在食品制造業(yè)中，集成先進感知技術(shù)以實現(xiàn)食品品質(zhì)、安全的實時和在線監(jiān)測愈發(fā)重要?；谟嬎銠C視覺和深度學(xué)習(xí)的方法能夠非破壞性、實時性以及無需大量預(yù)處理即可分析食品營養(yǎng)品質(zhì)及檢測食品危害物，已發(fā)展成為一種極具前景的、成本效益高的先進檢測技術(shù)。雖然基于計算機視覺和深度學(xué)習(xí)的方法在檢測食品品質(zhì)、質(zhì)量安全等方面已有大量報道。然而，成功地將這些技術(shù)應(yīng)用于工業(yè)化、規(guī)模化生產(chǎn)仍然面臨著諸多挑戰(zhàn)。為此，《食品科學(xué)》特設(shè)基于計算機視覺和深度學(xué)習(xí)的食品檢測技術(shù)專欄，旨在助推計算機視覺和深度學(xué)習(xí)在食品質(zhì)量安全檢測、品質(zhì)評價等領(lǐng)域的廣泛應(yīng)用。

特邀專欄主編：郭志明教授、趙峙堯教授

專欄文章

摘要：針對果園現(xiàn)場蘋果分級存在的計算資源受限和表面缺陷尺度差異大的問題，本研究構(gòu)建基于機器視覺的改進YOLOv8蘋果表面缺陷識別模型，在提高蘋果表面缺陷檢測效率的同時保證檢測準(zhǔn)確率。采用自搭建的機器視覺系統(tǒng)采集5 500 張?zhí)O果樣本的表面特征及缺陷圖像，涵蓋果柄、花萼的特征與黑點、腐爛、機械損傷、日灼、褐斑和裂紋6 種常見表面缺陷以及1 種環(huán)境雜物并完成特征標(biāo)注。引入RepGhostNeXt和EffQAFPN算法結(jié)構(gòu)，對YOLOv8（You Only Look Once version 8）檢測模型的主干特征提取網(wǎng)絡(luò)和特征金字塔進行改進。在此基礎(chǔ)上，研究訓(xùn)練并比較了YOLOv8、YOLOv8n、YOLOv8+EffQAFPN、YOLOv8+RepGhostNeXt和YOLOv8+EffQAFPN+RepGhostNeXt 5 種模型，并重點對比模型在蘋果表面瑕疵檢測中的檢測準(zhǔn)確率和模型檢測速度。研究結(jié)果表明，YOLOv8+EffQAFPN+RepGhostNeXt模型在綜合檢測性能上表現(xiàn)最佳，其整體識別準(zhǔn)確率為94.9%，且保持了7.81 幀/s的平均檢測幀率。綜上，該模型能夠在計算資源有限的環(huán)境下高效完成蘋果表面缺陷檢測任務(wù)，為實現(xiàn)果園現(xiàn)場高效便捷的蘋果分級提供技術(shù)支撐。

結(jié)論：本研究在實驗室條件下復(fù)現(xiàn)各類常見的蘋果表面缺陷，利用靜態(tài)機器視覺裝置采集了5 500 張?zhí)O果表面特征和缺陷樣本圖像并完成標(biāo)簽標(biāo)注，構(gòu)建了蘋果表面缺陷圖像數(shù)據(jù)庫。為解決樣本標(biāo)簽數(shù)量不均衡問題，采用5 折交叉驗證訓(xùn)練了YOLOv8、YOLOv8n、YOLOv8+EffQAFPN、YOLOv8+RepGhostNeXt和YOLOv8+RepGhostNeXt+EffQAFPN 5 個模型。模型的分類效果使用精密度、召回率、mAP@0.5、推理時間和FPS進行評估，并借助混淆矩陣與PR曲線分析各模型對8 種蘋果表面特征或缺陷上的識別效果。綜合比較，YOLOv8+RepGhostNeXt+EffQAFPN模型表現(xiàn)最佳，準(zhǔn)確率為94.9%，召回率為93.8%，推理時間為128.10 ms。該模型可滿足資源受限環(huán)境下的蘋果在線缺陷檢測需求，驗證了RepGhostNeXt和EffQAFPN對YOLOv8主干網(wǎng)絡(luò)和特征提取網(wǎng)絡(luò)的改進能夠提高模型的特征提取能力和推理速度。研究所采用的改進方法可為田間蘋果表面缺陷的在線快速檢測與分類提供技術(shù)參考。

引文格式：

郭志明, 肖海迪, 王陳, 等. 蘋果在線分級的多尺度輕量化改進YOLOv8表面缺陷檢測模型[J]. 食品科學(xué), 2025, 46(22): 1-12. DOI:10.7506/spkx1002-6630-20250415-117.

GUO Zhiming, XIAO Haidi, WANG Chen, et al. Improved YOLOv8 model with multi-scale lightweight for surface defect detection in online apple grading[J]. Food Science, 2025, 46(22): 1-12. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250415-117.

摘要：為滿足食品安全監(jiān)管問答任務(wù)對模型準(zhǔn)確性、合規(guī)性和可解釋性的高要求，解決現(xiàn)有大語言模型（large language model，LLM）在該領(lǐng)域應(yīng)用面臨的知識召回不精準(zhǔn)、法規(guī)解析能力不足及計算成本高等問題，本研究基于檢索增強生成框架提出了一個智能問答系統(tǒng)，其核心是食品安全監(jiān)管大語言模型（food safety regulation large language model，F(xiàn)SR-LLM）。通過優(yōu)化數(shù)據(jù)庫存儲結(jié)構(gòu)、檢索策略及生成器，提升食品安全監(jiān)管問答的質(zhì)量和效率。首先構(gòu)建了食品安全知識圖譜（knowledge graph，KG）數(shù)據(jù)庫，以結(jié)構(gòu)化方式存儲法規(guī)條款、食品安全標(biāo)準(zhǔn)等數(shù)據(jù)，增強模型對食品領(lǐng)域知識的組織與調(diào)用能力。此外，在檢索階段，設(shè)計一種大模型引導(dǎo)檢索策略，利用LLM智能解析查詢語句，在食品安全監(jiān)管KG中準(zhǔn)確地提取高度相關(guān)的信息，從而減少無關(guān)或誤導(dǎo)性內(nèi)容的召回。對于生成器（Generator）模塊，基于Qwen-7B-Chat模型采用低秩適應(yīng)微調(diào)，使模型更貼合食品安全監(jiān)管問答的需求，同時顯著降低計算成本，使其能夠在單張RTX 4090 GPU上完成訓(xùn)練。在所提食品安全問答數(shù)據(jù)集上的實驗結(jié)果表明，F(xiàn)SR-LLM在BLEU-4、Rouge-L和準(zhǔn)確率指標(biāo)上均優(yōu)于基線模型，展現(xiàn)出更高的精準(zhǔn)度和語義連貫性，為食品安全監(jiān)管智能化提供了一種低成本、高效能、可擴展的解決方案。

結(jié)論：本研究圍繞食品安全監(jiān)管場景，提出了一種基于RAG框架的智能問答系統(tǒng)FSR-LLM，以提升食品安全法規(guī)、標(biāo)準(zhǔn)與合規(guī)性等方面問答的精準(zhǔn)性和專業(yè)性。相比于傳統(tǒng)的RAG方法，F(xiàn)SR-LLM在知識庫層面結(jié)合了知識圖譜，使食品安全相關(guān)知識的結(jié)構(gòu)化程度更高，增強了上下文信息結(jié)合的能力。在檢索方式上，采用LLM引導(dǎo)檢索策略，利用其強大的文本解析能力，提取查詢文本核心實體，生成更為精準(zhǔn)的檢索查詢語句，并進一步擴展查詢這些實體的鄰接節(jié)點，確保檢索召回結(jié)果更加全面且具備更強上下文關(guān)聯(lián)性。此外，F(xiàn)SR-LLM中采用LoRA技術(shù)對生成器Qwen-7B-Chat進行指令微調(diào)，能夠在單張4 090 GPU上實現(xiàn)高效低成本的訓(xùn)練，確保模型在計算資源受限的環(huán)境下仍具備較強的適應(yīng)性。結(jié)果表明，F(xiàn)SR-LLM在BLEU-4、Rouge-L和準(zhǔn)確率等指標(biāo)上均顯著優(yōu)于基線模型，驗證了該方法在食品安全監(jiān)管問答任務(wù)中的有效性。

然而，本研究仍存在一定的局限性，未來工作可從以下方面進一步優(yōu)化：首先，當(dāng)前系統(tǒng)在復(fù)雜查詢語境下的魯棒性表現(xiàn)需要進一步地評估與驗證，未來可構(gòu)建涵蓋不同干擾因素的測試集，并引入更加細(xì)致的評估指標(biāo)，以全面檢驗FSR-LLM在真實監(jiān)管任務(wù)中的穩(wěn)健性。此外，實驗中發(fā)現(xiàn)LLM固有的生成隨機性會導(dǎo)致評測指標(biāo)存在一定的波動，特別是在開放性問題回答時可能影響結(jié)果一致性，需要探索更加穩(wěn)定、準(zhǔn)確的評估策略。未來將繼續(xù)致力于優(yōu)化FSR-LLM的各項能力，以進一步提升其在復(fù)雜食品安全監(jiān)管場景下的應(yīng)用價值和決策可靠性。

引文格式：

毛典輝, 王可浩, 陳俊華, 等. 基于增強檢索生成框架的食品安全監(jiān)管智能問答系統(tǒng)[J]. 食品科學(xué), 2025, 46(22): 13-22. DOI:10.7506/spkx1002-6630-20250408-059.

MAO Dianhui, WANG Kehao, CHEN Junhua, et al. An intelligent question answering system for food safety regulation based on retrieval-augmented generation framework[J]. Food Science, 2025, 46(22): 13-22. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250408-059.

摘要：準(zhǔn)確的果蔬品質(zhì)分析對于保障食品安全、提升消費者滿意度以及促進果蔬產(chǎn)業(yè)的可持續(xù)發(fā)展具有重要意義。近年來機器視覺技術(shù)在果蔬產(chǎn)業(yè)領(lǐng)域得到了廣泛應(yīng)用。傳統(tǒng)的機器學(xué)習(xí)算法在處理機器視覺技術(shù)產(chǎn)生大量復(fù)雜的圖像數(shù)據(jù)時通常具有局限性，其性能不能滿足實際的需要。機器視覺技術(shù)與深度學(xué)習(xí)算法的融合實現(xiàn)了對復(fù)雜果蔬圖像的高效分析和處理?；跈C器視覺和深度學(xué)習(xí)所開發(fā)的果蔬品質(zhì)檢測系統(tǒng)在實際應(yīng)用中取得了顯著的成果，為推動果蔬產(chǎn)業(yè)的智能化升級提供了有力的技術(shù)支持。本綜述總結(jié)了近年來深度學(xué)習(xí)驅(qū)動的機器視覺技術(shù)在果蔬品質(zhì)分析領(lǐng)域的研究進展，并著重探討了目前面臨的挑戰(zhàn)，展望了該領(lǐng)域的未來發(fā)展趨勢，包括公開數(shù)據(jù)集的構(gòu)建、輕量級模型和三維傳感裝置的開發(fā)、多模態(tài)融合、可解釋性模型、便攜化和小型化設(shè)備研發(fā)，以及物聯(lián)網(wǎng)和區(qū)塊鏈技術(shù)賦能的全產(chǎn)業(yè)鏈智能果蔬管理體系的構(gòu)建，以期推動果蔬產(chǎn)業(yè)的技術(shù)升級與協(xié)同創(chuàng)新。

結(jié)論：本文全面綜述了深度學(xué)習(xí)算法驅(qū)動的機器視覺技術(shù)在果蔬外部品質(zhì)（包括顏色、形狀與尺寸、表面缺陷檢測）、內(nèi)部品質(zhì)（包括糖分、酸度、農(nóng)藥殘留和果蔬霉變檢測）和綜合品質(zhì)（如新鮮度檢測）控制領(lǐng)域的研究進展。與傳統(tǒng)機器學(xué)習(xí)算法相比，深度學(xué)習(xí)算法從大規(guī)模數(shù)據(jù)中提取復(fù)雜特征方面更高效，且能適應(yīng)多種學(xué)習(xí)任務(wù)和實際應(yīng)用，因其能夠?qū)W習(xí)和理解復(fù)雜的數(shù)據(jù)模式，在果蔬質(zhì)量評估任務(wù)中表現(xiàn)更精準(zhǔn)。另外，研究仍需要克服諸如缺乏大規(guī)模高質(zhì)量數(shù)據(jù)集、依賴人工標(biāo)注、過擬合或欠擬合、黑盒性質(zhì)及輕量化深度學(xué)習(xí)的設(shè)計與開發(fā)等多種挑戰(zhàn)，以開發(fā)更可靠、更穩(wěn)定的深度學(xué)習(xí)模型，滿足果蔬品質(zhì)分析的實際需求。隨著人工智能技術(shù)、3D打印技術(shù)、智能手機和其他小型設(shè)備的快速發(fā)展，果蔬品質(zhì)檢測技術(shù)的準(zhǔn)確性、便捷性與經(jīng)濟性會持續(xù)提高，將推動果蔬品質(zhì)檢測向智能化、便攜化、自動化與精準(zhǔn)化方向深度升級與可持續(xù)發(fā)展。

引文格式：

顏玉潔, 俞玥, 孔天宇, 等. 深度學(xué)習(xí)驅(qū)動的機器視覺技術(shù)用于果蔬品質(zhì)的智能感知: 進展、挑戰(zhàn)、展望[J]. 食品科學(xué), 2025, 46(22): 23-39. DOI:10.7506/spkx1002-6630-20250401-007.

YAN Yujie, YU Yue, KONG Tianyu, et al. Deep learning-based machine vision for intelligent perception of fruit and vegetable quality: progress, challenges, and prospects[J]. Food Science, 2025, 46(22): 23-39. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250401-007.

摘要：糧油安全是重要的食品安全問題之一，在全球范圍受到廣泛關(guān)注。因此，快速、準(zhǔn)確、高效的檢測技術(shù)對于保障糧油安全至關(guān)重要，而傳統(tǒng)糧油檢測方法存在耗時長、主觀誤差大、實時性差等缺點，難以滿足消費者對食品品質(zhì)的高要求，計算機視覺和深度學(xué)習(xí)的結(jié)合為糧油檢測提供了快速、高效、非破壞性的解決方案。本文首先介紹了深度學(xué)習(xí)和計算機視覺的基本原理及其在食品檢測中的優(yōu)勢，重點分析了卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)等算法在糧油檢測中的應(yīng)用案例，展示了這些技術(shù)在提高檢測精度和效率方面的顯著效果，總結(jié)了計算機視覺和深度學(xué)習(xí)在糧油及其制品無損檢測中的應(yīng)用進展。并從優(yōu)化模型魯棒性和可解釋性、開發(fā)輕量級模型以適應(yīng)資源受限的檢測環(huán)境等方面討論了在糧油安全領(lǐng)域應(yīng)用中存在的局限性和未來發(fā)展趨勢，旨在推動食品檢測技術(shù)向更高效、精準(zhǔn)的方向發(fā)展。

結(jié)論：DL算法獲取和處理大規(guī)模數(shù)據(jù)需要投入大量的時間和資源，導(dǎo)致成本高昂，同時數(shù)據(jù)質(zhì)量直接影響模型性能，現(xiàn)實中數(shù)據(jù)往往存在噪聲和偏差，降低了模型的準(zhǔn)確性，使得模型在數(shù)據(jù)稀缺的領(lǐng)域難以有效訓(xùn)練，而且人工標(biāo)注數(shù)據(jù)效率低下且容易出錯，這些問題都會降低模型的可靠性。在糧油品質(zhì)檢測領(lǐng)域，糧油的儲存和加工環(huán)境復(fù)雜，其外觀特征和內(nèi)在品質(zhì)受溫度、濕度、光照、季節(jié)以及天氣等諸多不可控因素影響較大，環(huán)境的多樣性和多變性導(dǎo)致圖像采集難度增加，需要投入大量的時間和資源，且目前極度缺乏支持實時糧油質(zhì)量評估的多品種糧油數(shù)據(jù)集，現(xiàn)有的數(shù)據(jù)集多為各個實驗室制備的小規(guī)模數(shù)據(jù)集，無法全面綜合反映糧油性質(zhì)。未來需要探索半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，減少對人工標(biāo)注數(shù)據(jù)的依賴，構(gòu)建覆蓋不同品種、生長階段和儲存條件的大規(guī)模糧油圖像數(shù)據(jù)集，或開發(fā)能利用小規(guī)模數(shù)據(jù)集的算法模型。

多模態(tài)數(shù)據(jù)的融合與分析是糧油食品安全無損檢測領(lǐng)域的核心研究方向。目前，許多檢測方法依舊依賴單一數(shù)據(jù)源，如僅使用可見光成像和近紅外光譜成像的光譜數(shù)據(jù)或圖像數(shù)據(jù)，這種單一模態(tài)數(shù)據(jù)的應(yīng)用存在諸多局限性，例如數(shù)據(jù)維度有限，無法全面反映糧油的品質(zhì)信息，導(dǎo)致檢測精度受限，難以提供足夠的信息區(qū)分相似特征的糧油品種或檢測微小的品質(zhì)變化。相比之下，多源數(shù)據(jù)融合在糧油安全檢測中展現(xiàn)出顯著優(yōu)勢，其通過整合光譜數(shù)據(jù)、圖像數(shù)據(jù)等多源異構(gòu)數(shù)據(jù)，可以更全面地反映糧油的生長環(huán)境和品質(zhì)形成的關(guān)鍵因素，能夠提升檢測模型的精度和魯棒性，有效彌補單一模態(tài)數(shù)據(jù)的不足。盡管DL在多模態(tài)數(shù)據(jù)融合領(lǐng)域已獲顯著突破，但融合算法仍需持續(xù)精進，以更有效地應(yīng)對異構(gòu)數(shù)據(jù)的處理挑戰(zhàn)。因此，有必要構(gòu)建可兼容多種成像模態(tài)的融合平臺，匯聚各類傳感器信息，從而進一步增強檢測的準(zhǔn)確度與穩(wěn)健性。

近年來，食品無損檢測的應(yīng)用正從實驗室走向生產(chǎn)和生活場景，這對檢測方法的精度和可靠性提出更高的要求，還需要兼顧實時性、便攜性和低成本等方面。越來越多的研究者正把智能手機這類便攜終端引入糧油品質(zhì)的實時在線監(jiān)測體系。通過開發(fā)輕量級DL模型，可以顯著降低算法模型的大小和計算復(fù)雜性，使其能夠更好地適應(yīng)智能手機和其他小型設(shè)備，但這容易導(dǎo)致檢測的準(zhǔn)確性和性能降低。因此，需要在設(shè)備小型化與高性能之間找到平衡點，探索如何在實現(xiàn)便攜式設(shè)備小型化的同時保證其特異性和靈敏度，未來應(yīng)致力于開發(fā)結(jié)構(gòu)緊湊、計算能力更強、參數(shù)量更精簡的輕量化網(wǎng)絡(luò)，并加強對適用于邊緣設(shè)備的輕量化模型的研究，以便在實現(xiàn)實時快速檢測的同時，進一步提升視覺識別系統(tǒng)的性能。

引文格式：

張書鳴, 王欣, 談文嬌, 等. 計算機視覺和深度學(xué)習(xí)在糧油及其制品無損檢測中的應(yīng)用[J]. 食品科學(xué), 2025, 46(22): 40-49. DOI:10.7506/spkx1002-6630-20250520-133.

ZHANG Shuming, WANG Xin, TAN Wenjiao, et al. Application of computer vision and deep learning in non-destructive testing of grains, oils and their products[J]. Food Science, 2025, 46(22): 40-49. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250520-133.

摘要：本研究系統(tǒng)量化分析不同感興趣區(qū)域（region of interest，ROI）特征（部位、形狀、尺度）與獼猴桃可溶性固形物含量（soluble solids content，SSC）預(yù)測精度的相關(guān)性規(guī)律，以構(gòu)建集成高光譜成像與ROI優(yōu)選的獼猴桃SSC預(yù)測模型框架。針對全果ROI區(qū)域光譜數(shù)據(jù)，分別利用多元散射校正（multiplicative scatter correction，MSC）、Savitzky-Golay（SG）平滑、標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate，SNV）及SNV-SG平滑方法進行預(yù)處理，建立偏最小二乘回歸模型以預(yù)測獼猴桃SSC，并通過性能分析確定模型處理策略。進一步分別提取獼猴桃赤道、花萼、果梗處不同形狀、尺度組合ROI光譜信息進行模型預(yù)測精度對比。結(jié)果表明，SNV預(yù)處理效果最佳，全果ROI預(yù)測集的決定系數(shù)（）＝0.832 7、預(yù)測均方根誤差（root mean square error of prediction，RMSEP）＝0.387 1。ROI特征對獼猴桃SSC預(yù)測準(zhǔn)確性有顯著影響，呈現(xiàn)“赤道＞花萼＞果?！?“圓形＞方形” “小尺度＞大尺度”的影響規(guī)律；而赤道處小圓形ROI預(yù)測結(jié)果最優(yōu)，＝0.917 3、RMSEP＝0.221 7。本研究驗證了高光譜圖像ROI優(yōu)選對模型性能的關(guān)鍵作用，明確了“赤道-圓形-小尺度”的組合特征優(yōu)勢，可為利用高光譜技術(shù)提高獼猴桃SSC預(yù)測效果提供有效途徑。

結(jié)論：本研究基于高光譜成像技術(shù)，系統(tǒng)探討了不同光譜處理策略及不同ROI特征組合選取對獼猴桃SSC預(yù)測模型性能的影響。首先提取全果ROI光譜信息，通過建立PLSR模型橫向比較各處理策略的優(yōu)劣，確定了SNV在提升預(yù)測精度方面表現(xiàn)最優(yōu)。在此基礎(chǔ)上，進一步在獼猴桃的赤道、花萼與果梗3 個部位選取不同ROI，提取相應(yīng)光譜信息并構(gòu)建PLSR模型，比較各ROI特征組合在SSC預(yù)測中的性能差異。主要結(jié)論如下：1）對于全果光譜數(shù)據(jù)，SNV-PLSR模型預(yù)測效果最優(yōu)（＝0.877 5，＝0.832 7），在SSC建模中表現(xiàn)出更優(yōu)的回歸擬合效果，說明其在高光譜數(shù)據(jù)處理中具有顯著優(yōu)勢。2）從區(qū)域特征方面來看，赤道部位整體預(yù)測性能優(yōu)于花萼和果梗部位，并且整體預(yù)測精度呈現(xiàn)“赤道＞花萼＞果?！钡内厔荩辉谙嗤叨认?，圓形ROI優(yōu)于方形ROI；小尺度ROI（50×50 像素及內(nèi)切圓C1）在減少背景干擾、提升建模精度方面更具優(yōu)勢。3）“赤道-圓形-小尺度”所構(gòu)建的模型性能最佳：訓(xùn)練集＝0.938 9，RMSEC＝0.263 3；預(yù)測集＝0.917 3，RMSEP＝0.221 7。

綜上所述，合理選擇高光譜圖像的處理策略及ROI特征組合，對于提升獼猴桃SSC預(yù)測模型的精度與穩(wěn)定性具有重要意義。本研究不僅揭示了獼猴桃不同ROI特征的光譜梯度響應(yīng)規(guī)律，而且量化分析了其對關(guān)聯(lián)模型預(yù)測性能影響，實現(xiàn)了獼猴桃SSC的快速、無損、精準(zhǔn)檢測。未來研究將細(xì)化實際應(yīng)用場景，逐步推動室外復(fù)雜環(huán)境ROI特征的圖像自適應(yīng)優(yōu)選；此外，將針對不同場景需求，結(jié)合特征波段選擇，以進一步優(yōu)化模型精度、穩(wěn)定性與計算效率，為果品智能分級分選及品質(zhì)管理提供高效的方法手段和技術(shù)支撐。

引文格式：

卞子晗, 陳謙, 李佳利, 等. 基于高光譜圖像區(qū)域特征優(yōu)選的獼猴桃可溶性固形物含量無損預(yù)測模型構(gòu)建[J]. 食品科學(xué),2025, 46(24): 1-8. DOI:10.7506/spkx1002-6630-20250709-069.

BIAN Zihan, CHEN Qian, LI Jiali, et al. Predictive modeling for nondestructive determination of soluble solids content in kiwifruits based on optimized regional features of hyperspectral images[J]. Food Science, 2025, 46(24): 1-8. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250709-069.

摘要：本研究以茶鮮葉為原料，按照自然萎凋、遠(yuǎn)紅外輻射3 h、遠(yuǎn)紅外輻射6 h 3 種工藝進行萎凋，測定主要滋味物質(zhì)的含量，并采集萎凋樣本的近紅外光譜與圖像數(shù)據(jù)，構(gòu)建融合卷積注意力模塊的一維卷積神經(jīng)網(wǎng)絡(luò)（onedimensional convolutional neural network with convolutional block attention module，CBAM-1DCNN）模型。結(jié)果顯示，遠(yuǎn)紅外輻射3 h條件下，萎凋15 h的酚氨比相比茶鮮葉下降了20.06%，感官得分最高?；诮t外光譜與機器視覺技術(shù)構(gòu)建的CBAM-1DCNN模型比單一技術(shù)建立的模型判別能力更強，校正集準(zhǔn)確率為99.11%，預(yù)測集準(zhǔn)確率為96.00%。遠(yuǎn)紅外輻射顯著改變了主要滋味物質(zhì)的含量，且通過近紅外光譜與機器視覺技術(shù)可以實現(xiàn)紅茶萎凋程度的快速判別。

結(jié)論：本研究圍繞紅茶萎凋過程中關(guān)鍵滋味物質(zhì)的動態(tài)變化，系統(tǒng)分析了不同萎凋工藝下萎凋葉樣本中總游離氨基酸、茶多酚、水分、總糖、酚氨比的變化趨勢，并建立CBAM-1DCNN模型判別萎凋程度。結(jié)果表明，遠(yuǎn)紅外輻射會促進萎凋進程，加速水分均勻蒸發(fā)與酶促氧化。構(gòu)建的光譜-圖像融合CBAM-1DCNN模型能夠有效判別萎凋程度，其中校正集準(zhǔn)確率為99.11%，預(yù)測集準(zhǔn)確率為96.00%，比滋味物質(zhì)建立的RF判別模型準(zhǔn)確率提升了10.67%。本研究可為紅茶萎凋工藝優(yōu)化提供新的思路，后續(xù)研究將聚焦于多模態(tài)數(shù)據(jù)融合及自適應(yīng)算法開發(fā)，以推動茶葉萎凋從經(jīng)驗控制向精準(zhǔn)調(diào)控的轉(zhuǎn)變。

引文格式：

夏高帆, 馬圣洲, ?；萘? 等. 遠(yuǎn)紅外輻射紅茶萎凋過程品質(zhì)變化規(guī)律及光譜-圖像協(xié)同監(jiān)測分析[J]. 食品科學(xué), 2025, 46(24)：9-17. DOI:10.7506/spkx1002-6630-20250721-165.

XIA Gaofan, MA Shengzhou, CHANG Huilin, et al. Quality evolution during far-infrared radiation withering of black tea and its monitoring based on data fusion of near infrared spectroscopy and machine vision[J]. Food Science, 2025, 46(24)：9-17. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250721-165.

特邀主編簡介

郭志明 教授

郭志明，江蘇大學(xué)食品與生物工程學(xué)院教授、博士生導(dǎo)師，現(xiàn)任江蘇大學(xué)集成電路學(xué)院副院長，從事食品無損檢測與物聯(lián)網(wǎng)監(jiān)測技術(shù)及裝備研發(fā)。入選農(nóng)業(yè)農(nóng)村部首批“神農(nóng)青年英才”和江蘇高?！扒嗨{(lán)工程”優(yōu)秀青年骨干教師等，兼任中國農(nóng)業(yè)機械學(xué)會農(nóng)副產(chǎn)品加工機械分會副秘書長、中國食品科學(xué)技術(shù)學(xué)會果蔬加工技術(shù)分會理事、江蘇省食品科學(xué)與技術(shù)學(xué)會理事兼副秘書長等。專注食品智能檢測與加工，在食品快速無損檢測、食品光學(xué)傳感評價、食品質(zhì)量安全物聯(lián)網(wǎng)、人工智能算法等方面取得了突出成效。近年主持了國家重點研發(fā)計劃項目、課題，國家自然科學(xué)基金面上、國合研究和青年項目，江蘇省重點研發(fā)計劃等國家及省部級項目20余項。第一發(fā)明人授權(quán)發(fā)明專利12 件、登記軟著8 件；第一/通信作者發(fā)表SCI論文70余篇，其中ESI高被引論文7 篇。研究成果獲教育部自然科學(xué)二等獎、江蘇省科學(xué)技術(shù)一等獎和中國商業(yè)聯(lián)合會科技進步特等獎等。

趙峙堯 教授

趙峙堯，教授，博士生導(dǎo)師，現(xiàn)任北京工商大學(xué)計算機與人工智能學(xué)院副院長，入選北京市科技新星、2021—2023北京市科協(xié)青年人才托舉工程、北京市屬高校優(yōu)秀青年人才。長期從事基于人工智能的系統(tǒng)科學(xué)理論與控制工程領(lǐng)域理論、方法和關(guān)鍵技術(shù)研究，專注于利用復(fù)雜動態(tài)系統(tǒng)智能健康管理技術(shù)，探究工業(yè)智能系統(tǒng)、環(huán)保、食品安全領(lǐng)域的風(fēng)險防控體系建設(shè)，在多旋翼無人機系統(tǒng)的健康性能評估與決策、食品供應(yīng)鏈安全風(fēng)險評估與防控、水環(huán)境機理建模及健康風(fēng)險評價等方面取得了重要成果。主持國家自然科學(xué)基金項目、國家重點研發(fā)計劃課題、北京市自然科學(xué)基金面上、青年項目等國家及省部級課題，發(fā)表SCI論文50余篇，授權(quán)國家發(fā)明專利10余項，獲得中國食品學(xué)會科技進步獎一等獎、中國發(fā)明協(xié)會發(fā)明創(chuàng)新獎二等獎、中國儀器儀表學(xué)會科技進步獎二等獎、北京市水利學(xué)會科學(xué)技術(shù)獎一等獎等。

專欄網(wǎng)址：

《食品科學(xué)》2025年22期：

https://www.spkx.net.cn/CN/volumn/volumn_1923.shtml

《食品科學(xué)》2025年24期：

https://www.spkx.net.cn/CN/volumn/volumn_1925.shtml

實習(xí)編輯：李雄；編輯：閻一鳴；責(zé)編：張睿梅。圖片來源于文章原文及攝圖網(wǎng)。

為匯聚全球智慧共探產(chǎn)業(yè)變革方向，搭建跨學(xué)科、跨國界的協(xié)同創(chuàng)新平臺，由北京食品科學(xué)研究院、中國肉類食品綜合研究中心、國家市場監(jiān)督管理總局技術(shù)創(chuàng)新中心（動物替代蛋白）、中國食品雜志社《食品科學(xué)》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，西南大學(xué)、 重慶市農(nóng)業(yè)科學(xué)院、 重慶市農(nóng)產(chǎn)品加工業(yè)技術(shù)創(chuàng)新聯(lián)盟、重慶工商大學(xué)、重慶三峽學(xué)院、西華大學(xué)、成都大學(xué)、四川旅游學(xué)院、西昌學(xué)院、北京聯(lián)合大學(xué)協(xié)辦的“ 第三屆大食物觀·未來食品科技創(chuàng)新國際研討會 ”， 將于2026年4月25-26日 （4月24日全天報到） 在中國 重慶召開。

長按或微信掃碼進行注冊

為系統(tǒng)提升我國食品營養(yǎng)與安全的科技創(chuàng)新策源能力，加速科技成果向現(xiàn)實生產(chǎn)力轉(zhuǎn)化，推動食品產(chǎn)業(yè)向綠色化、智能化、高端化轉(zhuǎn)型升級，由北京食品科學(xué)研究院、中國食品雜志社《食品科學(xué)》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，合肥工業(yè)大學(xué)、安徽農(nóng)業(yè)大學(xué)、安徽省食品行業(yè)協(xié)會、安徽大學(xué)、合肥大學(xué)、合肥師范學(xué)院、北京工商大學(xué)、中國科技大學(xué)附屬第一醫(yī)院臨床營養(yǎng)科、安徽糧食工程職業(yè)學(xué)院、安徽省農(nóng)科院農(nóng)產(chǎn)品加工研究所、安徽科技學(xué)院、皖西學(xué)院、黃山學(xué)院、滁州學(xué)院、蚌埠學(xué)院共同主辦的“第六屆食品科學(xué)與人類健康國際研討會”，將于 2026年8月15-16日（8月14日全天報到）在中國 安徽 合肥召開。

長按或微信掃碼進行注冊

會議招商招展

聯(lián)系人：楊紅；電話：010-83152138；手機：13522179918（微信同號）