Applications of artificial intelligence and machine learning in food processing, quality control, and food safety: a critical review
Fatemeh Mortazavi · Tahereh Edalati Sarayani · Bahar Mohamadi Sani 等 5 人
综述AI与机器学习在食品加工、质量控制与安全中的应用及落地瓶颈。
综述计算机视觉、光谱、高光谱、生物传感器与物联网集成的AI应用证据。
多数应用仍停留概念或实验室，跨数据集迁移与外部验证不足制约工业化。
可研究食品质量模型跨产品跨环境的迁移学习与外部验证框架，弥补落地空白。
系统评述AI与机器学习在食品加工、质控与安全中的成熟度与落地瓶颈，含工业验证数据，对智慧农业与食品产业数字化有参考价值。
人工智能（AI）、机器学习（ML）和深度学习（DL）正日益被应用于支持食品加工、质量控制与食品安全领域的数据驱动决策。本综述对近期技术进展进行了批判性评估，并考察了人工智能模型如何在食品价值链各环节与计算机视觉、光谱学、高光谱成像（HSI）、生物传感器、物联网（IoT）平台及智能监测系统相融合。本综述汇集了学术研究与产业研究的证据，以考察人工智能目前在食品领域的使用情况。所涉及的应用包括过程控制与优化、发酵管理、质量分级、真实性评估、货架期预测、污染物检测以及食品安全决策支持。近期研究已超越传统预测，转向自适应决策支持，并在少数案例中迈向部分自主的食品系统。可解释人工智能、多模态学习、基础模型、数字孪生、智能包装和代理式人工智能等方法正被研究用于实时监测、数据集成和生产管理。然而，这些方法的成熟度差异显著，许多应用仍停留在概念阶段或局限于实验室环境。数据异质性、迁移性差、外部验证有限以及监管不确定性持续制约着工业应用。尽管一项工业规模的干燥研究报告称能耗降低了12.8%，但食品质量模型的外部验证却导致了明显更高的预测误差。这一反差表明，将受控数据集上的性能迁移至新产品或新生产环境存在困难。本综述并未孤立地考察这些技术，而是综合考量其在食品加工、质量控制与食品安全中的作用，以及有关工业验证、可持续性和治理的证据。进一步进展将取决于模型能否在其开发数据集之外保持可靠性，而不仅仅取决于内部报告准确性的增量提升。