本期介绍清华大学深圳国际研究生院唐彦嵩特聘研究员等发表在《中国食品学报》第24卷第12期特约专栏（人工智能+食品）上的文章《机器视觉在食品无损检测中的应用研究进展》。

该研究系统综述了机器视觉在食品无损检测领域的研究进展，重点分析了当前主流的成像技术和检测算法，同时讨论了该领域的技术挑战与未来发展趋势。随着全球食品消费需求的增长，食品质量安全问题日益受到关注，传统的破坏性检测方法已无法满足高效、精准的检测需求。机器视觉技术凭借其高自动化、低成本和高精度的优势，成为食品无损检测的关键技术之一。该研究通过文献计量学分析，揭示了该领域的研究发展趋势，发现近年来深度学习的快速发展促进了食品无损检测技术的进步，并推动了多模态数据融合和嵌入式检测系统的应用。

图1 2004—2024年相关领域文献发表情况

                   （a）中文文献                                                       （b）英文文献

图2 关键词共现图谱

                      （a）                                                             （b）

注：按突现时间排序，（a）中文文献；（b）英文文献。

图3 关键词突现性分析

在食品无损检测的成像技术方面，RGB成像、多光谱成像、高光谱成像等技术被广泛应用。RGB成像技术成本低、应用广泛，适用于食品外观检测，如颜色、形状、表面缺陷等，但由于光谱信息有限，难以满足食品内部品质检测的需求。多光谱成像技术通过选取多个特定波段的光谱信息，提高了检测精度，并广泛应用于食品质量和成分的识别。高光谱成像技术则进一步扩展了光谱范围，每个像素点均包含完整的光谱信息，使其能够精准分析食品的成分和品质，特别适用于复杂食品的检测任务。此外，X射线成像、荧光成像、光学相干断层扫描等技术也被应用于食品内部缺陷检测，提升了无损检测的全面性。

在检测算法方面，传统图像处理方法主要依赖于边缘检测、直方图分析等技术，适用于简单的食品外观检测任务，但在复杂环境下的鲁棒性较弱。传统机器学习算法，如支持向量机（SVM）、随机森林（RF）等，通过特征提取和分类模型，提高了检测的准确率。近年来，深度学习技术的快速发展为食品无损检测提供了强大的数据处理能力，卷积神经网络（CNN）、生成对抗网络（GAN）等模型被广泛用于食品缺陷检测、品质评估和食品成分预测。这些深度学习模型不仅能够自动提取特征，提高检测的准确性，还可以适应不同类型的食品检测任务，增强了模型的泛化能力。

尽管机器视觉技术在食品无损检测领域取得了显著进展，但仍面临一些技术挑战。首先，缺乏大规模公开数据集和标准化评测基准，限制了模型的训练和优化，影响了不同研究工作的可比性。其次，食品检测任务具有高度的多样性和复杂性，不同食品种类、检测环境和光照条件会影响模型的泛化能力。此外，深度学习模型的计算资源需求较高，如何在嵌入式系统中高效部署检测算法，仍是一个重要的研究方向。未来，研究者可通过多模态数据融合、迁移学习和轻量化深度学习模型优化等手段，提高机器视觉技术在食品无损检测中的应用效果。

展望未来，食品无损检测技术的发展将进一步向智能化和自动化方向迈进。多模态数据融合将成为关键研究方向之一，通过整合不同光谱成像、超声波成像和X射线成像的数据，提高检测的全面性和准确性。此外，嵌入式检测系统的发展将推动低成本、便携式食品检测设备的普及，使食品质量检测更加高效和实时。结合物联网技术，未来的食品无损检测系统将能够实现远程监测和数据分析，提升食品供应链的安全性和透明度。总体而言，机器视觉技术在食品无损检测中的应用前景广阔，将为食品质量控制和安全保障提供更加可靠的技术支持。

原文链接：https://kns.cnki.net/kcms2/article/abstract?v=Hk3u3f8a_QtZ9WGMkIWZVQODoGfEzAvUociGz0I_cUBAk0eXiSfSRx06AuX-Nb2psCoKxIi4p8P_GNzaZtrGgFbj6B9PxG0pkk1xu4zKAUmDDkkfmVzuin7GoWkAxOW8oyMijmvie8zfS75K_AIdVEpS_u2euOhMDacMDhMkNllqDuCYMQgdlKJqzdYC-Om4&uniplatform=NZKPT&language=CHS