Deep Learning-Based Non-Destructive Seafood Freshness Assessment: A Systematic Review of Sensing Technologies, Validation, and Deployment Readiness

Die Reise eines Fisches vom Ozean bis auf den Teller ist ein Wettlauf gegen die Zeit. Sobald er gefangen wurde, beginnt Meeresfrüchte sich chemisch und biologisch zu verändern – ein Prozess, der durch Bakterien, den Abbau von Proteinen und die Oxidation von Fetten vorangetrieben wird. Diese Veränderungen verändern den Geruch, die Textur und das Aussehen der Lebensmittel und führen schließlich zum Verderb. Jahrzehntelang hing die Bestimmung der Frage, ob ein Fisch noch sicher zu essen ist, von Methoden ab, die entweder langsam sind, ein Labor erfordern oder das Produkt selbst zerstören. Ein Wissenschaftler muss vielleicht einen Fisch aufschneiden, ihn zerkleinern und chemische Tests durchführen, um den Aufbau spezifischer Verbindungen wie flüchtiger Stickstoffe oder die Anzahl lebender Bakterien zu messen. Während dies genau ist, bedeutet dieser Ansatz, dass genau der Fisch, der getestet wird, nicht mehr verkauft werden kann. Die Lebensmittelindustrie und die Verbraucher suchen schon lange nach einem Weg, einen Blick in die Qualität von Meeresfrüchten zu werfen, ohne das Siegel zu brechen oder die Beute zu ruinieren.

Eine im Oktober 2026 veröffentlichte systematische Übersichtsarbeit von Forschern der Universitas Muhammadiyah Semarang untersucht, wie künstliche Intelligenz diese Lücke schließt. Die Autoren, Muhammad Munsarif und Richmond Ampah-Mensah, haben zweiunddreißig aktuelle Studien gesammelt und analysiert, um zu sehen, ob Deep Learning – eine leistungsstarke Art von Computerprogramm, die aus Daten lernt – die Frische von Meeresfrüchten genau beurteilen kann, ohne diese zu berühren. Sie untersuchten eine breite Palette von Technologien, von Standardkameras, die Bilder von Fischaugen und Kiemen aufnehmen, bis hin zu fortschrittlichen Sensoren, die unsichtbare chemische Signale erkennen. Die Forscher fanden heraus, dass Computer zwar bemerkenswert gut darin werden, Verderb zu erkennen, der Weg zur praktischen Anwendung jedoch nicht so einfach ist wie das Erreichen einer hohen Punktzahl in einem Test. Das wahre Maß für den Erfolg liegt laut ihrer Argumentation nicht nur darin, wie gut ein Modell die Frische in einem kontrollierten Labor vorhersagt, sondern ob es dies auch zuverlässig auf einem geschäftigen Fabrikboden oder in einem Lebensmittelgeschäft tun kann, indem es Daten verwendet, die die biologische Realität der Lebensmittel tatsächlich widerspiegeln.

Die Übersichtsarbeit begann mit der Sichtung von über tausend wissenschaftlichen Datensätzen, die zwischen 20-21 und 2026 veröffentlicht wurden. Nachdem Duplikate entfernt und Studien herausgefiltert wurden, die kein Deep Learning verwendeten oder auf destruktive Tests angewiesen waren, konzentrierte sich das Team auf achtundzwanzig qualitativ hochwertige Arbeiten. Diese Studien deckten ein breites Spektrum an Meeresfrüchten ab, darunter Knochenfische, Garnelen, Krabben und Austern. Die Forscher identifizierten vier Hauptwege, wie diese Systeme die Frische „sehen“. Die erste und zugänglichste Methode nutzt Standard-RGB-Kameras, ähnlich denen auf Smartphones, um sichtbare Veränderungen zu analysieren. Diese Systeme suchen nach Verschiebungen in Farbe und Textur der Fischhaut, der Augen oder der Kiemen, die oft trüb oder verfärbt werden, wenn das Tier verdirbt. Der zweite Ansatz umfasst die Spektroskopie, bei der Sensoren Licht auf den Fisch strahlen und messen, wie das Gewebe unterschiedliche Wellenlängen absorbiert oder reflektiert. Dies ermöglicht es dem Computer, molekulare Veränderungen zu erkennen, wie etwa den Abbau von Proteinen oder Fetten, die stattfinden, lange bevor der Fisch für das menschliche Auge schlecht aussieht.

Die dritte Kategorie umfasst intelligente Sensoren, die wie eine digitale Nase oder Zunge fungieren. Diese Geräte verwenden chemische Streifen, die ihre Farbe ändern, wenn sie mit Gasen reagieren, die beim Verrotten von Fisch freigesetzt werden, wie etwa Ammoniak. Eine Kamera liest dann diese Farbveränderungen aus und speist die Daten in ein Computerprogramm ein. Die vierte Gruppe kombiniert diese Methoden, indem sie sowohl visuelle Bilder als auch chemische Signale nutzt, um ein vollständigeres Bild des Zustands des Fisches zu erhalten. Über diese verschiedenen Technologien hinweg war die berichtete Leistung oft beeindruckend. Viele Studien behaupteten Klassifizierungsgenauigkeiten von über 95 Prozent, was bedeutet, dass der Computer in fast jedem Fall korrekt identifizierte, ob ein Fisch frisch oder verdorben war. Einige Systeme, die spezifische chemische Werte vorhersagten, wie etwa den Gehalt an flüchtigem Stickstoff, zeigten eine sehr starke statistische Übereinstimmung mit den tatsächlichen Labormessungen.

Die Autoren mahnen jedoch zur Vorsicht, dass diese hohen Zahlen nur einen Teil der Geschichte erzählen. Eine wichtige Erkenntnis der Übersichtsarbeit ist, dass viele Studien auf „Labels“ basieren, die zu leicht zu erraten sind. Wenn ein Computer beispielsweise darauf trainiert wird, zwischen Fisch, der ein Tag gelagert wurde, und Fisch, der zehn Tage gelagert wurde, zu unterscheiden, könnte er einfach lernen, die Lichtverhältnisse oder den Hintergrund des Labors zu erkennen, anstatt den tatsächlichen Zustand des Fisches. Die Übersichtsarbeit fand, dass Studien, die ihre Vorhersagen an harte chemische Daten koppelten, wie etwa die Anzahl lebender Bakterien oder die spezifischen Mengen an Verderbsmetaboliten, eine viel stärkere Evidenz für die reale Nutzbarkeit lieferten. Wenn ein Modell einen spezifischen chemischen Wert statt nur eine Lagerzeit vorhersagt, ist es wahrscheinlicher, dass es den tatsächlichen biologischen Verfallsprozess misst.

Trotz der vielversprechenden Genauigkeit identifizierten die Forscher erhebliche Hürden, bevor diese Systeme weit verbreitet eingesetzt werden können. Eine kritische Schwäche in den meisten der untersuchten Studien war der Mangel an unabhängigen Tests. Viele Systeme wurden nur mit derselben Charge von Fischen, im selben Labor und unter denselben Lichtbedingungen getestet, die auch für das Training verwendet wurden. Dies ist so, als würde man einem Schüler beibringen, eine Prüfung abzulegen, indem man ihm genau die Fragen gibt, die er auch in der Prüfung sehen wird; er mag eine perfekte Punktzahl erreichen, aber er hat das Thema nicht wirklich gelernt. Die Übersichtsarbeit ergab, dass sehr wenige Studien ihre Modelle an verschiedenen Chargen, verschiedenen Arten oder an verschiedenen Standorten testeten. Ohne diese Art von externer Validierung ist es schwierig zu wissen, ob das System funktioniert, wenn sich die Bedingungen ändern, etwa wenn ein Fisch unter anderem Ladenlicht betrachtet wird oder von einer anderen Kamera erfasst wird.

Eine weitere Herausforderung liegt im Unterschied zwischen einem Computermodell, das in der Theorie funktioniert, und einem Gerät, das in der Praxis arbeitet. Während viele Studien vorschlugen, dass ihre Systeme auf einem Smartphone oder einem Roboterarm eingesetzt werden könnten, konnte nur eine Handvoll dies tatsächlich demonstrieren. Einige Forscher ließen ihre Programme erfolgreich auf tragbarer Hardware wie Raspberry-Pi-Computern oder Mobiltelefonen laufen und zeigten damit, dass die Technologie schnell und klein genug für den realen Einsatz sein kann. Eine Studie demonstrierte sogar ein Robotersystem, das Fische basierend auf ihrer Frische sortiert. Dennoch bleiben diese praktischen Demonstrationen die Ausnahme statt der Regel. Die meiste Forschung steckt noch in der Phase des Machbarkeitsnachweises (Proof-of-Concept), in der der Fokus darauf liegt, ein Modell zu bauen, das in einer kontrollierten Umgebung funktioniert, anstatt eines, das mit der Unordnung einer echten Lieferkette umgehen kann.

Die Autoren kommen zu dem Schluss, dass sich das Feld über die einfache Bilderkennung hinaus zu einer komplexeren Integration von Biologie und Technologie entwickelt hat. Die ausgereiftesten Systeme sind jene, die das richtige Sensorsystem mit einem klaren biologischen Ziel koppeln, wie etwa der Messung einer spezifischen Verfallsverbindung, und dieses System anschließend streng außerhalb des Labors testen. Hohe Genauigkeit allein reicht nicht aus, um eine Technologie marktreif zu erklären. Damit diese Werkzeuge den Umgang mit Meeresfrüchten wirklich transformieren können, muss die zukünftige Forschung die Tests an vielfältigen, unabhängigen Proben priorisieren und beweisen, dass die Systeme auf der tatsächlichen Hardware funktionieren, die sie in der realen Welt verwenden werden. Bis dahin bleibt das Versprechen eines sofortigen, zerstörungsfreien Frischechecks ein kraftvolles Potenzial statt eines gelösten Problems, das auf den nächsten Schritt vom Labortisch zum Fischmarkt wartet.