares support vector machine,LS-SVM)分类模型,是通过融合最优控制框架与核函数映射技术,构建非线性系统的智能化控制模型。通过PLSR作为损失函数,并采用线性方程组求解方法替代传统SVM复杂的二次规划优化过程,显著降低计算复杂度。与PLSR相比,LS-SVM能够利用非线性映射函数,将输入特征变量投影至高维特征空间,从而将非线性优化问题转化为线性代数方程求解[82]。
LS-SVM模型显著提升了机器学习在肉类食品质量监测应用中的预测效果。YANG等[37-38]构建LS-SVM模型评估熟牛肉的新鲜度,准确率达97.14%,较PLSR提升11.43%;在掺假的检测中,ZHAO等[83]基于LS-SVM,结合NIR-HSI对变质牛肉掺假新鲜牛肉进行预测(R2=0.97),优于其他单一模型(PLSR、SVM)。对于存在食品添加剂的加工环境,WAN等[84]构建LS-SVM模型,融合HSI技术预测了亚硝酸盐腌制的羊肉肌红蛋白含量(R2=0.952 5)。ZHANG等[85]通过HSI获取羊肉的纹理参数,利用IVISSA、竞争自适应重加权采样(competitive adapative reweighted sampling,CARS)、SPA优化LS-SVM模型,成功预测了羊肉硬度、黏性、咀嚼性(R2=0.986、0.984、0.987)。WU等[86]则基于SPA-MLR模型对虾干水分进行定量分析(R2=0.962),因为SPA算法在变量筛选中的性能与PLSR或LS-SVM模型相当。重新调整优化组合,SPA-LS-SVM组合模型的预测效果更好,R2较SPA-MLR提升了1.93%。FAN等[87]基于NIR-HSI双光谱,利用CARS优化LS-SVM模型实现了羊肉TBARS含量的预测,模型决定系数R2=0.83。对组合模型进行算法优化也将成为未来机器学习在肉类食品质量控制与监测的应用趋势。
模型算法联用的组合模式多样,不局限于LS-SVM。LIN等[39]构建RF-SVR混合模型,通过pH响应比色传感系统实现牛肉TVB-N的预测,该模型预测性能显著(R2=0.959 6),显著高于传统PLSR单一模型预测能力(R2=0.895 7)。因此,模型算法的联用不仅能够有效处理非线性分类问题,还能在多种肉制品质量评估任务中展现出比单一模型更优越的预测性能。
3.3 复杂传感信息
随着检测技术的完善和传感技术不断迭代升级,传感信号更加多样化,机器学习同样可以有效进行识别解析。LABRADOR等[88]进一步开发电子舌系统,集成脉冲伏安法与电化学阻抗谱技术,结合PLSR模型同步预测肉糜中NaCl、NaNO2、KNO3含量,其中NaCl预测精度最优(R2=0.99),KNO3(R2=0.97)次之。KIM等[89]基于MTCNN,通过图像-气体双传感器将猪肉分为新鲜、半新鲜和腐烂3种状态,分类准确率达99.4%。POUNDS等[90]基于KNN,通过测量传感器薄膜(肉pH值、有机酸变化会引起膜颜色变化),实现了包装猪肉食品的新鲜度实时在线检测,有望与基于机器学习的光谱检测技术形成技术互补,大幅提升模型在肉类食品物质含量变化检测的速率。
其他传感技术与光谱技术联用,用于更复杂的检测环境,以获得更好的模型分类辨别效果。TANG等[43]结合猪肉纹理图像和NIR-HSI,构建ANN模型成功预测了猪肉蛋白含量、脂肪含量、pH、色泽等各项理化特性指标(R2从1.5%提升到16.4%);LIU等[91]结合电子鼻和HSI,构建MTCNN成功预测了羊肉
不论是多种传感技术的联用,还是多样化的新型传感技术,机器学习都有着不错的数据分析和质量预测表现,为肉类食品的质量控制和监测提供了更好的方法。
4 机器学习在肉类食品质量监测的挑战
基于机器学习的肉类食品质量控制与监测的技术标准尚未完全统一[92],在模型选择(PLSR、SVM、ANN)、质量判定依据(TVB-N、氨基酸)、数据格式等都存在差异,不利于广泛性的肉类食品数字化检测体系的建立。
机器学习在肉类食品质量控制与监测中的模型构建需要大规模、高代表性的样本数据。模型对肉类食品质量评价(挥发性化合物、过氧化值、致病菌)等复杂指标的精准量化需要依赖光谱、色谱等昂贵仪器,导致数据进行标签标注的成本提高。而小样本的模型预测不利于肉类食品的检测,尽管机器学习可以进行样本扩增或者通过无标签数据训练模型,但合成数据与真实数据的分布偏差会导致模型过拟合风险增加。我国区域性饮食在原料品种、加工工艺及风味特征等方面均存在显著差异,现有食品数据库样本覆盖程度低,数据缺乏真实性和完整性[19],难以实现跨地域肉类食品的精准质量分析。因此,也需根据区域性的饮食特色,从加工工艺的关键步骤中筛选出高区分性的物性特征参数(质构特性、挥发性组分)进行标签标注,不断更新和完善食品数据库,使数字模型在肉类食品的质量识别鲁棒性和分类准确率逐步提升。
机器学习与动力学(微生物生长动力学、氧化反应动力学)模型结合虽然可以更加准确监测肉类食品质量的动态变化情况,但在实际应用中仍存在缺陷。基于TVC构建的微生物生长动力学模型,因指标检测耗时(培养法≥24 h)和机器学习模型训练周期长,难以实时获取滞后时间(λ)、最大生长速率(μmax)等重要参数[93]。氧化反应动力学模型的构建需要多参数协同,传统机器学习的模型对TBARS和羰基含量的同步预测精度不足,PLSR的预测误差相较卷积神经网络深度学习架构高11%[42]。
虽然传感器具有极高的灵敏性,但肉类食品的加工环境多变,湿度或温度的变化会引起传感器漂移的问题。因此想要实时快速质量检测是存在一定难度的,未来可对传感设备结构或数据采集方法进一步优化改进,使其能有效避免环境造成的影响对加工中的食品进行检测,从而能降低肉类食品在转移运输和包装过程受污染的风险。与常用的色谱方法相比,电化学传感器可以更加快速地对风味物质进行选择性的检测,同时还具有操作简便、价格低廉、便携、可以现场检测等特点,现已应用在卤汤中主要香辛料成分的定量检测[94]。声学技术对于食品加工无损检测的相关研究较少,其与电子鼻、电子舌等多模态传感技术的协同应用潜力亟待开发,既可更加全面的对肉类食品质量进行评估,又可弥补不同传感技术之间的一些应用缺陷和不足,提高质量监测的准确性。
多类型的传感技术融合(电子鼻+HSI)虽可提升检测维度,但异构数据的特征聚类和提取在实际应用的计算复杂度较高。目前,机器学习在食品质量监测领域的应用多样,但都存在一定的局限性,选择传感技术需要考虑相应传感器所适用的环境条件,数字模型的指标数据选择取决于模型的运算原理,这需要在确定检测实验方法前对相应条件进行综合充分的考虑,适配稳定的传感技术和机器学习方法才能在保证预测结果准确度的同时提高检测效率。
5 总结与展望
本文系统探讨了机器学习在肉类食品质量控制与监测中的应用现状、趋势及挑战。机器学习通过无监督学习(如聚类、降维)与监督学习(如PLSR、SVM、ANN)的结合,在肉类食品的物质含量预测(如水分、脂肪、蛋白质)、掺假成分识别(如肉源替代、变质肉检测)、微生物污染监测(如TVC、致病菌)以及物理特性评估(如嫩度、色泽)等方面展现出显著优势,体现了在食品领域的巨大潜力和价值。相较于传统化学与微生物检测方法,机器学习技术通过高效处理多源异构数据(如光谱、图像、电化学信号),显著提升了检测效率与精度,推动了食品质量监测向智能化、无损化方向发展。然而,当前研究仍面临技术标准不统一、数据标注成本高、传感器环境适应性差以及模型可解释性不足等核心挑战,亟需跨学科协作与技术突破。
机器学习有望与其他技术进行更好的融合,构建出更全面检测方法,完善肉类食品质量控制与检测技术体系。1)结合物质代谢和微生物生长动力学模型,提高模型预测的准确性和可靠性,更加科学有效地避免一些食源性疾病的发生。2)与边缘计算设备结合,缩短模型计算分析时间,逐步满足实时监测需求。3)与大数据技术相结合还可以实现对产品溯源以及生产环节信息透明等任务,扩展肉类食品质量控制与监测其他领域的应用。如风味预测、生产加工中目标风味调控、营养价值估算等方面。
[1] 孙颖霞. 新型检测技术在肉制品质量安全检测中的应用进展[J].中国食品, 2025(6):60-62.
SUN Y X.Progress in the application of novel detection techniques in the quality and safety detection of meat products[J].China Food, 2025(6):60-62.
[2] 陈子璇. 食品检测技术问题及其解决措施探析[J].中外食品工业, 2024(24):53-55.
CHEN Z X.Exploration of food testing technical problems and their solution measures[J].Sino-foreign Food Industry, 2024(24):53-55.
[3] 张微. 人工智能与大数据在食品安全信息监管中的应用[J].食品安全导刊, 2024(9):135-137;141.
ZHANG W.The application of artificial intelligence and big data in food safety information supervision[J].China Food Safety Magazine, 2024(9):135-137;141.
[4] 陈谦. 基于温度精细感知的猕猴桃冷链过程综合品质预测与智能决策研究[D].北京:中国农业科学院, 2024.
CHEN Q.Research on comprehensive quality prediction andintelligent decision-making in kiwifruit cold chainbased on precise temperature perception[D].Beijing:Chinese Academy of Agricultural Sciences, 2024.
[5] SHEN W G, WANG W, ZHU J W, et al.Pruning- and quantization-based compression algorithm for number of mixed signals identification network[J].Electronics, 2023, 12(7):1694.
[6] 欧华杰. 大数据背景下机器学习算法的综述[J].中国信息化, 2019(4):50-51.
OU H J.Under the background of big data review of machine learning algorithms[J].Information Recording Materials, 2019(4):50-51.
[7] 赵伟杰, 陈海军, 张毅.浅谈大数据下的机器学习算法[J].科技创新导报, 2019, 16(24):250-251.
ZHAO W J, CHEN H J, ZHANG Y.An introduction to machine learning algorithms for big data[J].Science and Technology Innovation Herald, 2019, 16(24):250-251.
[8] BI Q F, GOODMAN K E, KAMINSKY J, et al.What is machine learning? A primer for the epidemiologist[J].American Journal of Epidemiology, 2019, 188(12):2222-2239.
[9] FABIYI S D, VU H, TACHTATZIS C, et al.Varietal classification of rice seeds using RGB and hyperspectral images[J].IEEE Access, 2020, 8:22493-22505.
[10] 
AG
D G, 
M, MAJEREK D, et al.Application of dimensionality reduction and machine learning methods for the interpretation of gas sensor array readouts from mold-threatened buildings[J].Applied Sciences, 2023, 13(15):8588.
[11] BYNUM J, LATTANZI D.Combining convolutional neural networks with unsupervised learning for acoustic monitoring of robotic manufacturing facilities[J].Advances in Mechanical Engineering, 2021, 13(4):16878140211009015.
[12] SUN Q, ZHANG M, MUJUMDAR A S.Recent developments of artificial intelligence in drying of fresh food:A review[J].Critical Reviews in Food Science and Nutrition, 2019, 59(14):2258-2275.
[13] LIN Y D, MA J, WANG Q J, et al.Applications of machine learning techniques for enhancing nondestructive food quality and safety detection[J].Critical Reviews in Food Science and Nutrition, 2023, 63(12):1649-1669.
[14] GARG N, SETHUPATHY A, TUWANI R, et al.FlavorDB:A database of flavor molecules[J].Nucleic Acids Research, 2018, 46(D1):D1210-D1216.
[15] WIENER A, SHUDLER M, LEVIT A, et al.BitterDB:A database of bitter compounds[J].Nucleic Acids Research, 2012, 40(Database issue):D413-D419.
[16] FRITZ F, PREISSNER R, BANERJEE P.VirtualTaste:A web server for the prediction of organoleptic properties of chemical compounds[J].Nucleic Acids Research, 2021, 49(W1):W679-W684.
[17] NIKBAKHT R, JONSSON A, LOZANO A.Unsupervised learning for parametric optimization[J].IEEE Communications Letters, 2021, 25(3):678-681.
[18] YANG Z K, CHEN C S, LI H W, et al.Unsupervised classifications of depression levels based on machine learning algorithms perform well as compared to traditional norm-based classifications[J].Frontiers in Psychiatry, 2020, 11:45.
[19] 丁浩晗, 田嘉伟, 谢祯奇, 等.机器学习和大数据在食品领域的应用[J].食品与发酵工业, 2024, 50(24):353-361.
DING H H, TIAN J W, XIE Z Q, et al.Applications of machine learning and big data in food industry[J].Food and Fermentation Industries, 2024, 50(24):353-361.
[20] 贺宪权. 基于虚拟仪器的电子舌系统的构建与应用研究[D].淄博:山东理工大学, 2017.
HE X Q.Research of construction and application of electronic tongue system based on virtual instrument[D].Zibo:Shandong University of Technology, 2017.
[21] GUO Z J, SHEN Y, YANG T, et al.Semi-supervised feature selection based on fuzzy related family[J].Information Sciences, 2024, 652:119660.
[22] 夏吾吉, 黄鹤鸣, 更藏措毛, 等.基于无监督学习和监督学习的抽取式文本摘要综述[J].计算机应用, 2024, 44(4):1035-1048.
XIA W J, HUANG H M, GENG Z, et al.Survey of extractive text summarization based on unsupervised learning and supervised learning[J].Journal of Computer Applications, 2024, 44(4):1035-1048.
[23] GHODS A, COOK D J.A survey of deep network techniques all classifiers can adopt[J].Data Mining and Knowledge Discovery, 2021, 35(1):46-87.
[24] LI Y C, ZHANG W R, CUI Z W, et al.Machine learning-assisted nanosensor arrays:An efficiently high-throughput food detection analysis[J].Trends in Food Science &Technology, 2024, 149:104564.
[25] JIANG G M, WU J P, WEIDHAAS J, et al.Artificial neural network-based estimation of COVID-19 case numbers and effective reproduction rate using wastewater-based epidemiology[J].Water Research, 2022, 218:118451.
[26] ALSOUFI M A, RAZAK S, SIRAJ M M, et al.Anomaly-based intrusion detection systems in IoT using deep learning:A systematic literature review[J].Applied Sciences, 2021, 11(18):8383.
[27] PAN S B, QIN B Y, BI L Q, et al.An unsupervised learning method for the detection of genetically modified crops based on terahertz spectral data analysis[J].Security and Communication Networks, 2021, 2021(1):5516253.
[28] KIM K, KIM H, CHUN J, et al.Real-time anomaly detection in packaged food X-ray images using supervised learning[J].Computers, Materials &Continua, 2021, 67(2):2547-2568.
[29] KLERKX L, JAKKU E, LABARTHE P.A review of social science on digital agriculture, smart farming and agriculture 4.0:New contributions and a future research agenda[J].NJAS - Wageningen Journal of Life Sciences, 2019, 90:100315.
[30] NTURAMBIRWE J F I, OPARA U L.Machine learning applications to non-destructive defect detection in horticultural products[J].Biosystems Engineering, 2020, 189:60-83.
[31] 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.
[32] HERN
NDEZ-PÉREZ J A, GARC
A-ALVARADO M A, TRYSTRAM G, et al.Neural networks for the heat and mass transfer prediction during drying of cassava and mango[J].Innovative Food Science &Emerging Technologies, 2004, 5(1):57-64.
[33] LIN S W, WU Y F, FANG Y.Comparison of regression and machine learning methods in depression forecasting among home-based elderly Chinese:A community based study[J].Frontiers in Psychiatry, 2022, 12:764806.
[34] 戴小也, 於鑫慧, 饶中钰.基于近红外光谱技术的猪肉品质检测应用研究[J].红外, 2018, 39(9):22-26;48.
DAI X Y, YU X H, RAO Z Y.Research on application of pork quality detection based on near infrared spectroscopy[J].Infrared, 2018, 39(9):22-26;48.
[35] XU W D, HE Y C, LI J H, et al.Olfactory visualization sensor system based on colorimetric sensor array and chemometric methods for high precision assessing beef freshness[J].Meat Science, 2022, 194:108950.
[36] GU X Z, SUN Y, TU K, et al.Evaluation of lipid oxidtion of Chinese-style sausage during processing and storage based on electronic nose[J].Meat Science, 2017, 133:1-9.
[37] YANG D, HE D D, LU A X, et al.Detection of the freshness state of cooked beef during storage using hyperspectral imaging[J].Applied Spectroscopy, 2017, 71(10):2286-2301.
[38] YANG D, LU A X, REN D, et al.Rapid determination of biogenic amines in cooked beef using hyperspectral imaging with sparse representation algorithm[J].Infrared Physics &Technology, 2017, 86:23-34.
[39] LIN Y D, MA J, SUN D W, et al.A pH-responsive colourimetric sensor array based on machine learning for real-time monitoring of beef freshness[J].Food Control, 2023, 150:109729.
[40] PARASTAR H, VAN KOLLENBURG G, WEESEPOEL Y, et al.Integration of handheld NIR and machine learning to “Measure &Monitor” chicken meat authenticity[J].Food Control, 2020, 112:107149.
[41] PARK B, CHEN Y R, HUFFMAN R W.Integration of visible/NIR spectroscopy and multispectral imaging for poultry carcass inspection[J].Journal of Food Engineering, 1996, 30(1-2):197-207.
[42] CHENG J H, SUN J, YAO K S, et al.Multi-task convolutional neural network for simultaneous monitoring of lipid and protein oxidative damage in frozen-thawed pork using hyperspectral imaging[J].Meat Science, 2023, 201:109196.
[43] TANG X, RAO L, XIE L, et al.Quantification and visualization of meat quality traits in pork using hyperspectral imaging[J].Meat Science, 2023, 196:109052.
[44] CAMPOS M I, DEBN L, ANTOLN G, et al.A quantitative on-line analysis of salt in cured ham by near-infrared spectroscopy and chemometrics[J].Meat Science, 2023, 200:109167.
[45] GAITN-JURADO A J, ORTIZ-SOMOVILLA V, ESPA
A-ESPAA F, et al.Quantitative analysis of pork dry-cured sausages to quality control by NIR spectroscopy[J].Meat Science, 2008, 78(4):391-399.
[46] OTO N, OSHITA S, MAKINO Y, et al.Non-destructive evaluation of ATP content and plate count on pork meat surface by fluorescence spectroscopy[J].Meat Science, 2013, 93(3):579-585.
[47] ZHANG Y, SUN Y W, SONG H L.Variation in volatile flavor compounds of cooked mutton meatballs during storage[J].Foods, 2021, 10(10):2430.
[48] 禹文杰, 王彩霞, 乔芦, 等.高光谱成像技术对牛肉水分含量及分布的快速检测[J].光电子·激光, 2020, 31(3):326-333.
YU W J, WANG C X, QIAO L, et al.Rapid detection of beef moisture content and distribution by hyperspectral imaging[J].Journal of Optoelectronics·Laser, 2020, 31(3):326-333.
[49] FOWLER S M, WHEELER D, MORRIS S, et al.Partial least squares and machine learning for the prediction of intramuscular fat content of lamb loin[J].Meat Science, 2021, 177:108505.
[50] 陶琳丽, 陶冶, 甘文斌, 等.鸡胸肌冻干粉赖氨酸近红外定量预测模型的建立与优化[J].现代食品科技, 2021, 37(10):270-282.
TAO L L, TAO Y, GAN W B, et al.Establishment and optimization of the near infrared spectroscopy quantitative prediction model for the lysine in freeze-dried chicken breast muscle powder[J].Modern Food Science and Technology, 2021, 37(10):270-282.
[51] 张凡, 姜鑫, 张存存, 等.近红外光谱结合灰色关联度分析快速综合评价猪肉新鲜度[J].河北农业大学学报, 2020, 43(1):89-95.
ZHANG F, JIANG X, ZHANG C C, et al.Rapid and comprehensive evaluation of pork freshness using near infrared spectroscopy combined with grey correlation analysis[J].Journal of Hebei Agricultural University, 2020, 43(1):89-95.
[52] CAMPOS M I, DEBN L, PARDO R.Near-infrared spectroscopy procedure for online determination of sodium and potassium content in low-salt cured hams[J].Foods, 2023, 12(21):3998.
[53] MADURO DIAS C S A M, NUNES H P, MELO T M M V, et al.Application of Near Infrared Reflectance (NIR) spectroscopy to predict the moisture, protein, and fat content of beef for gourmet hamburger preparation[J].Livestock Science, 2021, 254:104772.
[54] 康景, 姚海博, 梁婷, 等.基于不同近红外建模软件定量分析新鲜羊肉营养成分[J].食品与发酵工业, 2022, 48(22):248-254.
KANG J, YAO H B, LIANG T, et al.Based on different near-infrared modeling software quantitatively analysis the nutrition composition of fresh mutton[J].Food and Fermentation Industries, 2022, 48(22):248-254.
[55] 梁静, 赵祥民, 李璐璐, 等.基于近红外光谱技术构建民勤羊肉养分含量检测模型[J].食品与发酵工业, 2023, 49(14):272-279.
LIANG J, ZHAO X M, LI L L, et al.Model construction for nutrient content detection of Minqin lamb based on near-infrared spectroscopy[J].Food and Fermentation Industries, 2023, 49(14):272-279.
[56] SERVA L, MARCHESINI G, CULLERE M, et al.Testing two NIRs instruments to predict chicken breast meat quality and exploiting machine learning approaches to discriminate among genotypes and presence of myopathies[J].Food Control, 2023, 144:109391.
[57] LIU D, QU J H, SUN D W, et al.Non-destructive prediction of salt contents and water activity of porcine meat slices by hyperspectral imaging in a salting process[J].Innovative Food Science &Emerging Technologies, 2013, 20:316-323.
[58] ZHANG L X, YUAN Z, LI P W, et al.Targeted multivariate adulteration detection based on fatty acid profiles and Monte Carlo one-class partial least squares[J].Chemometrics and Intelligent Laboratory Systems, 2017, 169:94-99.
[59] 丁浩晗, 谢祯奇, 沈嵩, 等.人工智能在食品检测中的应用[J/OL].食品科学技术学报, 2024:1-13.(2024-10-08).https://kns.cnki.net/kcms/detail/10.1151.ts.20240930.1724.002.html.
DING H H, XIE Z Q, SHEN S, et al.Application of artificial intelligence in food testing[J/OL].Journal of Food Science and Technology, 2024:1-13.(2024-10-08).https://kns.cnki.net/kcms/detail/10.1151.ts.20240930.1724.002.html.
[60] JIANG H Z, YANG Y, SHI M H.Chemometrics in tandem with hyperspectral imaging for detecting authentication of raw and cooked mutton rolls[J].Foods, 2021, 10(9):2127.
[61] ROPODI A I, PAVLIDIS D E, MOHAREB F, et al.Multispectral image analysis approach to detect adulteration of beef and pork in raw meats[J].Food Research International, 2015, 67:12-18.
[62] KAMRUZZAMAN M, MAKINO Y, OSHITA S, et al.Assessment of visible near-infrared hyperspectral imaging as a tool for detection of horsemeat adulteration in minced beef[J].Food and Bioprocess Technology, 2015, 8(5):1054-1062.
[63] KAMRUZZAMAN M, SUN D W, ELMASRY G, et al.Fast detection and visualization of minced lamb meat adulteration using NIR hyperspectral imaging and multivariate image analysis[J].Talanta, 2013, 103:130-136.
[64] MORSY N, SUN D W.Robust linear and non-linear models of NIR spectroscopy for detection and quantification of adulterants in fresh and frozen-thawed minced beef[J].Meat Science, 2013, 93(2):292-302.
[65] 白天, 张丽华, 李顺峰, 等.基于近红外光谱的冻融猪肉糜鉴别模型研究[J].食品安全质量检测学报, 2023, 14(20):56-63.
BAI T, ZHANG L H, LI S F, et al.Study on discrimination model of frozen-thawed minced pork based on near infrared spectroscopy[J].Journal of Food Safety &Quality, 2023, 14(20):56-63.
[66] FENG Y Z, ELMASRY G, SUN D W, et al.Near-infrared hyperspectral imaging and partial least squares regression for rapid and reagentless determination of Enterobacteriaceae on chicken fillets[J].Food Chemistry, 2013, 138(2-3):1829-1836.
[67] FENG Y Z, SUN D W.Near-infrared hyperspectral imaging in tandem with partial least squares regression and genetic algorithm for non-destructive determination and visualization of Pseudomonas loads in chicken fillets[J].Talanta, 2013, 109:74-83.
[68] ZHENG X C, PENG Y K, WANG W X.A nondestructive real-time detection method of total viable count in pork by hyperspectral imaging technique[J].Applied Sciences, 2017, 7(3):213.
[69] YANG D, LU A X, REN D, et al.Detection of total viable count in spiced beef using hyperspectral imaging combined with wavelet transform and multiway partial least squares algorithm[J].Journal of Food Safety, 2018, 38(1):e12390.
[70] ACHATA E M, OLIVEIRA M, ESQUERRE C A, et al.Visible and NIR hyperspectral imaging and chemometrics for prediction of microbial quality of beef Longissimus dorsi muscle under simulated normal and abuse storage conditions[J].LWT, 2020, 128:109463.
[71] PANAGOU E Z, MOHAREB F R, ARGYRI A A, et al.A comparison of artificial neural networks and partial least squares modelling for the rapid detection of the microbial spoilage of beef fillets based on Fourier transform infrared spectral fingerprints[J].Food Microbiology, 2011, 28(4):782-790.
[72] YANG Y, WANG W, ZHUANG H, et al.Prediction of quality traits and grades of intact chicken breast fillets by hyperspectral imaging[J].British Poultry Science, 2021, 62(1):46-52.
[73] KONDA NAGANATHAN G, CLUFF K, SAMAL A, et al.Three dimensional chemometric analyses of hyperspectral images for beef tenderness forecasting[J].Journal of Food Engineering, 2016, 169:309-320.
[74] YAO X L, CAI F H, ZHU P Y, et al.Non-invasive and rapid pH monitoring for meat quality assessment using a low-cost portable hyperspectral scanner[J].Meat Science, 2019, 152:73-80.
[75] WOLD J P, SOLBERG L E, GAARDER M Ø, et al.In-line estimation of fat marbling in whole beef striploins (Longissimus lumborum) by NIR hyperspectral imaging.a closer look at the role of myoglobin[J].Foods, 2022, 11(9):1219.
[76] 王婉娇, 王松磊, 贺晓光, 等.NIR高光谱成像技术检测冷鲜羊肉嫩度[J].食品工业科技, 2015, 36(20):77-79;91.
WANG W J, WANG S L, HE X G, et al.Detection of chilled mutton tenderness by NIR hyperspectral imaging technology[J].Science and Technology of Food Industry, 2015, 36(20):77-79;91.
[77] 刘贵珊, 张翀, 樊奈昀, 等.IVISSA算法冷鲜滩羊肉嫩度的高光谱模型优化[J].光谱学与光谱分析, 2020, 40(8):2558-2563.
LIU G S, ZHANG C, FAN N Y, et al.Hyperspectral model optimization for tenderness of chilled Tan-sheep mutton based on IVISSA[J].Spectroscopy and Spectral Analysis, 2020, 40(8):2558-2563.
[78] 王正伟, 王家云, 王松磊, 等.基于VIS/NIR高光谱成像技术检测鸡肉嫩度[J].食品科技, 2015, 40(11):270-274.
WANG Z W, WANG J Y, WANG S L, et al.Detection of chicken tenderness by VIS/NIR hyperspectral technology[J].Food Science and Technology, 2015, 40(11):270-274.
[79] JIANG H Z, YOON S C, ZHUANG H, et al.Tenderness classification of fresh broiler breast fillets using visible and near-infrared hyperspectral imaging[J].Meat Science, 2018, 139:82-90.
[80] XIONG Z J, SUN D W, DAI Q, et al.Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat[J].Food Analytical Methods, 2015, 8(2):380-391.
[81] 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.
[82] SUYKENS J A K, VANDEWALLE J, DE MOOR B.Optimal control by least squares support vector machines[J].Neural Networks, 2001, 14(1):23-35.
[83] ZHAO H T, FENG Y Z, CHEN W, et al.Application of invasive weed optimization and least square support vector machine for prediction of beef adulteration with spoiled beef based on visible near-infrared (Vis-NIR) hyperspectral imaging[J].Meat Science, 2019, 151:75-81.
[84] WAN G L, FAN S X, LIU G S, et al.Fusion of spectra and texture data of hyperspectral imaging for prediction of myoglobin content in nitrite-cured mutton[J].Food Control, 2023, 144:109332.
[85] ZHANG J J, MA Y H, LIU G S, et al.Rapid evaluation of texture parameters of Tan mutton using hyperspectral imaging with optimization algorithms[J].Food Control, 2022, 135:108815.
[86] WU D, SHI H, WANG S J, et al.Rapid prediction of moisture content of dehydrated prawns using online hyperspectral imaging system[J].Analytica Chimica Acta, 2012, 726:57-66.
[87] FAN N Y, MA X, LIU G S, et al.Rapid determination of TBARS content by hyperspectral imaging for evaluating lipid oxidation in mutton[J].Journal of Food Composition and Analysis, 2021, 103:104110.
[88] LABRADOR R H, MASOT R, ALCAIZ M, et al.Prediction of NaCl, nitrate and nitrite contents in minced meat by using a voltammetric electronic tongue and an impedimetric sensor[J].Food Chemistry, 2010, 122(3):864-870.
[89] KIM D E, MAI N D, CHUNG W Y.AIoT-based meat quality monitoring using camera and gas sensor with wireless charging[J].IEEE Sensors Journal, 2024, 24(6):7317-7324.
[90] POUNDS K, BAO H X, LUO Y F, et al.Real-time and rapid food quality monitoring using smart sensory films with image analysis and machine learning[J].ACS Food Science &Technology, 2022, 2(7):1123-1134.
[91] LIU C C, CHU Z J, WENG S Z, et al.Fusion of electronic nose and hyperspectral imaging for mutton freshness detection using input-modified convolution neural network[J].Food Chemistry, 2022, 385:132651.
[92] 裴锋, 王焕芹, 黄平, 等.食品检测智能化发展对食品质量提升的研究[J].食品安全导刊, 2025(13):180-182.
PEI F, WANG H Q, HUANG P, et al.Research on the improvement of food quality through the intelligent development of food inspection[J].China Food Safety Magazine, 2025(13):180-182.
[93] YI Z K, XIE J.Prediction in the dynamics and spoilage of Shewanella putrefaciens in bigeye tuna (Thunnus obesus) by gas sensors stored at different refrigeration temperatures[J].Foods, 2021, 10(9):2132.
[94] 蒋莹. 基于电化学传感器阵列的几种香辛料主效成分的快速检测研究[D].武汉:华中农业大学, 2022.
JIANG Y.Study on rapid detection of several main effective components of spices in braised brine based on electrochemical sensor array[D].Wuhan:Huazhong Agricultural University, 2022.