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

从海洋到餐桌，鱼类的旅程是一场与时间的赛跑。一旦被捕获，海鲜就会开始发生化学和生物学上的变化，这一过程是由细菌、蛋白质分解以及脂肪氧化所驱动的。这些变化改变了食物的气味、质地和外观，最终导致变质。几十年来，判断一条鱼是否仍然可以食用一直依赖于那些要么速度缓慢、要么需要实验室环境、要么会破坏产品本身的方法。科学家可能需要切开鱼体，将其研磨，并进行化学测试以测量特定化合物（如挥发性氮）的积累或活菌计数。虽然这种方法很准确，但这意味着被测试的鱼本身已无法再进行销售。食品行业和消费者长期以来一直寻求一种无需破坏密封或毁坏渔获物，就能窥探海鲜品质的方法。

由塞马朗穆罕默德·苏拉里亚大学（Universitas Muhammadiyah Semarang）研究人员于2026年10月发表的一项新的系统综述探讨了人工智能如何填补这一空白。作者 Muhammad Munsarif 和 Richmond Ampah-Mensah 收集并分析了32项近期的研究，以观察深度学习——一种能够从数据中学习的强大计算机程序类型——是否可以准确地在不接触物体的情况下判断海鲜的新鲜度。他们研究了广泛的技术，从拍摄鱼眼和鱼鳃的标准照相机，到探测不可见化学信号的高级传感器。研究人员发现，虽然计算机在识别腐败方面变得非常出色，但通往实际应用的道路并不简单，并不只是在测试中获得高分那么容易。他们认为，成功的真正衡量标准不仅是模型在受控实验室中的预测能力，而是在繁忙的工厂车间或杂货店中，能否利用真正反映食物生物现实性的数据进行可靠的预测。

该综述首先筛选了2021年至2026年间发表的一千多份科学记录。在剔除重复项并过滤掉未使用深度学习或依赖破坏性测试的研究后，团队专注于28篇高质量论文。这些研究涵盖了多种多样的海鲜，包括鱼类、虾、蟹和牡蛎。研究人员确定了这些系统“观察”新鲜度的四种主要方式。第一种也是最易获取的方法使用标准红绿蓝相机（类似于智能手机上的相机）来分析可见的变化。这些系统通过观察鱼类皮肤、眼睛或鱼鳃上颜色和纹理的变化来工作，这些部位在动物腐烂时通常会变得浑浊或变色。第二种方法涉及光谱学，即传感器照射鱼体并测量组织吸收或反射不同波长的程度。这使得计算机能够检测到肉眼在肉眼察觉到外观变差之前就已发生的分子变化，例如蛋白质或脂肪的分解。

第三类涉及智能传感器，它们充当数字化的鼻子或舌头。这些设备使用在与腐烂鱼类释放的气体（如氨气）发生反应时会改变颜色的化学试条。随后，相机读取这些颜色变化并将数据输入计算机程序。第四组结合了这些方法，同时利用视觉图像和化学信号来获取鱼类状况的更全面图景。在这些不同的技术中，报告的性能通常令人印象深刻。许多研究声称分类准确率超过95%，这意味着计算机在几乎所有情况下都能正确识别鱼类是新鲜还是变质。一些预测特定化学值（如挥发性氮水平）的系统，与实际的实验室测量结果显示出极强的统计匹配度。

然而，作者提醒说，这些高数字仅说明了部分情况。该综述的一个主要发现是，许多研究依赖的“标签”过于容易猜测。例如，如果一个计算机被训练用于区分储存了一天与储存了十天的鱼，它可能仅仅是在学习识别实验室的光照条件或背景，而不是鱼类的实际状态。综述发现，那些将预测锚定在硬性化学数据（如活菌计数或特定腐败代谢物水平）上的研究，提供了更有力的现实应用证据。当一个模型预测特定的化学值而非仅仅是储存时间时，它更有可能是在测量实际的生物衰变过程。

尽管前景广阔，研究人员也指出，在这些系统广泛采用之前仍存在显著障碍。在所审查的研究中，一个关键弱点是缺乏独立测试。许多系统仅在与训练它们相同的同一批鱼、同一实验室、同一光照条件下进行测试。这就像教学生考试时，直接把他们将来会遇到的题目都给他们看；他们可能会得到满分，但他们并没有真正掌握这门学科。综述发现，极少有研究在不同批次、不同物种或不同地点的鱼类上测试其模型。如果没有这种外部验证，很难知道当条件发生变化时（例如，当鱼在不同的商店灯光下被观察或由不同的相机拍摄时），系统是否依然有效。

另一个挑战在于计算机模型在理论上运行与设备在实践中运行之间的差异。虽然许多研究提出他们的系统可以安装在智能手机或机械臂上，但实际上只有极少数实现了这一点。少数研究人员成功地将他们的程序运行在像树莓派（Raspberry Pi）这样的便携式硬件或移动电话上，证明了该技术可以足够快速且小型化以投入实际使用。一项研究甚至展示了一个根据新鲜度对鱼进行分类的机器人系统。然而，这些实际演示仍是例外而非普遍现象。大多数研究仍停留在概念验证阶段，其重点在于构建一个在受控环境中工作的模型，而不是一个能够应对真实供应链复杂性的模型。

作者总结道，该领域已经从简单的图像识别转向了生物学与技术的更复杂集成。最成熟的系统是将正确的传感工具与明确的生物目标（如测量特定的腐败化合物）相结合，并在实验室之外对其进行严格测试。仅凭高准确率不足以宣布一项技术已准备好进入市场。为了让这些工具真正改变我们处理海鲜的方式，未来的研究必须优先考虑在多样化、独立的样本上进行测试，并证明这些系统能在其实际使用的硬件上正常运行。在此之前，这种即时的、非破坏性的新鲜度检查承诺，仍是一个强大的潜力，而非一个已解决的问题，正等待着从实验室台前迈向鱼市场的下一步。