Artificial Intelligence and Internet of Things-Based Food Authenticity and Adulteration Detection in Spices: A Review Paper

方法

叙述性综述22篇2016-2026文献，涵盖计算机视觉、Vis-NIR、电子鼻、

发现

CNN与迁移学习、便携光谱及多传感器融合检测效果良好，但实验场景过于简化且缺公开多模态数据集。

机会点

可构建公开多模态香料掺假数据集，并在真实供应链场景下验证边缘IoT融合检测模型。

由于供应链的复杂性以及产品的高经济价值，烹饪香料是全球最常被掺假的农产品之一。传统实验室分析（如高效液相色谱、质谱和湿化学检测）具有破坏性、耗时，且不足以对香料粉末或植物性原料进行高通量筛查。本文对2016年至2026年间发表的22篇精选文献进行了叙述性文献综述，这些文献归属于七个主题：香料供应链风险与掺假特征、计算机视觉与深度学习方法、便携式可见-近红外光谱、电子鼻与气体传感、多传感器融合与化学计量分析、用于量化掺假浓度的机器学习方法，以及边缘物联网硬件解决方案。所综述的文章表明，卷积神经网络和迁移学习在区分完整香料与植物性掺杂物方面可达到优异的精确度，而紧凑型可见-近红外光谱传感器能够检测粉末中的食品染料和淀粉填充物。基于支持向量机/随机森林分类器的金属氧化物半导体气体传感器阵列能够检测变质香料，且视觉-光谱融合的检测精度高于单一模态。然而，文献中呈现的大多数数据基于过度简化的掺假场景实验，且公开可用的多模态传感器数据集不足。本研究提供了主题式文献综述、十四篇精选论文的特征比较、一个提出的概念框架以及相关建议。