综述：人工智能在鱼糜质量控制与加工中的应用：当前的证据与未来机遇 蒂米莱欣·马丁斯·奥因洛耶（Timilehin Martins Oyinloye）和尹元炳（Won Byong Yoon）

《Processes》：Artificial Intelligence Applications in Surimi Quality Control and Processing: Current Evidence and Future Opportunities Timilehin Martins Oyinloye and Won Byong Yoon

　　摘要：鱼糜制造涉及复杂的多步骤操作，在这些操作中，原材料状态、配方和加热历史的微小变化都可能显著影响质地、保水性和外观质量。本综述批判性地评估了将人工智能应用于鱼糜及其制品的同行评审研究，重点关注在鱼糜系统中直接验证的工作。现有证据主要支持使用成像和振动光谱进行非破坏性质量评估和完整性检测。这些应用包括利用深度学习对凝胶表面图像进行分类，以及利用化学计量学和机器学习分析红外、近红外和高光谱数据来进行质量预测和掺假检测。在热处理过程中 también 开始出现过程相关监控，其中一项时间分辨的高光谱成像研究展示了加热过程中的质量跟踪情况。工业应用的主要障碍包括数据集有限且样本量较小、批次效应以及可能高估预测性能的验证设计，还有实际部署挑战，例如在潮湿环境中的稳定传感、仪器漂移以及跨设备和场所的校准转移。综述还提出了前瞻性方向，包括数字孪生、自适应控制策略和自动化，并指出数据标准化、外部验证和维护策略是将实验室成果转化为可靠工业应用的优先事项。

1. 引言
鱼糜是一种精炼的鱼肌纤维蛋白，通过机械去骨、反复清洗、脱水，并与冷冻保护剂和其他功能性成分混合后，再进一步塑形和热处理制成仿蟹肉、章鱼烧和鱼丸等产品[1]。其制造过程中的原材料状态、配方和加热历史的相对较小变化会强烈影响凝胶强度、持水能力（WHC）、质地和外观[1,2,3]。因此，在鱼糜生产中，特别是在鱼种、季节性、储存历史和处理条件变化的情况下，保持质量一致性是一个核心挑战。此外，鱼糜加工会产生大量的洗涤水和副产品，这给提高资源效率同时保持产品质量和安全带来了实际压力[4]。
传统的鱼糜质量评估主要依赖于破坏性和劳动密集型的测量方法，如凝胶强度、质地分析、烹饪损失和感官评估。尽管这些方法作为参考测试仍然很重要，但它们速度慢、离线操作，难以在高通量生产环境中作为实时决策工具使用[5,6,7]。与此同时，成像、红外光谱、近红外光谱和高光谱成像（HSI）为快速、非破坏性地感知鱼糜结构、成分和过程相关变化提供了新的机会[1,8,9]。当与人工智能（AI）、机器学习（ML）、深度学习（DL）或化学计量学建模结合使用时，这些传感方法可以支持更快、更客观的质量评估。在更广泛的食品行业中，HSI 与 ML 的结合已被广泛认为是一种有前途的非破坏性分类和质量属性回归方法，尽管成功的工业转化仍取决于稳健的校准、适当的参考测量以及在批次和条件下的仔细验证[1,8,9]。
在鱼糜研究中，虽然样本量不大但不断增加的证据表明，基于 AI 的模型可以从非破坏性数据中提取有意义的质量信息。例如，卷积神经网络（CNN）方法已被用于根据标记图像对在不同水分、配方和处理条件下制备的鱼糜凝胶进行分类，展示了自动化视觉分类在鱼糜系统中的潜力[3,10]。最近，基于在线 HSI 的监控被探索用于跟踪鱼糜凝胶在热处理过程中的质量变化，凸显了当与适当的化学计量学或 DL 模型结合时进行快速、非破坏性、过程相关质量评估的潜力[1]。总体而言，这些研究表明随着鱼糜行业的扩展，基于 AI 的非破坏性质量控制（NDQC）的重要性日益增加，因为需要快速、客观的在线质量控制（QC）工具来管理原材料的变异性并保持产品功能和质地的一致性。
尽管取得了这些进展，但专注于鱼糜的 AI 研究在范围和深度上仍然有限。现有的研究基于相对较小且样本量通常较少的数据集，验证程序的报告不一致，公共数据可用性有限，且在现实工业变异性下的评估不足。此外，现有证据主要集中在少数研究小组中，并非所有报告的研究都涉及相同水平的质量控制任务，因为一些研究关注分类区分，而其他研究则尝试预测测量的质量属性。这些限制可能会高估模型性能，并降低在不同物种、批次、处理条件和生产环境下的普适性信心。因此，需要一个基于证据的综合性分析，以区分在鱼糜系统中直接证明的内容与仍处于初步阶段、验证范围有限或从相关食品和海产品应用中推断出的内容。

因此，本综述批判性地综合了关于鱼糜质量控制和处理中 AI 应用的同行评审研究，重点关注在鱼糜或基于鱼糜的海产品系统中直接展示的方法。它评估了当前在非破坏性质量评估、分类区分、掺假检测和过程相关监控方面的应用，同时也评估了现有证据的范围、独立性和方法学优势，特别是关于验证设计和工业相关性的方面。此外，还讨论了来自更广泛的食品和海产品制造文献中的新兴概念，如数字孪生、自适应控制和自动化，作为未来机会而非已确立的鱼糜实践。总体而言，本综述旨在为鱼糜制造中 AI 工具的负责任开发和转化提供基于证据的路线图。尽管直接的鱼糜 AI 研究基础仍然有限，但进行这样的专门综述是合理的，因为该领域仍在发展之中，此前没有综述专门评估鱼糜制造中的 AI 应用，而现有文献已经提出了关于任务定义、验证严谨性、证据独立性和工业转化的重要问题。

2. 综述方法论和文献识别
本文是一篇基于结构化文献搜索和筛选方法的批判性叙述性综述。它旨在识别报告鱼糜质量控制和处理中 AI 相关应用的同行评审研究，并将其与仅作为未来或概念机会讨论的更广泛的食品或海产品研究区分开来。因此，只有直接针对鱼糜进行验证的研究被视为主要评估中的确立证据，而来自相关食品和海产品领域的研究仅作为讨论未来机会的背景信息保留。
文献搜索涵盖了五个 bibliographic 数据库，即 Scopus、Web of Science Core Collection、PubMed、ScienceDirect 和 IEEE Xplore，时间范围为 2010 年 1 月至 2026 年 3 月。搜索策略结合了三个使用布尔逻辑连接的概念块：(i) 与鱼糜相关的术语，包括“surimi”、“surimi gel”、“surimi seafood”、“fish paste”、“kamaboko”、“imitation crab”、“crab stick”和“restructured fish”；(ii) AI 和建模术语，包括“artificial intelligence”、“machine learning”、“deep learning”、“neural network”、“CNN”、“support vector machine (SVM)”、“random forest (RF)”、“chemometric”和“partial least squares (PLS)”；(iii) 应用相关术语，包括“quality evaluation”、“quality control”、“non-destructive”、“hyperspectral”、“near-infrared (NIR)”、“spectral imaging”、“computer vision”、“process monitoring”、“thermal processing”和“gelation”。搜索主要在每个数据库的标题、摘要和关键词字段或其最接近的等效字段中进行，以提高主题特异性和可重复性。只有以英语发表的同行评审期刊文章被考虑纳入。最终搜索完成于 2026 年 3 月。
初步检索在所有数据库中发现了 596 条记录（Scopus 112 条；Web of Science 188 条；PubMed 76 条；ScienceDirect 132 条；IEEE Xplore 88 条）（图 1）。记录被导出到 Zotero 7.0.16（Corporation for Digital Scholarship，美国弗吉尼亚海滩）进行去重，得到 472 条唯一记录。然后通过对标题和摘要进行筛选，识别出应用 AI、ML、DL 或化学计量学相关方法对鱼糜或基于鱼糜的产品进行质量评估、分类或质量属性回归、完整性评估或过程相关监控的研究。作者根据预定义的纳入和排除标准通过手动审查进行了筛选和全文资格评估。当记录 (i) 广泛关注海产品而没有直接针对鱼糜的验证，(ii) 涉及与鱼糜加工无关的水产养殖、物流或供应链主题，(iii) 报告的传感或测量没有与 AI 或化学计量分析相关的建模组件，或 (iv) 不是同行评审的研究文章（除非仅作为未来机会部分的有限背景信息）时，这些记录被排除。经过筛选后，有 38 篇文章被保留下来进行详细分析。尽管搜索范围覆盖了 2010-2026 年期间，但在 2010-2014 年期间没有找到符合条件的直接鱼糜 AI 研究；最终证据库中最早的保留研究发表于 2015 年。

图 1. 本综述中使用的文献识别和筛选工作流程示意图。保留的文献采用叙述性和基于证据的方法进行了综合，分为两个层次的组织结构。首先，根据其在鱼糜制造中的主要应用领域对研究进行分组，包括基于图像的评估、光谱和高光谱成像、掺假和真实性筛查以及过程相关监控。其次，由于展示的鱼糜 AI 文献仍然有限，并没有在多个独立研究项目中广泛分布，因此还根据研究团队的来源对这些直接相关的研究进行了进一步分组（图 2）。这种第二层次的分组旨在明确可用证据的来源，以减少将引用次数解释为等同于独立验证的风险，并区分重复贡献和真正独立的演示。只有直接针对鱼糜的 AI 研究被纳入这一主要证据评估；来自相关领域的更广泛概念性机会在第 6 节中单独讨论。图 2. 本综述中包括的直接鱼糜 AI 研究的两层分组框架。该框架首先按主要应用领域对研究进行分类，然后根据研究团队的来源进一步组织。基于图像的评估包括 Yoon 等人 2023a 和 Yoon 等人 2023b [3,10]。光谱和高光谱成像包括 Xia 等人 2025、Li 等人 2025、Hu 等人 2016、Zhang 等人 2017a、Zhang 等人 2017b、Hou 等人 2019 和 Liu 等人 2015 [1,11,12,13,14,15,16]。掺假和真实性筛查包括 Hou 等人 2019 和 Feng 等人 2024 [15,17]。过程相关监控包括 Xia 等人 2025 和 Yoon 等人 2023a [1,3]。研究团队来源的分组包括：Cluster A，江原国立大学 [3,10]；Cluster B，暨南大学和江苏大学 [1,11]；Cluster C，上海海洋大学 [12,13,14,15,16]；以及 Cluster D，一项独立研究 [17]。根据作者模式、机构关联和研究连续性，直接针对鱼糜的研究可以分为四个主要组。Cluster A 包括来自江原国立大学研究团队的研究，表现为基于图像的分类和过程相关建模研究 [3,10]。Cluster B 包括两项基于高光谱成像的深度学习研究，分别由 Xia 等人 [1] 和 Li 等人 [11] 代表，这些研究与暨南大学和江苏大学有机构关联。Cluster C 包括围绕上海海洋大学作者团队的红外/近红外 (IR/NIR) 化学计量学区分研究，包括物种、等级和成分区分研究 [12,13,14,15,16]。Cluster D 包括一项关于阿拉斯加鳕鱼鱼糜的独立傅里叶变换近红外 (FT-NIR) 掺假研究 [17]。这种分组并不意味着一个簇内的所有研究都是重复的；相反，它提供了关于可用证据的集中程度、连续性和独立性的更透明视图。

3. 鱼糜质量控制和处理的相关 AI 分析框架
鱼糜质量控制越来越多地依赖于能够将非破坏性测量转换为关于产品身份、成分和功能质量的可操作信息的分析方法。在这种情况下，与 AI 相关的方法提供了一个有用的分析框架，因为它们可以处理由成像、光谱、高光谱成像 (HSI) 和过程传感器生成的多变量、非线性和高维数据。本综述采取了广泛的方法论视角，包括人工智能 (AI)、机器学习 (ML)、深度学习 (DL) 和化学计量学模式识别或回归方法，当它们用于从非破坏性数据中分类、预测或筛查与质量相关的变量时。这种更广泛的操作定义适用于食品质量应用，因为现代学习模型和传统化学计量方法在图像分析、振动光谱和高光谱成像工作流中都得到了广泛应用[8,9,18,19,20]。
根据这一定义，重点不在于一种方法被标记为“AI”，另一种方法被称为“化学计量学”，而在于分析方法如何将复杂的传感器信号与决策相关的输出联系起来。在食品和过程分析中，卷积神经网络（CNN）常用于结构化图像数据；偏最小二乘法（PLS）仍然是多变量光谱预测中最成熟的方法之一；而主成分分析（PCA）、判别分析（DA）、主成分回归（PCR）和类比软独立建模（SIMCA）等方法继续为基于光谱的应用提供实用的维度降维、分类和回归解决方案[8,9,18,19,20,21]。第4节将讨论这些方法在鱼糜中的具体应用示例；这里的目标是建立一个分析框架，以便一致地解释这些方法。3.1. 本综述中与AI相关方法的操作范围 在本综述中，与AI相关的方法根据四个主要分析任务进行考虑。首先是分类判别，模型将样本分配到预定义的类别中，如种类、等级、配方类别或过程状态。其次是测量质量预测，模型从非破坏性信号中估计实验测量的输出，如凝胶强度、保水能力（WHC）、白度或相关的定量属性。第三是定量完整性筛选，模型识别或量化与真实性控制相关的掺假物或其他组成偏差。第四是过程相关监测，利用加热、处理或其他过程阶段收集的测量数据来跟踪质量随时间的变化，而不仅仅是评估最终结果。这种基于任务的框架很重要，因为被归类为与AI相关的食品分析的研究并不一定提供相同类型的证据。已知样本类别的分类、针对测量质量终点的回归以及时间分辨的过程监测是分析上不同的活动，即使它们使用相似的数据模式或重叠的模型家族。区分这些任务为解释某项研究实际展示了什么提供了更清晰的基础，并有助于防止从一个分析目标过度泛化到另一个目标。因此，关于鱼糜的文献将在后面根据这四个任务类别进行讨论，而不仅仅是根据所使用的算法进行讨论。3.2. 鱼糜系统中的学习范式和任务结构 与鱼糜质量分析和过程控制相关的主要学习范式在图3中进行了总结。从方法论的角度来看，大多数与鱼糜相关的食品质量应用都属于监督学习范畴，因为分析目标通常依赖于已知的标签或测量的参考值。在分类判别任务中，这些标签可能对应于预定义的类别，如种类、等级或过程阶段。在回归导向的任务中，目标是传统分析方法测量的连续变量。在监督学习下，模型性能不仅取决于算法选择，还取决于标签质量、数据集设计以及训练数据是否反映了实际中的变异性[8,9,19,21]。图3. 与鱼糜质量分析和过程控制相关的学习范式示意图。无监督方法也在探索性分析、维度降维和多变量数据的初步分组中发挥着重要作用。PCA、聚类方法及相关方法被广泛用于揭示图像或光谱数据集中的内部结构，识别隐藏的分组模式，并支持后续的分类或回归步骤[18,19]。然而，无监督分离不应被解释为等同于经过验证的预测性能，因为有意义的质量控制部署通常依赖于外部标签或测量的目标，而不仅仅是数据集本身识别的结构[21]。近年来，深度学习因其能够直接从原始或最小处理的输入中学习非线性空间和光谱关系而受到关注。CNN在图像分析中特别有效，因为它们保留了空间局部性并从结构化视觉数据中学习层次特征[8,9,19]。当测量具有序列性、光谱性或时间依赖性结构时，循环架构和混合网络也可能很有用。同时，参数较少的化学计量和机器学习方法仍然很重要，尤其是在数据集规模适中且预处理和可解释性是核心考虑因素的情况下[18,19,20,21]。因此在许多食品质量应用中，这些方法应被视为互补的，而不是相互排斥的。强化学习（RL）在概念上与过程控制相关，因为它解决了在不确定性下的序列决策问题。原则上，RL可以支持未来的食品制造问题，其中传感器反馈与自适应动作相关联，但稳健的部署依赖于可靠的过程状态估计、安全的学习条件和明确定义的控制目标[22,23,24,25]。因此，在本综述中，RL被视为一种前瞻性的过程智能方法，而不是直接的鱼糜质量分析的既定组成部分。3.3. 数据模态和通用建模工作流程 与鱼糜相关质量分析最相关的非破坏性数据类型可以分为三大类：图像数据、振动光谱学和高光谱成像（HSI）（图4）。标准RGB图像数据最有助于捕捉表面外观、纹理均匀性、形状相关缺陷和其他宏观特征之间的可见差异。这些数据通常与CNN类型的模型或相关的图像分类流程结合使用，因为这些方法可以学习难以简化为少数手工设计描述符的空间模式[8,9,19]。图4. 鱼糜数据分析的通用工作流程。红外（IR）和近红外（NIR）光谱学提供了与成分和结构变化相关的化学信息信号，包括与水、蛋白质、脂质和添加成分相关的差异。在食品分析中，这些模态与PCA、PLS、PCR、DA和SIMCA等化学计量方法广泛结合使用，因为它们生成的多变量特征分布在多个波长上，而不仅仅集中在单个变量中[18,20,26,27]。它们的分析价值在于快速、非破坏性的筛选和预测，尽管性能强烈依赖于校准设计、预处理策略以及用于模型开发的样本的代表性[20,21,26,27]。高光谱成像结合了空间成像和光谱分析，因此处于传统成像和点光谱学之间的中间位置。当化学变化和空间异质性都重要时，它特别有吸引力，因为每个像素都携带光谱信息，同时图像保留了空间结构。这使得HSI特别适合质量映射、异质性分析和预测任务，其中材料在样本表面或横截面上不是均匀的[8,9,28,29]。根据分析问题的不同，HSI可以使用传统的化学计量方法或更复杂的空间-光谱深度学习架构进行建模[8,9,28,29]。在这些模态家族中，通用的分析工作流程是相似的。首先，在定义条件下准备样本并收集相应的非破坏性数据。其次，使用传统分析方法获得参考标签或测量的目标变量。第三，对非破坏性数据进行预处理，可能包括图像标准化、基线校正、平滑、散点校正、维度降维或波长选择[18,20,21,26,27,28,29]。第四，训练和评估分类或回归模型。最后，根据分析任务、数据集设计和在质量控制或过程监测中的预期用途解释模型性能。在接下来的章节中，将在此框架内评估直接的鱼糜研究，重点关注每项研究解决的任务类型及其设计支持报告结果的力度。4. 人工智能在鱼糜质量控制和加工中的应用 目前关于AI在鱼糜中应用的直接证据仍然有限，并且集中在少数几个研究集群中。更重要的是，现有的研究并不都展示了相同的分析能力。一些是围绕已知类别标签（如种类、等级、配方或过程状态）构建的分类研究，而其他研究则预测破坏性测量的质量终点或量化掺假物。因此，当前的证据最好通过区分分类判别、测量质量预测、定量完整性筛选和过程相关监测来解释，而不是将所有研究视为非破坏性鱼糜质量控制的等效示例。为了澄清直接鱼糜AI文献的分析范围、研究设计和连续性程度，表1中对关键研究进行了比较评估。表1. 按研究集群、感测模态、目标类型、展示的任务、研究设计/数据集摘要、报告的关键性能以及集群内关系或独立性组织的直接鱼糜AI研究的比较评估。4.1. 配方、种类、等级和过程状态的分类判别 分类判别是当前鱼糜AI文献中最常见的直接应用领域。在这个任务类别中，模型使用在受控条件下收集的图像或光谱数据将样本分配到预定义的标签中，如种类、等级、配方类别或过程阶段。这些研究在科学上很重要，因为它们显示鱼糜的外观和光谱特征包含可以非破坏性地区分类别的结构化信息，但其分析目标仍然是类别识别，而不是独立测量的凝胶质量终点的预测。在基于图像的文献中，Yoon等人[10]研究了RGB图像是否可以在受控的配方条件下区分用FA级阿拉斯加鳕鱼和A级细鳍鯽鱼制成的鱼糜凝胶。凝胶的含水量分别为76%、78%、82%，淀粉含量分别为5%、10%和16%。通过MATLAB R2023b（MathWorks，Natick，MA，美国）中的自动机器学习（AutoML）筛选了多种候选模型，包括k近邻（KNN）、逻辑回归、SVM、朴素贝叶斯、AdaBoost和CNN，最终选择了CNN作为模型。图像数据集采用70:30的训练/验证分割，每个类别大约有400-700张图像。模型在水分分类上的验证准确率分别为细鳍鯽鱼87.46%和阿拉斯加鳕鱼95.10%，当共同学习种类、水分和淀粉相关的视觉类别时，整体分类准确率分别为细鳍鯽鱼96.55%和阿拉斯加鳕鱼97.83%。该研究的显著发现是，传统的色度计测量仅显示了处理之间的有限统计差异，而基于CNN的图像分析仍能区分这些类别。这表明相关的视觉信息分布在凝胶表面的空间模式中，而不仅仅是通过单点颜色指标充分捕获的。同时，标签仍然是外部定义的配方和种类类别，因此该研究最适当地被解释为已知视觉类别的非破坏性分类。Yoon等人[3]将这一工作扩展到了过程设置中，通过连续热空气加热期间进行图像采集。在该研究中，含有0%、5%或10%玉米淀粉和78%或80%水分的阿拉斯加鳕鱼鱼糜糊通过实验室规模的加热室。四个摄像头沿着加热室放置，并在加热过程中连续采集图像。使用流变特性分析和K均值聚类定义了4个凝胶化相关过程类别，覆盖25至<40°C、40至<50°C、50至<55°C和55至80°C的温度范围。然后使用1000-1200张每处理的图像训练CNN。光谱分类判别文献遵循类似的逻辑，但使用化学或光谱特征而不是RGB图像。Hu等人[12]使用三步红外光谱学（包括傅里叶变换红外光谱学（FT-IR）、二阶导数红外光谱学（SD-IR）和二维相关红外光谱学（2DCOS-IR），结合基于PCR的类比软独立建模（SIMCA）来区分四种等级的白鲷鱼糜（A、AA、FA和SA）。该研究分析了76个平行样本（18个A级、19个AA级、19个FA级和20个SA级），并报告了各等级之间的完全分离，特别是在与脂质相关的峰和与蛋白质二级结构相关的区域有明显差异。Liu等人[16]使用三步红外光谱学结合PCR来区分三种海洋鱼糜类型的60个样本，每种类型20个样本，并表明脂质带和酰胺区域的光谱差异足以进行客观分类。Zhang等人[13]使用近红外漫反射光谱学结合PCA和判别分析来分类三种海洋鱼糜的三个物种和四个等级，使用210个样本分为校准集和验证集，按3:1的比例，报告了98.5%和100%的正确分类率用于物种区分，以及98.9%和100%的正确分类率用于等级区分。Zhang等人[14]进一步扩展了这一认证导向的方法，将三步FT-IR与电子眼和电子鼻测量结合用于200批次的化学生物分类，每种类型50个样本，电子眼的分类指数为98，电子鼻的分类指数为82。这些论文的共性特征，包括它们的目标类型、模态和组内连续性，在表1中进行了总结。总的来说，这些研究表明，使用图像数据和光谱数据都可以可靠地区分受控的鱼糜类别。基于图像的研究表明，表面外观包含与配方和加热历史相关的可学习结构，而红外/近红外（IR/NIR）研究表明，可以通过化学指纹和传感器响应模式捕捉到种类、等级和类型的差异。总体而言，分类鉴别文献提供了强有力的证据，证明在受控条件下可以非破坏性地识别预定义的鱼糜类别。这对于身份验证、分选、配方验证和过程状态识别非常有价值。同时，因为目标是被外部指定的类别，而不是通过破坏性测量得到的凝胶质量结果，这些研究最好被解释为非破坏性类别识别的证据，而不是直接预测鱼糜的功能质量。

4.2. 测量质量预测
测量质量预测与分类鉴别在分析上是不同的，因为目标是实验测量的属性，如凝胶强度、水分保持率（WHC）或白度。在当前的鱼糜文献中，这一类别最明显地体现在使用测量质量变量作为回归目标的高光谱成像研究中，而不是使用预定义的类别标签。如表1所示，该类别的直接研究都使用HSI（高光谱成像），但在过程背景和研究设计上有所不同。Xia等人[1]利用高光谱成像结合化学计量学和深度学习模型研究了鱼糜在两阶段水浴加热过程中的质量变化。在该研究中，冷冻银鱼鱼糜（等级AA）被解冻、研磨，与2.5%的NaCl混合，并调整到80%的水分含量后制成圆柱形样品。样品在40°C下加热30分钟，然后在90°C下加热20分钟，每隔5分钟收集一次样品，共收集了300个样品。使用了两套HSI系统，一套工作在可见光和近红外（VNIR）范围（400–1000 nm），另一套工作在近红外范围（900–1700 nm）。作者比较了PLS和CNN-LSTM模型对凝胶强度、WHC和白度的预测效果，并开发了一个多指标CNN-LSTM模型。根据光谱带和预处理方法的不同，各个指标的性能也有所不同。例如，基于VNIR的最佳模型的凝胶强度预测决定系数为0.9765，预测残差偏差（RPD）为6.55；基于NIR的最佳模型对于WHC的预测决定系数为0.9474，RPD为4.38；基于VNIR的最佳模型对于白度的预测决定系数为0.9347，RPD为3.93。该研究还生成了加热过程中质量变化的可视化图谱。这项工作很重要，因为它将非破坏性的空间-光谱数据直接与测量的鱼糜质量属性联系起来，同时跟踪了加工过程中的质量演变。

Li等人[11]报告了一个测量质量预测的例子，但是在处理改进的背景下进行的，而不是连续监控的。在这项研究中，Lateolabrax japonicus被去骨并切碎制成鱼糜，然后与2.5%的NaCl和10%的水混合。鱼糜浆暴露于大气冷等离子体（ACP）中0、30、45、60或90秒，然后在40°C下热凝胶化30分钟，在80°C下热凝胶化30分钟，最后在4°C下冷却12小时。共制备了90个样品（每种处理重复15次），并在提取感兴趣区域（ROI）后，通过高斯噪声添加、时间扭曲和基于傅里叶的重建处理，使用了616个波长的HSI数据。比较了三种模型，即CNN、门控循环单元（GRU）和混合CNN-GRU，对凝胶强度、WHC和白度进行预测。混合模型的表现最佳，分别为0.9224、0.8945和0.9189，RPD分别为3.5945、3.0915和3.5259，并提供了像素级别的伪彩色可视化结果。与Xia等人[1]的研究相比，这项研究没有在整个热处理过程中连续跟踪质量，但仍然使用了实验测量的凝胶质量结果作为目标。与分类鉴别文献相比，Xia等人[1]和Li等人[11]表明，HSI可以与传统的化学计量学模型和深度学习架构结合，从非破坏性的空间-光谱数据中估计鱼糜的质量属性。这些研究的共同特点是它们使用实验测量的凝胶强度、WHC和白度值作为目标，这使它们在分析上不同于类别分类研究。同时，这两项研究都是在受控的实验室环境中进行的，因此它们的贡献在于证明在特定条件下的技术可行性，而不是在多种原材料来源、仪器或工业环境中建立广泛的通用性。

4.3. 定量完整性筛选
定量完整性筛选与分类鉴别不同，因为分析目标不仅是识别一个类别，还包括检测或量化与真实性控制和欺诈预防直接相关的掺假物或配方偏差。Hou等人[15]使用FT-IR结合红外光谱成像来识别和量化鱼糜中的淀粉。研究表明，可以通过强度变化和特征吸收峰（特别是在1045 cm?1和988 cm?1附近）的变化来识别淀粉含量的变化，而成像分析则通过1147、1075、997和930 cm?1的峰来识别与淀粉相关的主成分。所得到的统计模型预测淀粉含量的相关系数（R）为0.9856，预测均方根误差（RMSEP）为5.64。因此，这项研究不仅进行了简单的类别分配，还针对可量化的掺假变量进行了研究，尽管它仍然基于严格控制的设计。Feng等人[17]通过FT-NIR光谱学结合化学计量学和机器学习对阿拉斯加狭鳕进行了 authenticity 验证。研究使用了79个品牌的鱼，包括30个阿拉斯加狭鳕、26个黑线鳕和23个南极犬牙鱼样本，这些样本来自供应商、电子商务平台和本地市场。为了定性分析，每个品牌收集了三个重复样本，总共得到237个样本，每个样本切成60 mm × 20 mm × 20 mm的块进行光谱采集。首先使用PCA和方差分析（ANOVA）来确认光谱分离的可行性。然后比较了偏最小二乘-判别分析（PLS-DA）、KNN和随机森林（RF）进行定性鉴别，其中RF取得了最佳结果。RF的准确率在92–95%之间，精确度、召回率和F1分数均高于90%。与Hou等人[15]的研究相比，这项研究使用了更广泛的商业样本集，并结合了定性和定量掺假分析。因此，它成为当前证据库中更具实用导向的完整性筛选研究之一。

综合来看，完整性筛选研究为鱼糜系统的真实性控制提供了最直接相关的证据，因为分析目标是明确的、可测量的，并具有商业意义。与基于类别的物种或等级鉴别相比，它们更接近于操作质量保证问题。然而，目前的证据基础仍然有限，跨品牌、仪器和更广泛制造条件的校准稳健性是实现常规应用的重要下一步。

4.4. 过程相关监控
过程相关监控是指利用在加热、处理或其他操作过程中收集的测量数据来随时间跟踪质量演变，而不仅仅是分类最终产品。这一类别在鱼糜中尤为重要，因为凝胶结构是在加工过程中形成的，会随着温度历史、水分状态和蛋白质相互作用而迅速变化。Xia等人[1]提供了这一类别的最清晰直接例子。通过在40°C/30分钟和90°C/20分钟加热过程中每5分钟收集一次样本，并将HSI数据与凝胶强度、WHC和白度联系起来，该研究表明可以通过时间分辨的空间-光谱数据非破坏性地监控两阶段加热过程中的质量演变。其重要性不仅在于预测模型的准确性，还在于它将鱼糜质量视为一个动态的过程变量，而不仅仅是最终产品的属性。Yoon等人[3]也参与了过程相关监控，但范围较窄。该研究在连续热空气加热过程中进行图像采集，并根据K-means聚类对与凝胶化相关的过程阶段进行分类。这意味着研究通过图像类别来监控过程状态，而不是预测加工过程中的凝胶强度或WHC值。因此，它提供了在线图像数据可以反映鱼糜凝胶化转变的证据，但输出仍然是阶段识别，而不是连续的终点预测。Li等人[11]的研究也与过程相关，因为ACP处理显然是影响最终凝胶网络的过程历史的一部分。然而，分析设计侧重于预测处理后的凝胶质量属性，而不是在整个加工轨迹上的连续跟踪。总体而言，当前的文献表明过程相关的鱼糜监控是可行的，但范围仍然有限。Xia等人[1]展示了在加热过程中测量质量变化的时间分辨HSI预测，而Yoon等人[3]表明可以通过连续加热过程中的图像分类识别过程阶段的转变。这些研究表明，非破坏性传感可以跟踪鱼糜中的过程相关变化，但在这些方法被视为工业化的成熟过程监控工具之前，仍需要更多证据。

4.5. 当前证据的总体解读
现有的直接鱼糜研究表明，AI相关的分析能力可以有不同的解读方式。Yoon等人[3]、Yoon等人[10]、Hu等人[12]、Zhang等人[13]、Zhang等人[14]和Liu等人[16]表明，在受控条件下，非破坏性图像或光谱数据可以区分已知的类别，如配方、种类、等级、类型或过程阶段。Xia等人[1]和Li等人[11]表明，高光谱成像可以用于预测测量的凝胶强度、WHC和白度值。Hou等人[15]和Feng等人[17]表明，光谱方法可以通过掺假检测和支持定量完整性筛选。这些任务级别的差异，以及相关的研究设计和组内连续性，在表1中进行了总结。第二个点是文献中研究设计的连续性。Yoon等人[3]和Yoon等人[10]都使用了受控的RGB成像、相关的配方空间和基于CNN的分类。Hu等人[12]、Liu等人[16]、Zhang等人[13]和Zhang等人[14]都使用了相关的IR/NIR化学计量工作流程来针对鱼糜的身份验证目标。Xia等人[1]和Li等人[11]都使用HSI来模拟测量的鱼糜质量属性，尽管在不同的过程背景下进行。这种连续性是有信息量的，因为它显示了相关工作线内的分析发展，但也意味着引用次数不应自动解释为广泛的独立验证。综合来看，文献在科学上很有前景，但在提供的证据类型上并不均衡。当前的研究已经表明，鱼糜图像数据、光谱指纹和高光谱测量包含了与分类、完整性筛选和终点预测相关的可学习信息。然而，这些结果的分析含义因任务类型而异。因此，对当前证据的仔细解读需要明确区分非破坏性类别识别、测量质量预测、定量掺假筛选和过程相关监控，因为这些代表了实际鱼糜质量控制和过程管理的不同证据水平。

5. 挑战、限制和AI在鱼糜质量控制和处理中应用的研发需求
当前的鱼糜文献表明，与AI相关的分析方法可以有效分类受控样本类别，预测某些测量的质量属性，并支持定量完整性筛选。然而，证据基础在规模上仍然有限，集中在相对较少的关联研究中，并且在不同任务类型的分析强度上不均衡。这些特性并不降低已发表工作的科学价值，但确实影响了当前证据在实际质量控制应用中的可信度。在当前文献中，广泛采用的主要障碍不仅仅是算法上的。它们还来源于数据集设计、目标定义、验证策略、仪器的稳健性，以及报告的研究在现实工业条件下的评估程度有限。

5.1. 数据集代表性有限和证据集中
当前证据基础的一个主要限制是许多研究是在相对狭窄的实验空间内开发的。尹等人[10]使用从阿拉斯加鳕鱼和线鳍鲷鱼制备的受控凝胶配方，这些配方预先定义了淀粉和水分含量；而尹等人[3]则在有限的淀粉和水分条件下研究了阿拉斯加鳕鱼鱼糜在持续热风加热过程中的变化。这些设计适用于概念验证研究，但它们仅代表了商业鱼糜生产中遇到的变化的一小部分，因为在商业生产中，原材料来源、储存历史、配方实践和工艺条件可能会同时发生变化。在光谱鉴别研究中也能看到类似的模式。胡等人[12]分析了76个不同等级的白鳄鱼鱼糜样本，刘等人[16]分析了60个不同类型海洋鱼类鱼糜的样本，张等人[14]分析了200批不同类型的鱼糜。这些研究表明了分类分析的可行性，但它们仍然局限于特定的样本集和相关的认证任务。张等人[13]通过使用近红外漫反射技术扩展了这一研究范围，用于物种和等级的鉴别，但整体文献仍然反映出研究集中于有限的领域，而不是涵盖多种原材料和加工环境的广泛证据。同样的问题也适用于那些预测质量指标的研究，尽管形式有所不同。夏等人[1]使用在单一实验过程中收集的300个银鲤鱼糜样本（这些样本是在两步加热过程中获得的），而李等人[11]使用在定义明确的实验室条件下制备的90个ACP处理过的鱼糜凝胶样本。冯等人[17]通过分析79个商业品牌的阿拉斯加鳕鱼样品来扩展了样本基础，但在直接的鱼糜研究中，这种广泛的样本覆盖仍然不常见。这些研究表明，提高数据集在鱼类来源、批次、加工日和制备条件方面的代表性是当前最重要的研究需求之一。这一结论也与更广泛的食品质量控制文献一致，后者指出数据多样性不足和可转移性较弱是现实应用中的持续障碍[19]。

5.2. 验证设计与乐观性能估计的风险
另一个挑战是，模型性能与数据划分方式密切相关。在几项回顾的研究中，数据集是在单个实验过程中随机划分的。如果训练集和验证集中存在紧密相关的样本、图像或重复实验，这种设计可能会夸大模型的泛化能力。在鱼糜系统中，由于多个观察结果可能来源于同一批次、相同的处理条件或连续的工艺状态，这个问题尤为重要。化学计量学文献强调，数据泄露以及不适当的缩放或划分策略会严重扭曲模型验证结果[21]。对于基于图像的研究来说，这个问题尤为突出。尹等人[3]在传送带上连续收集图像，而一组有限的鱼糜混合物在实验室规模的加热室中移动；同样，在另一项研究中，尹等人[10]在固定的采集条件下收集了受控凝胶配方的图像。在这两种情况下，模型都表现出很强的分类能力，但数据集结构仍然反映了高度控制的图像采集和相对狭窄的配方范围。在这种条件下，高分类准确性表明数据集中存在可学习的结构，但不一定能保证在光照、样本呈现或批次历史变化下的鲁棒性。同样的问题也存在于光谱和高光谱研究中。夏等人[1]和李等人[11]使用了测量的质量指标而不是类别标签，这增强了这些研究的分析价值，但它们仍然是基于单一研究背景内部生成的数据集开发的。李等人[11]进行了20次2:1的分层划分，并且只对训练数据进行了增强处理，这比单一随机划分更为谨慎，但样本仍然来自同一个受控的处理过程。总体而言，回顾的鱼糜研究在样本代表性方面存在不足，这表明扩大数据集的代表性是当前最重要的研究需求之一。

5.3. 目标定义、标签质量以及不同任务类型的证据水平
回顾的研究在试图预测的目标上存在显著差异。一些研究分类外部指定的类别，如物种、等级、淀粉含量、水分含量或工艺阶段；其他研究则预测实验测量的属性，如凝胶强度、水分结合率（WHC）、白度或掺杂物浓度。这些目标并不等效，它们对于实际的无损质量控制的支持程度也不同。尹等人[3]、尹等人[10]、胡等人[12]、张等人[13]、张等人[14]和刘等人[16]表明，受控的视觉或光谱模式可以有效区分预定义的类别，这对于认证、分类和筛选非常有用。然而，这些结果本身并不能证明模型能够仅从无损信号中推断出凝胶的质量功能。相比之下，夏等人[1]和李等人[11]预测了测量的凝胶强度、水分结合率和白度，而侯等人[15]和冯等人[17]则关注可测量的掺杂物变量。因此，这些研究提供了不同水平的证据，因为它们的输出是实验定义的质量或完整性指标，而不仅仅是类别标签。一个关键的研究需求是增加将无损测量直接与独立的功能或组成目标联系起来的鱼糜研究数量。在这个背景下，模型的可解释性也很重要。在鱼糜质量控制中，更具解释性的化学计量方法（如PLS、基于PCA的判别方法、PCR和SIMCA）可以提供模型输出与潜在光谱或组成变化之间的更清晰联系，从而提高工业应用中的信心并便于故障排除。相比之下，高容量模型（如卷积神经网络、循环网络和混合深度学习架构）可能提供强大的预测性能，但这些模型学习到的特征往往对操作人员、质量管理人员和监管机构来说不太透明。这种区别很重要，因为模型在质量保证环境中的接受程度不仅取决于准确性，还取决于预测结果是否能够被理解、审核，并与可信的质量相关机制相关联。因此，未来的鱼糜研究应更明确地比较可解释方法和黑盒方法，并在使用复杂模型时包含可解释性工具，如特征重要性分析、显著性映射或波长归因。

5.4. 校准转移、仪器鲁棒性和工业操作条件
对于基于光谱和 hyperspectral 的鱼糜应用来说，校准转移和仪器鲁棒性仍然是实际应用的主要障碍。在一个仪器上或一种采集配置下开发的模型，在表面水分、光泽、温度、背景条件或光学几何形状发生变化时可能表现不同。在鱼糜系统中，这个问题尤为重要，因为样本通常是湿润的、反光的并且对工艺敏感，这使得工厂环境比实验室台式环境更具挑战性。更广泛的近红外（NIR）和 hyperspectral（HSI）文献早就指出，仪器标准化、校准转移和采集稳定性是可靠工业应用的先决条件[20,26,27,28,29]。这一限制以不同的方式影响了回顾的研究。胡等人[12]、刘等人[16]、张等人[13]、张等人[14]和侯等人[15]依赖于受控的光谱设置，而夏等人[1]和李等人[11]使用了先进的HSI工作流程，但仍局限于实验室环境。冯等人[17]扩大了阿拉斯加鳕鱼掺假分析的样本基础，但这项研究并非为校准转移或多仪器验证而设计。因此，现有文献提供了强有力的分析可行性证据，但关于跨平台鲁棒性或在工业漂移条件下的长期性能的证据仍然有限。从工程角度来看，未来的鱼糜应用研究应报告比现有文献中更多的实际实施细节，包括传感器相对于传送带或产品路径的位置、采集距离、潮湿和反射环境下的屏蔽或封闭策略，以及信号质量在冷凝、振动和表面光泽变化下的稳定性。对于基于光谱和HSI的系统，实际转换还需要更明确的重新校准频率、漂移检查和维护工作流程的程序，包括重新校准的触发方式、是否可以用减少的参考测量数据进行重新校准，以及如何在重新引入生产使用前验证更新后的模型。因此，未来的工作应超越单纯报告预测性能，评估校准转移、重新校准需求和在鱼糜相关操作条件下的漂移监测策略。

5.5. 从实验室演示到工业应用
另一个限制是，大多数当前的鱼糜研究仍然是实验室规模的演示，而不是经过工厂验证的系统。对于一个新兴研究领域来说，这并不罕见，但这意味着对工业应用的声称应持谨慎态度。尹等人[3]采用了连续加热配置，夏等人[1]提供了热处理过程中的时间分辨监测。然而，大多数回顾的证据仍然来自受控的样本制备、定义的处理空间和事后的模型开发，而不是在完整的工业吞吐量、样本变异性、设备干扰和批次间异质性下的实时应用。更广泛的食品质量控制综述同样强调，实施取决于可扩展性、集成和操作鲁棒性，而不仅仅是模型准确性[19]。因此，从实验室性能到工厂应用的过渡需要同时实现几个方面的进步。需要更广泛和更具代表性的数据集，以及更严格的验证方案、与测量质量结果的更清晰关联、在湿润和反射条件下的鲁棒感知，以及与运营决策的更强整合。对于基于图像的系统，这意味着测试对光照变化、观察几何形状、传送带速度和样本呈现的鲁棒性；对于光谱和HSI系统，则意味着解决采集速度、数据量、推理延迟、校准稳定性以及跨仪器和地点的便携性问题。在实际应用中，工业准备就绪将取决于传感系统是否能够在生产线速度下提供稳定的测量结果，是否可以通过易于管理的重新校准工作进行维护，并且能否足够迅速地支持决策调整、产品拒收或真实性控制。技术选择还涉及分析丰富性与应用实用性之间的权衡。完整的HSI系统提供了详细的空间-光谱信息，但其数据量、硬件成本、采集速度和推理要求可能会限制某些鱼糜操作的常规集成。相比之下，低带多光谱或波长选择系统可能在质量控制任务较为简单且所需决策可以通过较少特征实现的情况下提供一个更实际的折中方案。因此，未来的鱼糜研究应评估预测准确性以及硬件复杂性、维护负担、推理延迟和相对于特定工业决策的成本效益。标签质量本身也很重要。如凝胶强度、水分结合率和白度等测量指标取决于样本制备、加热和冷却历史、仪器设置以及参考方法的可重复性。如果这些测量结果存在较大变异性，无论选择哪种算法，都会限制监督模型的性能。因此，未来的鱼糜研究应更清楚地报告参考方法程序、复制结构和与模型开发相关的目标变量的不确定性。

5.6. 标准报告和研究优先级
当前的文献指出了未来鱼糜AI研究的几个明确优先事项。首先，研究应从狭窄的概念验证数据集转向包含原材料、批次、处理条件和工艺历史中实际变化的更广泛设计。其次，应通过批次感知划分、重复的外部验证以及在可能的情况下进行跨站点或跨仪器的评估来加强验证策略。第三，更多研究应将无损感知直接与测量的质量或完整性指标联系起来，而不仅仅是依赖于外部指定的类别。第四，应改进报告标准，以便清晰地描述原材料来源、配方设计、样本数量、处理条件、预处理步骤、划分逻辑和验证设计，以便在不同研究之间进行比较。这些优先事项也与关于数据基础设施、可重复性和多模态模型开发的更广泛讨论是一致的[19,30,31]。总体而言，目前的鱼糜文献足以支持AI相关分析方法的持续发展，但还不足以支持未经验证的广泛应用准备就绪的声明。当前的挑战不再是简单地证明模型在受控条件下的表现良好，因为已经有几项研究展示了这一点。接下来更重要的步骤是证明，当目标定义严格、数据集更具代表性，以及验证设计能够反映鱼糜生产中的真实变异性时，这些方法仍然可靠。在这些条件下，目前最有前景的方向——尤其是用于预测鱼糜质量属性的高光谱成像和用于定量完整性筛查的光谱学——可能会发展成更可靠、更可信的鱼糜质量控制和过程管理工具。

6. 人工智能在鱼糜制造中的未来机遇
当前的鱼糜研究文献表明，与人工智能相关的方法已经能够用于无损分类、选定的质量预测、掺假检测以及有限的过程相关监控。同时，第4节和第5节中回顾的证据表明，更广泛的实施仍然受到数据集狭窄、外部验证有限、校准迁移证据不足以及缺乏工厂规模演示的制约。在这种背景下，鱼糜人工智能的下一阶段最现实的目标不是突然转向完全自主的制造，而是从孤立的分析模型逐步扩展到集成的感知、决策支持和流程感知制造系统。因此，下面讨论的机遇被视为鱼糜加工的未来路径，而不是已经确立的实践。

6.1 多模态感知与数据融合
第一个现实的发展路径是将多种感知方式整合到统一的决策支持系统中。目前的鱼糜研究大多将成像、光谱学、高光谱成像和过程阶段信息视为独立的分析流。然而，在实践中，这些方式捕捉了同一系统的不同方面。标准RGB成像对于表面外观、缺陷模式和可见结构变化最为信息丰富。光谱学和高光谱成像对化学成分、水分分布和处理相关变化更为敏感，而过程时间序列变量（如温度历史、停留时间或混合条件）则描述了凝胶化发生的动态环境。对于鱼糜制造而言，多模态融合提供了一个更强的预测能力和更好的过程解释途径，因为没有单一的数据源能够完全代表决定最终质量的结构、成分和过程相关因素。例如，融合系统可以结合来自图像的表面均匀性指标、来自光谱的成分或掺假指标，以及与加热或混合历史相关的过程变量。这样的框架比任何单模态模型都能更深入地解释凝胶强度、水分保持能力（WHC）、白度和缺陷形成的变化。这种方法的主要价值在于它直接建立在现有鱼糜研究证据的基础上，同时减少了对任何一种感知方式的依赖。实际挑战在于，多模态融合需要比单模态研究更加规范的数据设计。测量结果必须同步，样本标识必须在各模态间保持一致，参考结果必须以能够保持批次和过程条件间可比性的方式收集。对于鱼糜来说，这意味着只有当未来的研究围绕协调的实验设计和验证策略进行时，多模态发展才具有实用性，这些设计和策略能够反映真实的变异性。然而，目前直接针对鱼糜的完全集成多模态系统的具体证据仍然有限。

6.2 数字孪生与基于模型的过程智能
数字孪生（DTs）在食品和过程制造领域越来越受到关注，它们是物理资产或过程模块的数字表示形式，通过传感器数据、更新程序和决策支持逻辑与真实系统保持连接[32,33]。在鱼糜背景下，数字孪生在短期内最可信的应用不是建立一个完全虚拟的鱼糜工厂，而是与某个质量相关的操作（如热凝胶化、混合或在线质量评估）相联系的特定过程数字表示。对于鱼糜制造而言，如果数字孪生能够整合三个要素：原材料变异性描述符、单元操作中的关键过程变量以及来自无损感知的质量控制输出，那么它将非常有用。在这种结构下，孪生的目的是将数据流与可解释的过程状态和决策点联系起来。例如，热处理孪生可以关联加热历史、水分状态和预测的凝胶质量指标与操作决策（如停留时间调整、返工或批次放行）。这种类型的狭窄孪生对于鱼糜的短期研究来说比试图一次性建模整个工厂更为现实。来自更广泛食品行业的研究也表明，数字孪生可以支持情景测试、过程状态的可视化以及生产与质量管理决策之间更强的联系[32,33]。对于鱼糜来说，这意味着未来的发展方向是将上游因素（如原材料来源、储存条件或处理历史）通过结构化的数字框架与下游质量结果联系起来。然而，关键问题不仅仅在于模拟本身。数字孪生在鱼糜中的价值取决于传感器流、预测模型和可操作决策点之间的验证接口，以及当过程条件随时间变化时对模型的显式处理和更新程序[32,33]。这些可能性仍然是前景性的，直接的生产线验证还缺乏。

6.3 自适应过程控制与智能监控
另一个未来方向是从离线预测向自适应过程控制的转变。强化学习及相关自适应控制框架正在制造和过程工业中得到研究，作为在非线性动态、不确定性和变化的操作条件下学习控制策略的方法[22,23,24,25]。在鱼糜制造中，这种方法的相关性在于，许多操作涉及连续决策而不是单一的固定设定点，包括清洗强度、脱水程度、加盐量、混合时间和加热控制。对于鱼糜来说，自适应控制的现实价值在于那些在过程中质量逐渐形成的操作，以及原材料变异性可能需要不同的过程响应。这特别适用于加热阶段控制和凝胶网络发展，因为最终产品质量不仅受终点温度的影响，还受到达该状态的过程路径的影响。自适应控制框架可以通过根据测量或推断的过程状态调整过程条件来支持质量保持，而不是仅仅依赖固定的操作方案。更广泛的强化学习文献还指出，这一机会在技术上仍然具有挑战性[22,23,24,25]。安全探索、对干扰的鲁棒性、数据效率以及从模拟到实际过程中控制策略的可靠迁移在许多工业环境中都是未解决的问题。对于鱼糜而言，这些问题尤为重要，因为过程干扰可能会与软材料行为、温度依赖的结构变化和卫生敏感的生产环境相互作用。因此，鱼糜的近期最适当的方向是开发经过验证的过程模型和试点规模的测试平台，以支持在实际干扰下的受限自适应控制研究，而不是立即追求完全自主的生产线控制[22,23,24,25]。

6.4 机器人技术、自动化与智能制造集成
机器人技术和先进自动化也可能在未来鱼糜制造中变得越来越重要，尤其是在卫生、重复性和吞吐量是核心要求的情况下。最近在肉类和食品加工领域的研究显示，机器人系统在处理、分拣、包装和检测方面的应用日益增多，同时也强调食品的可变形性、可变几何形状和湿润表面条件仍然是主要的工程约束[34,35,36,37,38]。这些问题直接关系到鱼糜，因为鱼糜酱和凝胶产品容易变形，可能会给抓取、定位或自动化检测带来挑战。在鱼糜工厂中，最现实的机器人应用机会可能首先出现在高重复性任务中，如包装、堆垛、材料转移、标签验证和视觉检测。除此之外，机器人技术还可能应用于成形、分装或产品处理，其中几何形状、一致性和吞吐量都很重要。在这种情况下，人工智能的作用不仅仅是自动化运动，还包括支持感知和决策制定，例如通过机器视觉辅助的缺陷检测、姿态估计或根据感官反馈调整的抓取策略。目前，鱼糜加工中的直接机器人验证仍然有限。因此，最合理的解释是，机器人技术代表了一种使能的未来技术，其相关性将取决于特定任务的可行性、卫生集成以及与鱼糜产品的柔软和可变性质的兼容性。进展最有可能通过定义明确的试点应用实现，在这些应用中，产品的变异性是可以管理的，并且可以在真实的环境条件下清楚地评估自动化的操作价值[34,35,36,37,38]。

6.5 数据基础设施、协同验证与实施准备
人工智能支持的鱼糜制造的长期成功将至少与数据基础设施和协同验证同样重要。未来的系统需要能够以一致和互操作的方式链接原材料描述符、过程历史、传感器输出和质量结果的数据结构。对于鱼糜来说，这一点尤为重要，因为有意义的变异性可能来源于物种、处理历史、水分水平、冷冻保护剂和添加剂系统、清洗和脱水条件、加盐量和热过程轨迹等因素。如果没有这些因素的统一描述符，就很难比较研究、汇总数据集或评估模型是否真的能够在不同批次和生产条件下泛化。协同验证也将至关重要。许多当前的鱼糜研究在分析上很有价值，但仍局限于单一的实验活动或密切相关的研究计划。因此，未来的实施将需要多批次、多天的评估，理想情况下还需要多地点的评估，以确定模型在原材料、操作人员和感知条件变化时是否仍然稳定。在这个意义上，实施准备不应仅仅被视为预测准确性的函数，而应结合代表性数据、可传递的协议、互操作的系统设计和在实际生产条件下的决策相关性。

综上所述，这些方向表明，未来鱼糜人工智能的发展很可能通过子系统级别的集成来实现，而不是立即进行全面的工厂转型。多模态感知可以增强预测和解释能力，数字孪生可以构建过程智能，自适应控制可以支持响应过程的决策制定，机器人技术可以在物理任务定义明确的情况下扩展自动化，共享的数据框架可以使验证更加现实和可转移。这些机会在技术上是可行的，但它们对鱼糜制造的价值将取决于未来的工作是否能够将它们与鱼糜加工的具体需求相结合，包括原材料变异性、加热阶段控制、凝胶网络发展、完整性保证以及湿润、反射性和高吞吐量生产环境的实际约束。

7. 结论
本综述研究了关于人工智能在鱼糜质量控制和处理中应用的同行评审证据，重点关注直接在鱼糜或基于鱼糜的产品上进行的研究。现有文献表明，无损图像、光谱和高光谱数据可以支持几种不同的分析任务，包括分类区分、质量预测、定量完整性筛查和有限的过程相关监控。然而，这些能力尚未得到同等程度的支持。目前发展最为成熟的是控制分类和筛查任务，而直接预测质量属性和过程相关监控的应用范围较窄，且主要基于实验室环境。总体而言，文献表明，主要挑战不再仅仅是人工智能是否可以从鱼糜相关的传感器数据中提取有用信息，而是这些方法在定义真实鱼糜制造的变异性下是否仍然可靠，包括原材料、配方、处理历史、仪器条件和生产环境的差异。根据现有证据，优先的研究议程应集中在五个方面：首先，未来的研究应该开发更大、更具代表性的数据集，以捕捉鱼类来源、储存条件、配方、处理计划和生产批次中的有意义变异性；其次，需要更强的验证标准，包括批次意识的分割、重复的外部验证、多天测试，以及在可能的情况下进行多地点评估；第三，更多的研究应集中在直接预测如凝胶强度、水分保持能力、白度和掺假水平等质量指标上，而不仅仅是依赖外部分配的类别标签；第四，应更直接地解决校准稳健性、模型维护和可转移性问题，特别是对于在湿润和反射性处理条件下运行的基于光谱和HSI的系统；第五，应将多模态感知、过程相关监控、数字孪生辅助解释和选择性自动化等集成制造框架作为分阶段的实施路径来开发，而不是假设为近期的工业现实。在这些条件下，与人工智能相关的方法可能从有前途的实验室演示发展成为可信的鱼糜质量保证和过程管理工具。