《JOURNAL OF FOOD SCIENCE》：Deep Learning Models for Shelf Life Prediction and Regulation of Various Foods: A Systematic Review
編輯推薦：
本文系統回顧了深度學習在食品貨架期預測領域的前沿研究，涵蓋CNN、RNN、LSTM、Transformer等主流模型架構。文章深度剖析了（AI）技術在感官、理化、微生物等多維度食品質量評價中的應用，并與傳統動力學模型進行對比，揭示了深度學習在提升預測精度、實現動態“預測-調控”閉環方面的巨大潛力，為構建智能化食品供應鏈與減少糧食浪費提供了創新性解決方案。
在食品安全與資源效率備受關注的今天，精準預測食品貨架期已成為全球食品工業的核心技術挑戰。貨架期定義了食品在推薦儲存條件下保持安全、感官、理化及微生物品質最優的時期。傳統預測方法依賴感官評價、理化分析與微生物檢測，雖直觀但存在主觀性強、耗時且信息獲取有限等瓶頸，難以滿足現代供應鏈對高效、精準管理的迫切需求。
1 深度學習賦能食品保鮮質量評價
食品保鮮質量的科學評估是產業基石，關乎消費者滿意度與資源可持續性。傳統方法主要圍繞三大類指標展開：
感官指標：通過外觀、氣味、口感等直接評價新鮮度，例如評估熏制羅非魚片或草莓的外觀與風味接受度。
理化指標：測量pH值、水分、可溶性固形物、抗氧化物質含量等客觀參數，如通過監測pH和酸度評估羊奶品質，或通過測量顏色和水活性評估抗氧化包裝膜的效果。
微生物指標：通過監測大腸桿菌、金黃色葡萄球菌等特定菌落總數來評估衛生安全狀況，例如通過檢測微生物數量評估抗菌保鮮復合紙對櫻桃的保鮮效果。
然而，傳統方法的局限性催生了深度學習技術的融合應用。通過分析大規模圖像數據，卷積神經網絡（CNN）等模型能夠自動提取并分析食品的外觀特征，實現產品質量的自動化評價與分級。研究顯示，基于RGB圖像的CNN模型預測食用菌新鮮度的準確率可達94.10%，對香蕉貨架期的預測平均精度（mAP）超過80%。深度學習不僅限于圖像分析，在與光譜技術結合后，能對食品營養成分進行定性與定量研究，例如預測蜜柑的可溶性固形物含量（R2= 0.9290）。循環神經網絡（RNN）也被用于多水果質量評估系統，整體分類準確率達98.47%。
2 多元化貨架期預測方法演進
貨架期預測方法主要分為數據驅動和指標驅動兩大路徑。數據驅動方法將食品質量變化視為“黑箱”，重點關注環境條件與整體質量之間的數據相關性。指標驅動方法則基于化學或微生物學原理，選取關鍵質量指標（如維生素C、總菌落數）研究其變化規律。
基于單指標的評價通過分析單一指標（如物理數據、化學數據或感官評價）的歷史數據來預測貨架期。例如，通過監測草莓和蘋果在涂覆殼聚糖基可食性涂層后抗壞血酸和總酚含量的變化，來評估其保鮮效果。感官評價結合電子鼻、電子舌等電子傳感系統，可更全面、高效地預測動物源性食品的貨架期。
基于動力學模型的預測則綜合考慮溫度、濕度、光照、氧氣及微生物等影響因素，建立數學模型描述食品在特定條件下的腐敗動力學。例如，采用Arrhenius模型預測冷凍尼羅羅非魚在多種溫度下的品質變化，相對誤差在±10%以內；或利用 Gompertz 方程描述鮮切土豆在不同溫度下的微生物生長動態，從而建立完整的貨架期預測模型。
基于深度學習的預測代表了更前沿的方向。深度學習模型善于從復雜、多源的數據中自動學習特征與內在關聯，構建高精度預測系統。例如，采用特征選擇和蜣螂優化算法增強的反向傳播神經網絡（BP-NN）模型，能夠高精度、穩定地預測采后藍莓的貨架期。長短期記憶網絡（LSTM-NN）在預測冷凍大黃魚貨架期時，其預測均方根誤差（RMSE）比BP-NN模型降低32.46%，顯示出更優的預測精度與穩定性。在谷物油脂產品領域，人工神經網絡（ANN）模型可精準評估珍珠粟在儲存過程中的酸價（AV）和過氧化值（PV）變化（R2= 0.998）。高光譜成像技術結合三維卷積神經網絡（3D-CNN）對萌動小麥粒進行分類，準確率高達98.40%。
3 核心深度學習模型剖析
人工神經網絡（ANN）、卷積神經網絡（CNN）、循環神經網絡（RNN）及其變體長短期記憶網絡（LSTM）是當前食品保鮮與貨架期預測領域最常用的模型。
人工神經網絡（ANN）具有強大的自適應和學習能力，可用于建模復雜的非線性關系。研究已成功利用ANN預測桃子的果實品質（R2> 0.92），并對鮮奶進行分級（準確率98.74%）。
卷積神經網絡（CNN）憑借其局部連接和權重共享的特性，特別擅長處理圖像和空間數據，在食品外觀缺陷識別、成熟度分類等方面表現出色。例如，采用遷移學習的CNN-TL模型對蘋果新鮮度進行分類，準確率達94%。
循環神經網絡（RNN）及其變體LSTM專為序列數據設計，具有記憶功能，能捕捉時間或空間上的連續上下文信息。LSTM通過輸入門、遺忘門和輸出門的精巧設計，有效解決了長期依賴問題，在時間序列預測任務中表現卓越。此外，Transformer架構因其強大的并行計算能力和長程依賴捕獲能力，也在食品檢測與識別任務中展現出潛力。
4 從被動預測到主動調控
深度學習在食品質量評價與貨架期預測中的應用，正推動行業從被動預測轉向主動的逆向調控。通過精確控制儲存條件，如溫度、濕度、包裝和氣調環境，可以有效延長食品貨架期。
溫度調控至關重要，將易腐食品（如乳制品、肉類）儲存在0–4°C可有效抑制微生物生長和酶活。濕度控制則能防止食品霉變或失水，通常通過空調或除濕設備實現。包裝技術的改進，如真空包裝減少氧氣接觸，氣調包裝調整氧氣、二氧化碳比例，都能顯著抑制氧化和微生物活動。研究顯示，殼聚糖涂膜可將室溫下木瓜的微生物貨架期延長4-7天；改性氣調/濕度包裝可將樹莓的貨架期從8-9天延長至20-21天；而殼聚糖基涂層結合ε-聚賴氨酸和谷胱甘肽，可將牛肉片的冷藏貨架期延長至少6天。
總之，深度學習技術通過提供更客觀、高效、精準的食品質量評估與貨架期預測方案，正在深刻變革食品行業。它不僅能減少食物浪費、保障食品安全，還能優化供應鏈管理，提升資源利用效率。未來，隨著數據融合、模型優化及“預測-調控”一體化框架的完善，深度學習必將在構建智能化、可持續的食品體系中扮演更為關鍵的角色。
