近日，中国农业科学院油料 作物研究所 李培武院士团队 在食品科学领域国际知名学术期刊《 Food Research International 》（IF=7.0，中国科学院1区Top期刊）上 发表了题为“Progress in machine learning-supported electronic nose and hyperspectral imaging technologies for food safety assessment: A review”的综述性论文。本文旨在结合电子鼻、高光谱成像技术及机器学习算法的视角，对食品安全领域进行全面综述。中国农业科学院油料作物研究所李培武院士和唐晓倩副研究员为论文共同通讯作者。 综述简介 由食品污染和掺假等威胁所驱动的对食品安全日益增长的关注，促使电子鼻（e-nose）和高光谱成像（HSI）等先进技术的广泛应用，而机器学习的创新进一步增强了这些技术的效能。本文旨在结合电子鼻、高光谱成像技术及机器学习算法的视角，对食品安全领域进行全面综述。 首先，简要讨论了电子鼻、高光谱成像及机器学习（重点聚焦于人工神经网络（ANN）和深度学习（DL））的基本原理。随后，本文探讨了机器学习如何提升电子鼻与高光谱成像的性能，并进一步分析了这些技术在检测食品危害（包括药物残留、微生物污染物、农药残留、毒素及掺假物质）中的最新应用。 接着，文章重点指出了机器学习、电子鼻和高光谱成像在应用中面临的关键局限性，并展望了这些技术未来的潜在发展前景。通过机器学习辅助，电子鼻和高光谱成像技术已展现出在食品安全评估中的巨大应用潜力。尽管如此，其使用目前主要局限于实验室环境，限制了实际场景中的应用。此外，标准化协议的缺乏阻碍了这些技术在食品安全检测中的广泛接受和实验可重复性。因此，需进一步研究以克服这些限制，提升电子鼻与高光谱成像技术在实际应用中的有效性。 最终，本文深入解析了这两种技术，强调了机器学习的关键作用，并对其在食品安全评估中的创新应用提出了前瞻性见解。 综述亮点 全面阐述了高光谱成像、电子鼻和机器学习三项关键技术的协同应用。 探讨了机器学习在提升电子鼻与高光谱成像检测性能中的作用。 探究了食品污染与掺假检测领域的最新研究进展。 重点分析了电子鼻、高光谱成像及机器学习技术的核心局限性。 针对电子鼻、高光谱成像与机器学习技术的潜在发展方向提出了未来展望。 图文赏析 图形摘要 图 1. 电子鼻系统示意图。 a)电子鼻系统的基本传感原理；b)电子鼻传感器的典型示例；c)典型电子鼻装置图像；d)电子鼻系统在实际样品分析中的应用，由机器学习支持，用于分析传感器数据。 图2. 高光谱成像概述。a) HSI的基本组成；b) HSI超立方体；c)显示空间维度（x, y）和近红外光谱特征（λ）的HSI超立方体。 图3. 机器学习技术的分类：有监督学习和监督学习。 图4. a)具有单（输出）层和无隐藏层的人工神经网络示意图；b)带有两个隐藏层的人工神经网络；c)卷积层、池化层和全连接层的CNN。 结论与展望 正如本综述所述，电子鼻（E-nose）和高光谱成像（HSI）技术因其强大的数据生成能力而备受推崇。为此，研究人员采用多种机器学习技术分析这些数据以提升其性能。然而，必须认识到这些技术仍面临诸多局限与挑战。 电子鼻与HSI技术的局限性: 当前电子鼻和HSI技术主要局限于实验室环境，导致设备成本高昂且难以普及，这阻碍了其现场应用与用户可及性。未来需通过以下改进提升其实用性： 微型化设计：开发微型检测传感器，集成微处理器等配件以实现数据实时采集与处理，从而增强便携性； 标准化建设：相较于高效液相色谱（HPLC）、气相色谱（GC）和质谱（MS）等成熟方法，电子鼻与HSI缺乏标准化操作规范。建立统一标准将显著提高食品安全评估的重现性与准确性； 环境敏感性优化：电子鼻传感器易受环境干扰，难以区分复杂气味或检测低浓度挥发性有机物（VOCs）；HSI在鉴别相似物质（如污染物）时也存在挑战。解决方案包括开发能识别复杂数据中相似化学特征的先进机器学习算法，以及研制高精度传感器或专用相机（针对HSI）。 机器学习技术本身亦面临多重问题： 数据量不足：电子鼻与HSI生成的数据可能不足以训练模型，导致结论偏差。可通过融合两类技术的数据集提升模型精度； 特征提取难题：高维数据的特征提取对机器学习极具挑战，需结合先进算法、混合方法及多特征提取技术； 模型复杂性与可解释性矛盾：在关键决策场景中，需平衡模型复杂度与可解释性，或开发更易解释的简易算法； 模型适应性局限：监督学习模型难以动态适应环境变化，需开发持续兼容波动条件的灵活模型。 未来展望 随着机器学习技术的进步，电子鼻与HSI有望实现全自动化检测。研究重点应聚焦于开发兼具高性能与实用性的仪器，并通过算法创新提升系统鲁棒性，从而推动食品安全检测技术的实际应用。 原文链接 https://doi.org/10.1016/j.foodres.2025.116285
