高光谱成像为食品监测设立了新标准

尽管农业是世界上全球化程度最高的行业，但效率极低。全球供应链已经实现了机械化，但还没有实现信息化，它们还充分受益于数字技术的爆炸式增长，这些技术在制药或医疗保健等其他领域发挥了作用。

与此同时，世界上生产的所有食物中有三分之一被浪费了。如果食物浪费是一个国家，它将成为世界第三大温室气体排放国，每年产生约 8% 的全球碳排放量。全球生产的肉类中有超过 20% 被浪费;对于水果和蔬菜，这一比例达到了惊人的 45%。

此外，食品造假每年给全球经济额外造成 400 亿美元的损失——自 2010 年以来，丑闻增加了三分之二。此类犯罪的增长速度如此之快，以至于英国食品标准局于 2018 年成立了国家食品犯罪部门2015 年专门解决欺诈和掺假问题。

食物浪费丑闻在过去几年受到越来越多的关注，联合国大会 (UNGA) 呼吁将零售和消费者层面的全球人均食物浪费减半，并减少生产和供应链中的食物损失，包括到 2030 年采后损失。

正如联合国可持续发展目标 (SDG) 12 的具体目标 12.3 中所述，行动呼吁旨在“确保可持续的消费和生产模式”。实现粮食损失和浪费目标的一个关键步骤是政府和公司设定与可持续发展目标 12.3 一致的具体减少目标。

牛排的高光谱图像。上面的黄色代表脂肪，深色代表瘦肉。随机选择其他颜色以指示场景中的背景和其他对象。

对于食品生产商和零售商而言，质量控制和保证仍然依赖于人工、冗长、破坏性的过程，例如目视检查、感官评估和基于样本的测试。

分拣、配送流程改进

用于监测食品的无创、快速、客观技术对于改进分类和分配过程至关重要。这就是高光谱成像大有可为的地方。该技术同时获取光谱和空间数据;然后，它可以实时无创地可视化物理和化学成分，并可以促进向 100% 的产品进行测试的供应链转变。

然而，将高光谱成像用于食品监测必须克服工业和技术层面的某些挑战，才能充分发挥其潜力。

在食品公司采用新技术之前，他们必须了解它。目前，公司不习惯阅读图表和统计值。信息通常是通过硬度测试、pH 计等仪器或通过挤压、闻或看等感官评估获得的。

来自传感器(如高光谱或多光谱相机)的信息需要转化为可操作的见解——例如，保质期天数、鱼的新鲜度类别，或基于干物质含量等化学属性的最佳分类(与鳄梨的成熟度相关)。这些见解对食品公司很有价值，使他们能够提高产量、减少浪费并改善配送和质量的分类。

牛排上识别的三个像素的反射光谱。绿线代表白纸背景的反射率，反射率最高;蓝线代表肉的白色脂肪，比红线反映更多，红线代表牛肉的瘦肉、深色部分。

这项技术的广泛采用还需要改变程序。例如，有几篇学术论文指出可以使用高光谱成像对牛排的嫩度进行分类。但在当今的行业中，牛肉嫩度主要由牛肉生产商在包装厂使用破坏性测试(例如 剪切力测试)进行分级。就消费者而言，他们不习惯根据嫩度等级购买牛肉，尽管将嫩度视为重要的口味属性。在肉类行业引入卓越质量指标的业务挑战需要行业和消费者的行为转变。

为了广泛使用高光谱成像系统进行食品监测(例如照明)，技术改进是必要的。与单点光谱仪相比，传送带的速度越快，面扫描仪和线扫描仪所需的照明强度就越大。卤素灯在广谱范围内发光，寿命较短并且会产生热量。当需要更多照明时，传统的解决方案是增加功率，但对于卤素灯，这也会产生更多的热量。过多的热量会损坏正在加工的食品：例如，糖会融化，碎猪肉会更快地失去水分。

糖和异物的高光谱图像

LED 照明辐射的热量少得多，使其成为更好的选择。然而，目前的 LED 技术不足以满足食品行业的高光谱成像解决方案，因为它无法在广谱范围内发光。通常，LED 发出非常窄的光谱，这意味着需要大量的 LED 来模仿卤素灯。

分类算法

用于食品监测的高光谱成像还需要对高光谱立方体进行实时分类。高光谱成像系统主要是为实验室使用或研究环境而开发的，带有一个缓慢移动的托盘。食品公司不断尝试提高传送带的速度以优化吞吐量，这需要一个分拣应用程序，其中需要在不到一秒的时间内分析高光谱图像(大小可达 1 GB)。

对现有高光谱文献的评估发现，研究人员并未解决将这种技术应用于快速生产线速度的问题。

数据收集提出了另一个挑战。每种食品都需要不同的校准。反过来，这需要特定于产品的知识，了解如何操作真实参考测量，例如 pH 计或剪切力测试，以及这如何与高光谱图像的光谱数据相关联。为了开发这些算法，服务提供商需要与食品公司合作，以获得足够的数据点，用于商业上可行的解决方案。

但是，没有大型、公开可用的食品光谱数据集和相应的地面实况测量结果，导致验证服务提供商开发的分类算法质量的开发过程更长。

最后一个技术障碍涉及异物检测。可以提高高光谱成像的空间分辨率以检测更小的异物。今天，要检测一根头发，摄像头需要距离头发不到 10 厘米，这会缩小摄像头的视野并限制它可以覆盖的传送带的宽度。在这种情况下，可以添加更多的摄像机来拍摄更广的区域。然而，这显着增加了成本。

新的解决方案不断涌现，可以将高光谱成像用于食品监测。该技术已经存在 20 多年，但直到最近才应用于食品加工设施的在线使用。生成的大量数据和现有的分类模型使得该技术难以用于实时质量控制。

易于使用的神经网络机器学习框架的激增使得高级非线性分类算法或模型的开发速度大大加快。此外，将可以编程的 GPU 与机器学习模型相结合，可以进行并行的快速计算，从而加快对高光谱图像的分类。

高光谱成像技术可用于配送中心食品加工的多种在线应用。例如，sinespec开发了具有多种用途的软件，包括牛肉 pH 值和颜色算法。这些算法可以通过准确计算配送中心的保质期和产品最终使用的最佳形式来减少零售商的店内肉类浪费，从而为消费者提供更高的质量和一致性。例如，如果牛肉在真空包装时的 pH 值高于 5.9，它会更快地变成 DFD(深色、坚硬、干燥)。僵直后 pH 值为 5.9 或更高的肌肉通常会发展出某种形式的暗切割特征。无应激动物的正常肉的 pH 值范围为 5.4 至 5.7。DFD 肉的 pH 值要高得多，在 5.9 到 6.5 的范围内。

零售陈列柜中 DFD 肉的暗红色状态已被证明是消费者拒绝的主要原因之一。消费者认为深色表示肉来自旧动物、腐败、不良味道、韧性和保质期短。

借助sinespec的分类算法，食品零售商可以在供应链的早期识别出高 pH 值的肉类，然后可以将这些肉类转化为二级产品，例如碎牛肉或肉末。从长远来看，零售商可以确定问题的根源，例如温度波动或劣质动物饲料，并根据客观数据制定更严格的产品规格。

牛肉嫩度分级是另一个应用。今天，没有成像，但系统可以在两天内预测肉在 14 天时的嫩度，再给 12 天时间来优化最终用途。十四天是衡量牛排嫩度的行业标准时间。14 天后，压痛值通常不会改变。

随着新鲜无须鳕腐烂过程的进行，皮肤会从绿色变为红色。人眼几乎无法察觉绿色区域。然而，高光谱相机可以“看到”这些颜色，软件使用它们来对新鲜度进行分类。

两天的预测数据非常有价值。关于肉的使用的决定通常发生在两天后，当牛排开始转移以供后续储存和分配时。这种分类可以通过客观测量保证产品的嫩度，从而实现动态定价。

高光谱成像技术还可以检测异物。X 光机通常检测比食品物质本身密度更大的物体。当食品公司试图检测某些较轻的非磁性材料(如塑料、骨头、纸张和纸板)时，这给食品公司带来了挑战。

高光谱系统可以通过将图像分成数千个像素并将具有相似光谱轮廓的像素组合在一起，以高精度检测和分类此类物体。这种质量控制工具可实时识别污染物，并可与机械臂或喷气式喷射装置结合使用，以便即时清除。这可以防止供应链下游的投诉或产品召回。

通过高光谱成像也可以对鳄梨进行无创分类。一年中的每个星期都会生产鳄梨。在包装厂，混合不同干物质含量的鳄梨。使用高光谱技术对干物质进行无创分类的能力有可能创造巨大的经济价值。它还可以减少餐厅层面的浪费，因为它使餐饮服务公司能够在选定的范围内催熟鳄梨，以根据即食质量更好地优化分销。

高光谱数据可以在整个价值链中实现更多的信息共享，从而带来众多好处，提供更高的安全性和透明度，并在构建未来的食品系统中发挥作用。