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

De reis van een vis van de oceaan naar het bord is een race tegen de klok. Zodra ze gevangen zijn, begint de vis chemisch en biologisch te veranderen, een proces dat wordt gedreven door bacteriën, de afbraak van eiwitten en de oxidatie van vetten. Deze veranderingen tasten de geur, textuur en het uiterlijk van het voedsel aan, wat uiteindelijk leidt tot bederf. Decennialang was het bepalen of een vis nog veilig is om te eten afhankelijk van methoden die ofwel traag zijn, een laboratorium vereisen, of het product zelf vernietigen. Een wetenschapper moet misschien een vis opensnijden, fijnmalen en chemische tests uitvoeren om de opbouw van specifieke verbindingen zoals vluchtige stikstof of het aantal levende bacteriën te meten. Hoewel accuraat, betekent deze aanpak dat de vis die getest wordt, niet langer verkocht kan worden. De voedingsindustrie en consumenten zoeken al lang naar een manier om in de kwaliteit van vis te kijken zonder de zegel te verbreken of de vangst te verpesten.

Een nieuwe systematische review gepubliceerd in oktober 2026 door onderzoekers van de Universitas Muhammadiyah Semarang onderzoekt hoe kunstmatige intelligentie deze kloof probeert te dichten. De auteurs, Muhammad Munsarif en Richmond Ampah-Mensah, hebben tweeëndertig recente studies verzameld en geanalyseerd om te zien of deep learning — een krachtig type computerprogramma dat leert van data — nauwkeurig de versheid van vis kan beoordelen zonder deze aan te raken. Ze keken naar een breed scala aan technologieën, van standaardcamera's die foto's maken van visogen en kieuwen tot geavanceerde sensoren die onzichtbare chemische signalen detecteren. De onderzoekers ontdekten dat hoewel computers steeds beter worden in het opsporen van bederf, de weg naar echt gebruik in de praktijk niet zo eenvoudig is als het behalen van een hoge score op een test. De ware maatstaf voor succes is volgens hen niet alleen hoe goed een model de versheid voorspelt in een gecontroleerd laboratorium, maar of het dat ook betrouwbaar kan doen op een drukke fabrieksvloer of in een supermarkt, met data die de biologische realiteit van het voedsel werkelijk reflecteren.

De review begon met het doorzoeken van meer dan duizend wetenschappelijke records gepubliceerd tussen 2021 en 2026. Na het verwijderen van duplicaten en het filteren van studies die geen deep learning gebruikten of vertrouwden op destructieve tests, richtte het team zich op achtentwintig kwalitatief hoogwaardige papers. Deze studies bestreken een divers scala aan visproducten, waaronder vissen, garnalen, krabben en oesters. De onderzoekers identificeerden vier hoofdmiddelen waarmee deze systemen de versheid "zien". De eerste en meest toegankelijke methode gebruikt standaard RGB-camera's, vergelijkbaar met die op smartphones, om zichtbare veranderingen te analyseren. Deze systemen zoeken naar verschuivingen in kleur en textuur op de huid, ogen of kieuwen van de vis, die vaak troebel of verkleurd raken naarmate het dier bederft. De tweede benadering betreft spectroscopie, waarbij sensoren licht op de vis schijnen en meten hoe het weefsel verschillende golflengten absorbeert of reflecteert. Dit stelt de computer in staat om moleculaire veranderingen te detecteren, zoals de afbraak van eiwitten of vetten, die plaatsvinden lang voordat de vis er slecht uitziet voor het menselijk oog.

De derde categorie omvat intelligente sensoren die fungeren als een digitale neus of tong. Deze apparaten maken gebruik van chemische strips die van kleur veranderen wanneer ze reageren met gassen die vrijkomen bij rottende vis, zoals ammoniak. Een camera leest vervolgens deze kleurveranderingen uit en voert de data in een computerprogramma in. De vierde groep combineert deze methoden door zowel visuele beelden als chemische signalen te gebruiken om een completer beeld te krijgen van de conditie van de vis. Over deze verschillende technologieën heen was de gerapporteerde prestatie vaak indrukwekkend. Veel studies claimden classificatienauwkeurigheidscijfers van boven de 95 procent, wat betekent dat de computer in bijna alle gevallen correct identificeerde of een vis vers of bedorven was. Sommige systemen die specifieke chemische waarden voorspelden, zoals het niveau van vluchtige stikstof, vertoonden een zeer sterke statistische overeenkomst met de werkelijke laboratoriummetingen.

De auteurs waarschuwen echter dat deze hoge cijfers slechts een deel van het verhaal vertellen. Een belangrijke bevinding van de review is dat veel studies vertrouwen op "labels" die te makkelijk te raden zijn. Als een computer bijvoorbeeld getraind wordt om onderscheid te maken tussen vis die één dag is bewaard versus vis die tien dagen is bewaard, kan het simpelweg leren om de lichtomstandigheden of de achtergrond van het laboratorium te herkennen in plaats van de werkelijke staat van de vis. De review vond dat studies die hun voorspellingen verankerden aan harde chemische data, zoals de telling van levende bacteriën of de specifieke niveaus van bederfmetabolieten, veel sterker bewijs leverden van bruikbaarheid in de echte wereld. Wanneer een model een specifieke chemische waarde voorspelt in plaats van alleen een opslagtijd, is het waarschijnlijker dat het de werkelijke biologische afbraak meet.

Ondanks de veelbelovende nauwkeurigheid identificeerden de onderzoekers aanzienlijke hindernissen voordat deze systemen breed kunnen worden toegepast. Een kritiek zwak punt in de meeste van de onderzochte studies was het gebrek aan onafhankelijke testen. Veel systemen werden alleen getest op dezelfde batch vis, in hetzelfde laboratorium, onder dezelfde lichtomstandigheden als die gebruikt werden om ze te trainen. Dit is alsoك een student leren voor een examen door hem exact dezelfde vragen te geven die hij op het examen zal zien; hij kan een perfect cijfer halen, maar hij heeft het onderwerp niet echt geleerd. De review vond dat zeer weinig studies hun modellen testten op verschillende batches, verschillende soorten of verschillende locaties. Zonder deze vorm van externe validatie is het moeilijk te weten of het systeem zal werken wanneer de omstandigheden veranderen, zoals wanneer een vis wordt bekeken onder andere winkelverlichting of door een andere camera.

Een andere uitdaging ligt in het verschil tussen een computermodel dat in theorie werkt en een apparaat dat in de praktijk werkt. Hoewel veel studies voorstelden dat hun systemen op een smartphone of een robotarm geplaatst konden worden, is slechts een handvol dit daadwerkelijk aangegaan. Een klein aantal onderzoekers heeft hun programma's succesvol gedraaid op draagbare hardware zoals Raspberry Pi-computers of mobiele telefoons, waarmee werd aangetoond dat de technologie snel en klein genoeg kan zijn voor echt gebruik. Eén studie demonstreerde zelfs een robotsysteem dat vis sorteert op basis van versheid. Toch blijven deze praktische demonstraties de uitzondering op de regel. De meeste research zit nog steeds in de proof-of-concept fase, waarbij de focus ligt op het bouwen van een model dat werkt in een gecontroleerde omgeving in plaats van een model dat de chaos van een echte toeleveringsketen kan aan kunnen.

De auteurs concluderen dat het veld is geëvolueerd van eenvoudige beeldherkenning naar een complexere integratie van biologie en technologie. De meest volwassen systemen zijn die welke het juiste sensortool combineren met een duidelijk biologisch doel, zoals het meten van een specifieke bederfverbinding, en dat systeem vervolgens rigoureus buiten het laboratorium testen. Hoge nauwkeurigheid alleen is niet genoeg om een technologie klaar voor de markt te verklaren. Om deze tools de vissector echt te laten transformeren, moet toekomstig onderzoek prioriteit geven aan testen op diverse, onafhankelijke monsters en bewijzen dat de systemen werken op de eigenlijke hardware die ze in de echte wereld zullen gebruiken. Tot die tijd blijft de belofte van instant, niet-destructieve versheidscontroles een krachtig potentieel in plaats van een opgelost probleem, wachtend op de volgende stap van de laboratoriumbank naar de vismarkt.