Компьютерное зрение для обеспечения качества и безопасности пищевых продуктов: тенденции и перспективы

Пища имеет огромное физиологическое значение для здоровья и благополучия человека. Она обеспечивает необходимые питательные вещества, витамины, белки, минералы, углеводы и жиры, которые имеют решающее значение для поддержания общего здоровья и биологических функций. Недостаточное качество пищи может привести к дефициту питательных веществ и различным опасным для жизни заболеваниям. Кроме того, наличие примесей, таких как пестициды, тяжелые металлы и микробное загрязнение в пищевых продуктах, приводит к различным острым или хроническим проблемам со здоровьем. Поэтому оценка качества пищевых продуктов является важным шагом в удовлетворении ожиданий потребителей в отношении безопасных и высококачественных продуктов питания (Meenu et al.  2021).

Качество пищевых продуктов определяется несколькими внутренними и внешними критериями, включая требования к сортировке, текстуру, вкус и внешний вид (который включает форму, размер, цвет, блеск и консистенцию). Поэтому совершенствование методологий оценки качества пищевых продуктов крайне важно для удовлетворения растущего уровня осведомленности, требовательности и ожиданий (Патель и Патель,  2015). Качество имеет решающее значение для современного пищевого сектора, поскольку высококачественный продукт является основой успеха на современном высококонкурентном рынке.

В пищевом секторе значительная часть процесса оценки качества по-прежнему основана на ручной проверке, которая является дорогостоящей, трудоемкой и подверженной физиологическим воздействиям, что приводит к субъективным и неравномерным результатам оценки (Чхетри,  2024). Поэтому автоматизированные системы контроля качества необходимы для обеспечения надежной оценки качества пищевых продуктов и отсутствия человеческих ошибок во время проверки. Внедрение автоматизированной оценки качества может значительно повысить эффективность и скорость производства. Для повышения эффективности и экономической целесообразности пищевой промышленности срочно необходима быстрая, точная и неразрушающая методика.

Рост мирового населения и потребления продуктов питания привел к внедрению инструментов и технологий искусственного интеллекта в пищевой промышленности, как показано на рис.  1. Системы ИИ оценивают качество продуктов питания и делают прогнозы, а усовершенствованные датчики помогают обнаруживать свежесть и патогенные микроорганизмы. Это сочетание технологий потенциально может трансформировать пищевой сектор за счет повышения эффективности, качества обработки и качества (Thapa et al.  2023).

В этом контексте компьютерное зрение продемонстрировало свой потенциал как перспективный метод, особенно благодаря своей способности идентифицировать посторонние предметы, эффективности, соблюдению стандартов качества и соответствия нормативным требованиям. Использование методов компьютерного зрения приобрело популярность в конце 1960-х и начале 1970-х годов (Kakani et al.  2020). Компьютерное зрение обеспечивает высокую степень повторяемости и адаптивности при сравнительно невысокой стоимости, играя значительную роль в промышленном секторе в рамках процессов контроля качества.

Это особенно актуально, когда речь идет об автоматизированных возможностях инспекции (Ettalibi et al.  2024). В настоящее время CVS разрабатывается как важный компонент предприятий пищевой промышленности для онлайн-контроля и оценки качества в режиме реального времени. Эта технология не только демонстрирует более высокую точность, но и, как было отмечено, является более универсальной, быстрой и экономически эффективной с точки зрения трудозатрат (Velesaca et al.  2021).

• Раздел « Обзор литературы » посвящен обзору литературы.
• В разделе « Технологии компьютерного зрения » рассматриваются технологии компьютерного зрения.
• В разделе « Пробелы в исследованиях » определены пробелы в исследованиях.
• В разделе « Методология исследования » подробно описывается методология исследования.
• В разделе « Результаты и обсуждение » рассматриваются результаты библиометрического анализа в сочетании с методологией исследования.
• В заключение, в разделе « Заключение и дальнейшие исследования » представлены выводы и планы на будущее.

Раздел обзора литературы в данной обзорной статье составлен на основе данных из авторитетных журналов, включая IEEE Access, Elsevier, Springer, Procedia, Scopus, SCI, SSCI, SCI(E) и другие соответствующие индексируемые журналы. Источники информации о контролируемой верификации и ее внедрении, включая ресурсы, связи и доступность, охватывают качество пищевых продуктов, безопасность, сортировку, классификацию и другие связанные аспекты. Авторы признают многообразие контролируемой верификации, что привело к целенаправленному анализу в рамках систематического обзора литературы для решения проблемы понимания того, как контролируемая верификация используется в пищевой промышленности в целях обеспечения качества и безопасности, и послужило основой для формулирования следующих исследовательских вопросов (ИР):

1. Каковы потребности и важность компьютерного зрения и его применения?
2. Насколько технология CV подходит для промышленной переработки пищевых продуктов и контроля их качества?
3. Определить исследовательские кластеры, посвященные роли CV в качестве и безопасности пищевых продуктов.

В данном обзоре литературы представлен систематический взгляд на значение технологии компьютерного зрения (CV) в контексте качества и безопасности пищевых продуктов. Был проведен подробный обзор литературы с тщательным учетом вышеизложенного исследовательского вопроса. Применение инструментов CV и ИИ в пищевой промышленности и сельском хозяйстве охватывает различные области, включая статистический анализ пищевых продуктов и растений, интеллектуальное управление водными ресурсами, выращивание сельскохозяйственных культур, борьбу с вредителями и технологии обработки пищевых продуктов следующего поколения (Javaid et al.  2023).

Для оценки и контроля качества пищевых продуктов в свете растущего потребительского спроса автор продемонстрировал применение CV и ИИ в мониторинге качества пищевых продуктов. Обработка естественного языка (NLP) обеспечивает интеллектуальный анализ данных и мониторинг в реальном времени, в то время как глубокое обучение (DL) предлагает надежные методы для идентификации закономерностей и обнаружения аномалий. Кроме того, методы CV обеспечивают последовательную оценку качества и идентификацию дефектов в разных производственных партиях (Gou et al.  2020 ; Hong et al.  2023).

Автор подчеркнул эффективность CV и ИИ в идентификации вредных бактерий, аллергенов и химических загрязнителей в контексте оценки безопасности пищевых продуктов. Использование технологий компьютерного зрения и искусственного интеллекта в контроле безопасности и качества пищевых продуктов не только повышает производительность, но и снижает риски и гарантирует соблюдение нормативных требований (Mohamed et al.  2020).

Традиционные методы определения пищевой ценности и состава пищевых продуктов часто требуют разрушительной пробоподготовки, которая может быть как дорогостоящей, так и трудоемкой (Nawoya et al.  2024). Эти технологии подчеркивают необходимость эффективной Четвертой промышленной революции для повышения качества, безопасности и доступности пищевых продуктов к 2050 году (Babu Loganathan  2021).

В последние несколько десятилетий современный сельскохозяйственный и пищевой сектор широко использует технологии компьютерного зрения и искусственного интеллекта для определения местоположения, сортировки и сбора урожая (Вимал Адит и др.,  2020). Точное прогнозирование урожайности и классификации фруктов стало необходимым условием для оптимизации цепочки поставок и планов хранения, поскольку онлайн-продажи фруктов приобрели популярность (Сангита и др.,  2024).

Однако из-за таких проблем, как перекрытие посевов и колебания солнечного света, распознавание и классификация как испорченных или гниющих фруктов, так и свежих, существующие системы, основанные на ручном зрении, и сенсорные подходы не смогли адекватно решить эту сложную задачу (Адиани и др.,  2020). Для решения этой проблемы автор предложил новую вариативную модель, которая сочетает в себе YOLOv7, усовершенствованную модель обнаружения объектов, использующую интроспективные возможности Vision Transform, которая отличается от архитектуры сети CNN. Для обучения и оценки модели использовался набор данных фотографий яблок, в котором применялись два процесса внимания: CBAM и Coordinate Attention.

Использовались две многоцелевые техники отслеживания, SORT и Cascade-SORT, основанные на прогнозировании траектории движения и фильтрации Калмана, что позволило подсчитывать фрукты на нескольких кадрах видео в сложных условиях. На основе полученных результатов модель YOLOv7-Coordinate Attention превосходит модель YOLOv7. Следует отметить, что испытания проводились в специфических экспериментальных условиях, что ограничило применимость наших результатов (Hu et al.  2023).

Загрязнение фруктов вредными добавками вызывает все большую обеспокоенность, поскольку химические вещества, используемые для продления срока хранения, могут быть вредны для здоровья. Авторы предложили метод обнаружения на основе компьютерного зрения и химический сенсор для обнаружения формальдегида в образцах фруктов, таких как яблоки, манго, бананы и мальта. Данные с сенсоров, полученные от свежих и химически смешанных фруктов, были собраны и интегрированы в гибридную модель. Предложенная модель «SensorNet» достигает наивысшей точности 97,03%, превосходя модель «DurbeenNet» (Sattar et al.  2024).

Авторы предложили алгоритм на основе компьютерного зрения для оценки вкусных золотистых яблок. В процессе обучения модели были удалены пиксели, не относящиеся к яблокам, а области основания плодоножки и чашечки были обнаружены с использованием морфологических методов и классификатора расстояния Махаланобиса. Многослойная персептронная нейронная сеть использовалась для сегментации дефектов, оптимизации процесса путем удаления областей чашечки и основания плодоножки, а также для извлечения статистических, текстурных и геометрических признаков. Классификатор SVM оказался лучшей моделью, достигнув показателей распознавания 92,5% и 89,2% среди 120 различных изображений вкусных золотистых яблок (Moallem et al.  2017).

Для идентификации дефектных яблок на четырехлинейной сортировочной машине для фруктов был интегрирован экономичный модуль компьютерного зрения, состоящий из коммерческой камеры и специально разработанных светодиодных ламп, с архитектурой глубокого обучения на основе сверточной нейронной сети (CNN). Скорость фотографирования образцов качественных и дефектных яблок составляла пять фруктов в секунду. По сравнению с традиционным методом обработки изображений, архитектура классификации на основе CNN продемонстрировала большую перспективность после обучения и тестирования, достигнув точности 96,5% (Fan et al.  2020).

Архитектура глубокого обучения на основе CNN и модуль компьютерного зрения были использованы для обнаружения дефектных яблок на сортировочной машине для фруктов. Модель достигла высокой точности, полноты и специфичности, превзойдя традиционные методы. Модель была проверена на 200 независимых яблоках, достигнув точности 92%, что указывает на потенциал для коммерческого внедрения на упаковочной линии (Benmouna et al.  2022).

В статье обсуждаются проблемы и возможности оценки качества ананасов с использованием неразрушающих технологий. С помощью спектроскопических технологий, включая NIRS, FTIRS и VIS-NIRS, были разработаны эффективные и надежные приложения для мониторинга качества ананасов. Технологии визуализации, такие как CV и рентгеновская визуализация, обладают огромным потенциалом в качестве перспективного пути для оценки качества ананасов (Ali et al.  2023).

Для эффективного обнаружения и оценки дефектов в кислых лимонах был использован усовершенствованный алгоритм CNN, обеспечивающий 100% точность. Классификация изображений проводилась с помощью алгоритма CNN, использующего аугментацию данных и стохастическое объединение для улучшения результатов. По сравнению с альтернативными методами, метод CNN в сочетании с обработкой изображений оказался эффективным в управлении отходами и в улучшении традиционных методов оценки кислых лимонов (Jahanbakhshi et al.  2020).

В другом исследовании был использован новый метод, основанный на глубокой CNN, для различения здоровых и дефектных фиников и прогнозирования стадии их созревания. Модель CNN, разработанная на основе архитектуры Visual Geometry Group-16 (VGG-16), достигла общей точности классификации 96,98% на наборе данных изображений четырех классов, превзойдя традиционные методы, основанные на инженерии признаков (Nasiri et al.  2019).

Цитрусовые фрукты являются распространенной частью рациона питания человека благодаря высокому содержанию питательных и полезных для здоровья фитохимических веществ, включая каротиноиды, полифенолы, жирные кислоты, мультивитамины и пектины (Liu et al.  2022 ; Richa et al.  2023).

Авторы изучили несколько неразрушающих методов контроля качества и питательной ценности цитрусовых фруктов, уделяя особое внимание технологиям компьютерного зрения и спектроскопии. Также были рассмотрены традиционные, гиперспектральные и мультиспектральные методы визуализации, а также различные спектроскопические методы, включая ядерно-магнитный резонанс, терагерцовую спектроскопию, флуоресцентную спектроскопию, рамановскую спектроскопию и инфракрасную спектроскопию.

Кроме того, в статье освещается применение подходов к слиянию данных, объединяющих эти технологии, включая обнаружение повреждений, идентификацию фальсификации, оценку прослеживаемости, контроль качества цитрусовых и сортировку. Каждая технология обладает уникальными преимуществами, адаптированными к специфическим требованиям цитрусового сектора (Yu et al.  2025 ; Ma et al.  2020).

Автор использовал модель компьютерного зрения (CV) для обнаружения и классификации кофейных зерен во время сбора урожая, определяя стадию их созревания. Модель обнаружения была разработана с использованием платформы Darknet, которая позволила связать географические координаты с каждым кадром видео, обеспечивая точное отслеживание по рядам кофейных плантаций. Она была протестирована на 90 видеозаписях, собранных во время сбора урожая кофе арабика в 2020 году в Патос-де-Минас, Бразилия.

Модель достигла средней точности 86% для спелых, незрелых и перезрелых кофейных зерен (Bazame et al.  2021). В исследовании изучалось использование тензодатчиков и системы компьютерного зрения (CVS) для мониторинга сушки ломтиков моркови в конвекционной сушилке с целью прогнозирования технологического процесса и оценки связанных с ним рисков. Основное внимание было уделено моделям, зависящим от усадки, и заложено в основу системы мониторинга и управления в реальном времени на основе принципов QbD (Quality by Design). Исследование показало, что система компьютерного зрения успешно отслеживает изменения цвета и усадку во время сушки, независимо от предварительной обработки (Chakravartula et al.  2023).

Авторы использовали преобразование Габора для выявления дефектов и бинарной классификации томатов на спелые и неспелые. Они также выявили черные пятна, язвы и меланозные дефекты, используя каскад из двух SVM-классификаторов. Производительность системы оценивалась с помощью метрик точности, специфичности, чувствительности и прецизионности.

Экспериментальные результаты и сравнительные оценки демонстрируют превосходство системы над существующими методами (KY et al.  2024). Однако еще предстоит проделать работу по выявлению внешних дефектов с использованием компьютерного зрения. Для выявления внешних дефектов томатов был предложен бинарный классификатор на основе глубокой нейронной сети (Kumar et al.  2020 ; Da Costa et al.  2020).

Для индийского картофеля (Solanum tuberosum) в исследовании предлагается надежный метод моделирования массы на основе изображений, который использует различные физические характеристики и математические модели для определения влияния и связи с весом картофеля. Для измерения веса картофеля с использованием CVS на основе атомизированных изображений система создает как параметрические, так и непараметрические модели прогнозирования, включая степенные, S-образные, квадратичные и линейные модели.

При уровне значимости 1% каждое свойство было статистически значимым. Значения R2 составили 0,9702 и 0,9923 соответственно, что указывает на то, что геометрический средний диаметр и площадь проекции являются наилучшими моделями. Как производители картофеля, так и сектор переработки картофеля могут получить ряд важных преимуществ от эффективной системы сортировки (Toney et al.  2025).

Автор обсудил преимущества и недостатки нескольких типов 2D и 3D систем машинного зрения в ходе исследований грибов, включая сбор грибного мицелия, получение 3D-признаков и генерацию фенотипических данных о грибах на основе генеративных состязательных сетей с использованием компьютерного зрения и машинного обучения. Согласно исследованию, методы, основанные на обработке изображений, показали большие перспективы для использования в грибоводстве, особенно для задач автономного сбора урожая и сортировки (Yin et al.  2022).

Компьютерное зрение может произвести революцию в агропродовольственном секторе, автоматизируя такие процессы, как роботизированный сбор урожая, посадка, выращивание, обнаружение повреждений, классификация и контроль качества. Системы компьютерного зрения могут собирать данные в невидимых областях спектра, что требует применения передовых методов искусственного интеллекта, таких как машинное обучение и глубокое обучение (Ogidi et al.  2025 ).

Синяки — распространенная форма механического повреждения, возникающая в процессе послеуборочной обработки, приводящая к значительным потерям. Обнаружение синяков — трудоемкий и подверженный ошибкам процесс, особенно на ранних стадиях (Agarwal et al.  2020).

Достижения в области компьютерного зрения, включая спектральную, ядерно-магнитную и тепловую визуализацию, с интеграцией ИИ, могут привести к разработке методов визуализации в реальном времени и с автоматическим обнаружением синяков, преодолевая недостатки традиционных методов. К преимуществам относятся возможность автоматизации сбора, сортировки и классификации продуктов питания, а также обеспечение оценки качества в реальном времени (Ghosh et al.  2024). Будущие исследования должны быть сосредоточены на интеграции этих методов, разработке алгоритмов и расширении их применения на различные виды фруктов и овощей (Du et al.  2020).

Агропродовольственный сектор не может функционировать без семян. Однако биотические и абиотические стрессоры во время производства и хранения могут вызывать различное ухудшение их качества (Jin et al.  2022). Для оценки внутреннего качества и анализа семян пшеницы автор использовал сканирующую электронную микроскопию и традиционные тесты на прорастание, а данные о поверхности зародыша (ЗЗ) и эндосперма (ЭЗ) были получены с помощью CV и HSI.

Автор исследовал несколько типов деградации семян пшеницы, включая старение, плесень, повреждение насекомыми, механические повреждения и внутреннее заражение вредителями, проанализировав 1000 высококачественных и 1098 деградированных семян. Также возникли проблемы, связанные с точностью и сложностью, которые варьируются в зависимости от партии семян и их состояния (Zhang et al.  2025).

Среди всех съедобных бобовых культур, выращиваемых во всем мире, сушеные бобы являются наиболее распространенными и обладают наибольшим генетическим разнообразием. Несомненно, качество семян влияет на урожайность. Для получения подробных фотографий 13 611 отдельных семян сушеных бобов, представляющих широкий спектр сортов, использовалась система визуализации высокого разрешения. Были разработаны и сравнены модели классификации, включая многослойный перцептрон, kNN, SVM и DT.

Модель SVM продемонстрировала наивысшую точность для различных сортов бобов, включая Бомбей, Барбунья, Кали, Дермасон, Секер, Хороз и Сира, составив 100,00%, 92,36%, 95,03%, 94,36%, 94,67%, 94,92% и 86,84% соответственно. Методика классификации семян сушеных бобов оказалась сложной, поскольку размеры и формы различных видов бобов не имеют очевидных отличительных характеристик (Коклу и Озкан,  2020).

Традиционная классификация рисовых зерен является дорогостоящим, трудоемким процессом, требующим высококвалифицированных специалистов (Shamim et al.  2020 ). Автор использовал метод глубокого обучения на основе сверточных нейронных сетей (CNN) для демонстрации возможности автоматического извлечения признаков для анализа чистоты рисовых зерен.

В исследовании был определен набор данных, включающий несколько видов рисовых зерен на равномерно освещенном фоне, поскольку эталонных наборов данных мало. Классификация четырех сортов рисовых зерен успешно выполнена с использованием различных векторов признаков, включая морфологические, цветовые, текстурные и вейвлетные. Современные методы компьютерного зрения оценивают производительность классификатора по сравнению с обучением на основе морфологических признаков (Robert Singh and Chaudhury  2020; Boogaard et al.  2020).

В статье представлена ​​структура сегментации и классификации для классификации наборов образцов кукурузных зерен. Для сегментации изображений использовалась архитектура Mask R-CNN, известный подход на основе глубокого обучения. Кроме того, была специально разработана облегченная нейронная сеть для классификации дефектных зерен кукурузы, качественных зерен кукурузы и категорий примесей, которые учитываются при классификации (Velesaca et al.  2020; Aznan et al.  2023).

Для повышения эффективности сыроварения и обеспечения постоянного качества продукции необходимо определить идеальную продолжительность застывания творога (Босакова-Арденска,  2024). Для автоматизации определения времени застывания творога в процессе производства сыра автор представил новый, креативный и автоматизированный подход на основе ИИ, использующий методы компьютерного зрения и машинного обучения.

Их подход сочетает характеристики DEEP с информацией о последовательности изображений для повышения эффективности классификации и оптимизации времени нарезки — двух критически важных факторов (как отдельных, так и комбинированных наборов) для увеличения выхода и качества сыра. В частности, характеристики DEEP в среднем стабильно превосходят характеристики HC, в то время как характеристики HC демонстрируют умеренную эффективность классификации со значительной изменчивостью в разных наборах. Учитывая полученные результаты, предложенный метод представляется подходящим для внедрения в системы реального времени, особенно благодаря быстрому времени вывода. Однако существует несколько способов, таких как стратегии выбора признаков, для повышения производительности модели и изучения дополнительных методов комбинирования различных характеристик (Лоддо и др.,  2022,  2025).

В связи с растущим спросом мясная промышленность внедряет неразрушающие методы обнаружения на основе ИИ, включая рамановскую спектроскопию, электронный нос и язык, ближнеинфракрасную спектроскопию, гиперспектральную, ультразвуковую и МВ-спектроскопию (Shi et al.  2021). Сенсорные качества мяса, определяемые содержанием внутримышечного жира и нежностью, иногда трудно оценить потребителям (Menezes et al.  2025).

Автор сравнил системы гиперспектральной визуализации (HSI) с использованием моментальных снимков и линейного сканирования для классификации мяса. Была предложена новая 3D-модель CNN для извлечения комбинированных признаков из изображений HSI. Подход показал высокую точность: 96,9% для моментальных снимков в ближнем инфракрасном диапазоне и 97,1% для видимого диапазона, что эффективно улучшило классификацию красного мяса (Al-Sarayreh et al.  2020).

В другом исследовании изучалось состояние систем CVS для обеспечения безопасности мяса у свиней и бройлерных кур, а также их эффективность в выявлении загрязнения и повреждений туши в соответствии с европейскими нормами. Низкая эффективность существующих систем компьютерного зрения, характеризующаяся высоким уровнем ложноположительных и ложноотрицательных результатов, является серьезной проблемой (Sandberg et al.  2023).

Целью исследования было разработать систему визуального восприятия (CVS) на основе фотографий, сделанных на смартфон, для оценки нежности говяжьих и свиных стейков, прогнозирования содержания сдвига (SF) и внутримышечного жира (IMF), а также сравнения этих результатов с мнением потребителей. Модель глубокой нейронной сети (DNN) классифицировала мясо как «нежное» с показателем F1-меры 68,1%, который улучшился до 76,6% при переклассификации в категории «нежное» и «жесткое».

Для свиной вырезки показатель F1-меры незначительно увеличился с 81,4 до 81,5% после переклассификации. В задачах регрессии модель прогнозировала усилие сдвига (SF) и внутримышечный жир (IMF) в говядине со значениями RMSEP 16,9 Н и 2,6% соответственно.  Значения составили 0,64 и 0,62 соответственно. Для свиной вырезки прогнозирование SF достигло  Значение 0,76 и среднеквадратичное отклонение прогноза составило 9,15 С, в то время как прогноз МВФ показал  с показателем 0,54 и RMSEP 1,22%.

В 1000 парных сравнениях нейронная сеть правильно определила более нежный говяжий стейк в 76,5% случаев, превзойдя точность человека в 46,7%. Эти результаты показывают, что CVS может обеспечить более объективный метод оценки нежности мяса и содержания внутримышечного жира перед покупкой, что может повысить удовлетворенность клиентов (Modzelewska-Kapituła и Jun  2022 ; Taheri-Garavand et al.  2019).

Также предлагается комплексная система контроля качества упаковки, оценивающая множество факторов качества. Система включает в себя архитектурный план AQC и конвейер обучения модели на основе CV, реализованный в реальном примере использования в упаковочной промышленности, что позволяет достичь превосходных результатов за счет быстрой классификации упакованных товаров (Wang et al.  2019; Xiong et al.  2024).

В таблице 1 представлен всесторонний обзор литературы, посвященной применению методов компьютерного зрения и искусственного интеллекта в оценке качества и безопасности пищевых продуктов за последние годы. В ней обобщены ключевые исследования по различным пищевым продуктам, выделены используемые характеристики, вычислительные модели и связанные с ними проблемы в каждом случае. Обзор литературы охватывает различные пищевые продукты, включая пшеницу и семена, овощи, фрукты, мясо и упаковку, с различными продуктами и применяемыми технологиями, как показано на рис.  3.

Таблица 1. Обзор литературы

Компьютерное зрение (КЗ) включает в себя набор технологий, ориентированных на захват, обработку и анализ изображений и видео из реального мира для извлечения ценной информации из физической среды. Технологии КЗ позволяют машинам интерпретировать и анализировать визуальную информацию из окружающей среды, имитируя человеческое зрение.

Объединяя входные данные из реальной среды, КЗ позволяет системам извлекать полезную информацию из цифровой обработки данных (ЦИ), обеспечивая автоматизацию, обнаружение и идентификацию (Ettalibi et al.  2024). Это синтез многих идей, таких как распознавание образов, машинное обучение и цифровая обработка информации. КЗ предоставляет данные о встречаемости видов, морфологии, численности, биомассе, поведении, движении и взаимодействиях. Это неразрушающая и полностью автоматизированная технология, которая помогает фермерам поддерживать качество своей продукции (Nawoya et al.  2024).

Используя глубокое обучение (DL) и искусственный интеллект (AI), КЗ повышает точность и автоматизацию в задачах, связанных с большими объемами визуальных данных. Его интеграция трансформирует такие области, как пищевая промышленность, производство напитков, здравоохранение, сельское хозяйство и производство (Feng et al. 2019). Для контроля качества и прогнозирования (температуры, скорости перемешивания и других факторов) CV использует различные инструменты и технологии, описанные на рис. 4, которые кратко обсуждаются в этом разделе.

Технология обработки изображений имеет решающее значение в пищевой промышленности, оказывая существенную помощь в обеспечении качества продукции и повышении операционной эффективности. Ее многочисленные преимущества совпали с периодом трансформации технологического прогресса, значительно изменившего динамику производства, контроля и потребления продуктов питания. Использование обработки изображений для проверки качества продуктов питания становится все более популярным благодаря своим преимуществам по сравнению с традиционными методами (Franco et al.  2021).

За последнее десятилетие подходы к обработке изображений для оценки качества продуктов питания получили широкое распространение в науке, торговле и технологиях. Автор провел обзор и исследование современных инструментов и стратегий обработки изображений для пищевого бизнеса, а также возможности использования методов компьютерного зрения для оценки качества продуктов питания (Patel and Patel  2015).

Технология обработки изображений революционизирует пищевую промышленность, улучшая контроль качества, оптимизируя операционную эффективность и повышая вовлеченность потребителей. Она играет решающую роль в обеспечении безопасности пищевых продуктов, контроле качества, обнаружении дефектов, сортировке, упаковке и маркетинге. Помимо того, что этот метод обработки изображений является неразрушающим, он также быстрее и дешевле других (Larijani et al.  2019).

Гиперспектральная визуализация (ГСВ)

Гиперспектроскопия (ГСВ) приобрела большое значение и за последние несколько десятилетий сыграла ключевую роль во многих областях визуального анализа данных. ГСВ полезна во многих областях, создавая относительно новую и увлекательную область исследований, которая может быть использована как для автоматического обнаружения целей, так и для определения их аналитического состава. В дисциплине дистанционного зондирования концепции спектроскопии и визуализации были впервые введены в конце 1970-х годов (Zhu et al.  2021).

В настоящее время дистанционное зондирование широко используется в биомедицине, контроле качества пищевых продуктов, сельском хозяйстве, культурном наследии и других областях. Интеграция спектроскопических и визуализационных методов, которые непосредственно идентифицируют различные компоненты и их пространственное распределение в исследуемом образце, стала основной движущей силой разработки системы ГСВ.

Некоторые характеристики легко идентифицируются человеческим глазом или с помощью компьютерной визуализации, но количественный анализ компонентов представляет собой более сложную задачу. ГСВ стала мощным инструментом в сельскохозяйственных и пищевых системах, поскольку она преодолевает ограничения спектроскопических и визуальных подходов (Xu et al.  2017). Ключевым преимуществом этой техники является возможность визуализации различных биохимических компонентов в образце на основе их спектральных характеристик.

Создание химических карт — это процесс построения сложных карт поверхностного состава материалов, который исторически требовал применения строгих лабораторных методов. Даже если два объекта имеют одинаковые цвета, морфологические характеристики или перекрывающиеся спектры, их все равно можно различить и идентифицировать с помощью технологии гиперспектральной визуализации (HSI) (Khan et al.  2018 ).

Извлечение признаков

Все системы распознавания образов и компьютерного зрения используют два основных блока обработки: извлечение признаков и разработку классификатора. Основные цели извлечения признаков — обеспечить точное и надежное распознавание неизвестных новых материалов и снизить вычислительную сложность последующего процесса.

Наиболее сложным, но в то же время важным этапом визуального распознавания образов является извлечение надежных и дискриминативных признаков из изображений. На этапе извлечения признаков было предложено несколько методов, в частности, статистический и многоиндексный активный модельный экстрактор признаков, направленный на повышение точности классификации. К этим категориям относятся извлечение признаков для компьютерного зрения и распознавания изображений (Jiang  2009). В пищевой промышленности автоматизация контроля формы пищевых продуктов стала крайне важной из-за строгих стандартов качества и безопасности пищевых продуктов. Для решения проблем (таких как контроль формы пищевых продуктов с высокой скоростью и точностью), возникающих в процессе обработки изображений, была создана быстрая и точная система извлечения признаков и классификации на основе компьютерного зрения. Алгоритмы глубокого обучения, такие как нейронные сети обратного распространения, первоначально использовались в качестве многоиндексного классификатора на этапе классификации, и этот классификатор значительно повысил точность и скорость (Gunasekaran  1996).

k-ближайший сосед

kNN — это метод классификации, который идентифицирует объекты на основе ближайших обучающих примеров в пространстве признаков. Этот метод обучения на основе примеров откладывает вычисления до момента классификации, что делает его простым, особенно когда предварительные знания о распределении данных минимальны. Когда  k  = 1, он упрощается до правила ближайшего соседа. Выбор метрики расстояния и значения K имеют решающее значение для производительности.

Малое значение  k  может привести к плохим оценкам из-за шума или ограниченного объема данных, в то время как большое значение  k  может вызвать чрезмерное сглаживание и снизить точность (Hemamalini et al.  2022). Алгоритм kNN используется в различных областях и исследовательских работах, например, для оценки качества и здоровья фруктов.

Алгоритм kNN обучается с помощью процедуры обучения системы для определения качества кукурузы, как показано в исследовательской работе (Effendi et al.  2019). Авторы используют алгоритм kNN для оценки качества говядины, пригодной для потребления, путем классификации изображений мяса (Agustin and Dijaya  2019). Метод kNN используется для извлечения признаков и классификации с целью определения качества чая (Xu et al.  2019 ) и молочных продуктов (Samad et al.  2024).

Сверточная нейронная сеть (CNN)

Сверточные нейронные сети (CNN) — это популярная и надежная архитектура глубокого обучения для извлечения признаков, обладающая высокой обобщающей способностью и используемая в различных приложениях для определения качества, включая мясо, злаки, фрукты, овощи, масла и молоко (Islam et al.  2025). Пищевая промышленность все чаще использует CNN для извлечения признаков, оценки объема и питательной ценности продуктов, а также для обнаружения болезней сельскохозяйственных культур.

Однако существует потенциал для дальнейшей оптимизации с целью повышения скорости вычислений CNN (Liu et al.  2021). Модели на основе CNN используются для высокоточной идентификации испорченных продуктов питания, что позволяет сократить потери фруктов и продуктов питания и определить качество продукта (Al Haque et al.  2021). CNN также используется для классификации герметично запечатанных пищевых лотков для контроля упаковки продуктов питания в режиме реального времени (Medus et al.  2021).

Эффективные модели CNN и их комбинации позволяют эффективно оценивать фрукты на основе их внешнего вида или свежести (Ismail and Malik  2022). Использование подходов на основе CNN для обработки изображений пищевых продуктов подчеркивает их актуальность в контроле качества, классификации и обнаружении. CNN обеспечивает углубленный анализ изображений, четко идентифицируя объекты для повышения безопасности и сохранности продукции (Naranjo-Torres et al.  2020).

Сегментация изображений

Сегментация изображений является важнейшим инструментом для оценки качества пищевых продуктов, поскольку она использует богатую визуальную информацию, содержащуюся в изображениях продуктов питания. Она помогает быстро и точно определить качество продукции. Методы компьютерного зрения применялись для автоматизированной проверки различных фруктов, включая апельсины, персики, абрикосы, яблоки и помидоры, с использованием теоремы Байеса и многомерных нормальных частотных распределений (Ma et al.  2016).

В связи с ростом населения, потерями при переработке и стандартами безопасности, сегментация изображений играет решающую роль в улучшении качества поверхности фруктов и других пищевых продуктов. Сегментация изображений — это быстрый, последовательный, экономичный и объективный метод обнаружения и классификации, который помогает в разработке автоматизированных процессов и проверке качества фруктов и овощей (Hemamalini et al.  2022).

Сегментация изображений и машинное обучение используются для классификации фруктов и определения их порчи. Эти методы включают пороговую обработку, градиентный анализ, анализ областей и методы классификации, которые используются для классификации размера, формы, цвета и текстуры, представляющих четыре наиболее распространенных признака объекта (Нарендра и Хариша,  2010).

3D-зрение

Трехмерную информацию можно получить различными методами, включая использование нескольких датчиков, структурированного освещения, интерференционных методов, радиометрических методов, предварительных знаний о сцене и трехмерного моделирования. Трехмерное зрение включает идентификацию и оценку фруктов, растений, сорняков, насекомых и вредителей. Алгоритмы, основанные на глобальных и локальных признаках, эффективно описывают трехмерные характеристики (Fracarolli et al.  2020).

В исследовании были представлены различные методы трехмерной визуализации для сельского хозяйства и пищевых систем, включая методы на основе структурированного освещения, времяпролетной съемки, LiDAR, многоракурсную съемку и оценку глубины по монокулярным изображениям (Xiang and Wang  2023).

Были обсуждены принципы работы, области применения и методы анализа трехмерных изображений, используемые в этих методах. Неразрушающий метод определения свежести говядины с использованием трехмерного многоракурсного и многоракурсного анализа воздушного потока. Результаты показывают, что вязкоупругие параметры в процессе восстановления оказывают лучшее прогностическое влияние на содержание TVB-N в говядине, чем значение pH, демонстрируя потенциал в обнаружении качества пищевых продуктов с помощью вязкоупругих методов (Luo et al.  2023).

Для оценки высоты высоких растений, вертикально поддерживаемых в защищенных помещениях, была разработана мобильная платформа, оснащенная стереоскопической камерой глубины с обзором сверху. Была обучена модель сегментации на основе глубокого обучения для идентификации верхушек и оснований растений, которые затем отображаются на 3D-сцене с использованием изображения глубины из того же кадра. Фон и выбросы удаляются путем применения пороговых значений и 3D-кластеризации, а высота каждого растения определяется путем вычисления центров кластеров (Jayasuriya et al.  2024).

Генеративная модель

Генеративная состязательная сеть (GAN), изобретенная в 2014 году, представляет собой новый подход к обучению представлению данных и генерации реалистичных примеров. GAN — это нейронная сеть, которая может генерировать данные, похожие на реальные данные, посредством процесса, известного как состязательное обучение.

Она состоит из генератора и дискриминатора, преобразующих случайные шумовые векторы в правдоподобные данные. Хотя GAN все еще находятся на ранней стадии развития, они привлекают внимание в приложениях для проверки подлинности продуктов питания, таких как обнаружение фальсификации продуктов и классификация пищевых продуктов (Deng et al.  2024).

Применение GAN находит отражение в различных секторах, включая здоровье растений, обнаружение сорняков, аквакультуру, животноводство и детекцию фруктов (Lu et al.  2022). В исследовании разработан метод автоматизированного расширения размеченных данных, основанный на GAN, направленный на повышение автоматизации в кофейной индустрии. Схема направлена ​​на точное выявление дефектов в плотных зернах и снижение трудозатрат (Chou et al.  2019).

Анализ цвета

Цвет является важнейшим аспектом качества пищевых продуктов, тесно связанным с их принятием на рынке, поскольку это первая характеристика качества, которую учитывают потребители. Авторы рассматривают цветовой код как перспективный метод измерения цвета пищевых продуктов, уделяя особое внимание его способности обеспечивать детальную однородность цвета на уровне пикселей (Wu и Sun  2013).

В статье рассматриваются основы и области применения цветового кодирования, вводятся понятия цветового пространства и традиционных измерений, а также анализируются его преимущества и недостатки. Авторы исследуют применение цветового кодирования и методов машинного обучения с использованием белого ящика для оценки качества говядины посредством анализа цвета. С помощью анализа цвета и искусственного интеллекта можно легко предсказать свежесть фруктов и овощей на основе их внешнего вида (Sánchez et al.  2023).

Согласно имеющейся литературе, растущий спрос и потребление продуктов питания усиливают опасения, связанные с качеством и безопасностью пищевых продуктов. Для решения этих проблем были внедрены различные технологии оценки качества и контроля безопасности. Хотя некоторые из этих подходов показали многообещающие результаты, их применимость часто ограничена контролируемыми или мелкомасштабными условиями (Filho et al.  2024).

Однако полный потенциал концепции «Качество пищевых продуктов 4.0» остается недостаточно изученным. Необходимы дополнительные эмпирические исследования для понимания влияния технологий Индустрии 4.0, таких как интеллектуальный контроль качества и автоматизация, на повышение качества пищевых продуктов, сокращение отходов и содействие устойчивым системам производства продуктов питания (Hassoun et al.  2023).

Несмотря на эти перспективы, существующие подходы все еще требуют усовершенствования в обобщении моделей, адаптивности и выводе данных в реальном времени, особенно при обработке разнообразных пищевых матриц и изменяющихся условий окружающей среды (Al-Sarayreh et al.  2020).

Технологии искусственного интеллекта также используются в сфере безопасности пищевых продуктов, предлагая решения для обнаружения загрязнений, обеспечения стабильного качества и повышения эффективности использования сельскохозяйственных ресурсов. Однако сохраняются ограничения, такие как доступность данных, проверка моделей, масштабируемость и этические соображения (Dhal and Kar  2025).

Например, сочетание ИИ с ближней инфракрасной спектроскопией (NIRS) показало многообещающие результаты в улучшении мониторинга процессов и качества продукции. Тем не менее, эффективная интеграция данных, интерпретируемость моделей и масштабируемое развертывание остаются актуальными проблемами (Choudhary and Kaur  2025 ; Yi et al.  2024). В производстве фруктов алгоритмы машинного обучения и машинного обучения значительно помогли в задачах отслеживания и классификации; однако проблемы, связанные с реализацией в реальном времени, шумом данных и масштабируемостью системы, требуют дальнейших исследований (Sharma et al.  2025 ; Dutta et al.  2025).

В молочной промышленности были предложены инновационные методы искусственного интеллекта с использованием компьютерного зрения и машинного обучения для автоматизации в реальном времени, например, для определения времени затвердевания творога при производстве сыра. Эти достижения обещают повысить как качество продукции, так и эффективность производства, но необходимы более масштабная проверка и интеграция в существующие производственные системы (Loddo et al.  2025).

Аналогично, в контроле качества хлебобулочных изделий модели обнаружения объектов, такие как YOLOv8, достигли высокой точности классификации дефектов в печенье. Несмотря на их эффективность, обобщаемость на различные типы продукции и динамические условия освещения или производства остается проблемой (Kılcı and Koklu  2025). Кроме того, роль компьютерного зрения в совершенствовании решений для устойчивой упаковки проявляется благодаря интеграции нанотехнологий с искусственным интеллектом для оптимизации биоразлагаемой пищевой упаковки (Adeyi et al.  2025).

Несмотря на значительный прогресс в применении машинного обучения на сборочных линиях пищевой промышленности, эта область все еще находится на начальной стадии развития и требует дальнейшей оптимизации моделей и архитектурных улучшений для надежного развертывания (Zhao et al.  2024).

Непрерывное развитие компьютерного зрения предполагает, что системы вскоре смогут осуществлять интеллектуальное взаимодействие в различных областях, включая сельское хозяйство и пищевую промышленность (Tian et al.  2020). Методы DIP продемонстрировали способность прогнозировать качество широкого спектра сырья и пищевых продуктов, включая зерно, овощи, фрукты, мясо, морепродукты, напитки и растительные масла.

В заключение, несмотря на существенный прогресс в различных областях сельского хозяйства и пищевой промышленности в сфере компьютерного зрения, остаются несколько важных пробелов в исследованиях, которые можно рассматривать как направления будущих исследований:

• Получение и предварительная обработка изображений:  вариативность в получении и предварительной обработке изображений, а также необходимость в адаптивных моделях классификации остаются открытыми проблемами.
• Целостность:  Недостаточная надежность и обобщаемость результатов в различных пищевых средах, а также отсутствие междисциплинарной интеграции с существующими промышленными процессами и усилиями по обеспечению устойчивого развития.
• Вариативность цвета:  Разработка моделей ИИ, способных эффективно обобщать данные в различных реальных условиях, обрабатывать значительные вариации цвета, перекрытия и масштабироваться для развертывания на встроенных системах с ограниченными ресурсами, является ключевой задачей.
• Неструктурированный и недостаточный набор данных:  Многие существующие модели ограничены малым количеством выборок, меньшим числом признаков и испытывают трудности из-за серьезного дисбаланса классов в наборах данных, что требует создания более крупных и полных наборов данных и улучшения обработки неструктурированных данных для повышения масштабируемости, точности и надежности модели.
• Объяснимый искусственный интеллект (XAI):  он по-прежнему недостаточно используется в пищевой промышленности, особенно для спектральных данных и временных рядов, что ограничивает надежность моделей и возможность получения подробных объяснений, специфичных для изображений, для сложных моделей глубокого обучения.
• Применение XAI:  Существует существенный пробел в стандартизации технологий XAI для обеспечения более полного понимания их применения в области качества пищевых продуктов, включая расширенные возможности SHAP, такие как эффекты взаимодействия, а также для создания объяснений, которые были бы проще для понимания неспециалистами.

Устранение этих пробелов имеет решающее значение для продвижения систем мониторинга качества пищевых продуктов на основе компьютерного зрения от стадии проверки концепции к применению в промышленности и потребительском сегменте.

Для проведения библиометрического анализа, представленного в данной обзорной статье, статьи были получены из базы данных Scopus с использованием стандартного подхода PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), показанного на рис. 5 (Page et al.  2021). Кроме того, был проведен библиометрический анализ с использованием VOSviewer, RStudio (bibloshiny) и Excel или Python для выявления исследовательских кластеров (RQ1) и содействия в отборе рукописей для контент-анализа (RQ2 и RQ3).

Сбор данных

Исследование проводилось на основе четырехэтапного процесса анализа (см. рис.  5): (а) выбор критериев поиска и источника базы данных, (б) проверка критериев включения/исключения, (в) поиск и очистка соответствующих библиографических записей и (г) библиометрический анализ и визуализация.

Данный обзор был начат с изучения CV (критерия оценки) качества или безопасности пищевых продуктов. Библиометрические данные были получены из базы данных Scopus в период с 10 по 20 мая 2025 года, поскольку она индексирует самый широкий спектр журналов по различным академическим дисциплинам (Li et al. 2010). Такой подход предлагает значительное преимущество, позволяя осуществлять бесплатный, неоплачиваемый автоматизированный поиск по набору терминов, в отличие от других баз данных, таких как Web of Science, которые требуют платной лицензии.

Цель данного обзора заключалась в выявлении работ, выполненных в этой области. Для иллюстрации в данном обзоре использовалась комбинация  («Компьютерное зрение» И Продукты питания И качество ИЛИ безопасность) для поиска библиометрических данных в базе данных Scopus. Псевдокод для сбора библиометрических данных из базы данных Scopus представлен в алгоритме 1, который включает библиографическую информацию (например, редакторы, аффилиации), информацию о цитировании (например, название документа, авторы), аннотации, ключевые слова и ссылки. После извлечения библиометрических данных из базы данных Scopus было выявлено в общей сложности 1446 статей. Затем были определены два критерия исключения (КИС), как указано на блок-схеме (рис.  6).

Первый критерий исключения (EC1) был направлен на отбор исследовательских статей, опубликованных с 2010 года. В результате применения EC1 осталось 1216 статей. Второй критерий исключения (EC2) заключался в отборе только релевантных исследований, а именно: определение предметной области (информатика, инженерия, математика, агрономические и биологические науки), типа документа (статья, доклад на конференции и обзор), языка (английский), ключевых слов (исключая «человек», «химия», «культивирование», «культуры», «профилактика несчастных случаев», «болезни листьев» и т. д.) и стадии публикации (заключительная) и т. д., также упомянутых на рис. 5. В итоге для библиометрического анализа было отобрано и проанализировано 634 статьи.

Microsoft Excel : MS Excel — одно из ведущих программных средств для сбора, очистки и статистического анализа данных выбранной литературы. Этот инструмент облегчал расчет ключевых показателей, включая количество публикаций в год, общее количество цитирований и вклад каждого автора. Его функциональные возможности — такие как сводные таблицы, условное форматирование, сортировка/фильтрация и встроенные формулы — позволяли эффективно очищать данные, проводить анализ тенденций и графическую визуализацию (например, гистограммы и линейные графики) для поддержки количественных аспектов обзора. Excel служил базовой платформой для структурирования библиометрических данных перед выполнением расширенной визуализации с использованием других инструментов.

VOSviewer:  VOSviewer — это свободно доступное программное обеспечение для библиометрической визуализации, разработанное Центром исследований науки и технологий (CWTS) Лейденского университета в Нидерландах. Оно специально разработано для построения и визуализации библиометрических сетей, таких как сети соавторства, совместного упоминания ключевых слов, цитирования, библиографической связи и совместного цитирования.

В данном исследовании VOSviewer использовался для создания карт совместного упоминания ключевых слов и сетей сотрудничества авторов, что позволило получить представление о тематических тенденциях и исследовательских кластерах в области технологий компьютерного зрения, применяемых к качеству и безопасности пищевых продуктов.

Способность программного обеспечения обрабатывать большие библиографические наборы данных и предоставлять пространственные представления взаимосвязей между терминами помогла выявить наиболее влиятельные ключевые слова, исследовательские направления и новые темы. Визуальные результаты, полученные с помощью VOSviewer, дополнили аналитические результаты и сыграли важную роль в построении карты интеллектуальной структуры данной области.

В этом разделе представлены результаты библиометрического анализа данных, полученных из базы данных Scopus, с акцентом на применение условной валидации в области качества и безопасности пищевых продуктов с 2010 года. Цель этого анализа — дать представление об эволюции и развитии научных исследований в этой области за последнее десятилетие.

Результаты исследования подчеркивают вклад ключевых авторов, включая плодовитых исследователей, ведущие исследовательские институты и активные страны, которые внесли значительный вклад в развитие данной области благодаря постоянным публикациям. Кроме того, анализ совместной встречаемости ключевых слов авторов выявляет распространенные темы, такие как компьютерное зрение, безопасность пищевых продуктов, качество пищевых продуктов, обработка изображений, глубокое обучение и сверточные нейронные сети, которые в совокупности иллюстрируют тематическую направленность данной области.

Эти результаты показывают, что в последнее время в исследованиях все чаще используются передовые методы искусственного интеллекта, в частности модели компьютерного зрения и глубокого обучения, такие как сверточные нейронные сети, для неинвазивных автоматизированных систем контроля в пищевой промышленности. Таким образом, этот раздел описывает тематический ландшафт и новые перспективные направления исследований, касающиеся применения компьютерного зрения для обеспечения качества и безопасности пищевых продуктов.

Результаты

На рисунке  7  представлена ​​визуализация сети совместной встречаемости ключевых слов, созданная с помощью VOSviewer на основе библиометрических данных из литературы. В результате анализа совместной встречаемости ключевых слов было выявлено в общей сложности 1817 ключевых слов из литературы. Из первоначального набора из 1817 ключевых слов, извлеченных из набора данных, было выбрано уточненное подмножество из 60 ключевых слов на основе минимального порога встречаемости в пять раз. В этой визуализации каждый узел представляет собой уникальное ключевое слово, а размер узла указывает на его частоту в наборе данных. Ребра между узлами отражают отношения совместной встречаемости в отдельных публикациях. Цветовые кластеры обозначают различные тематические области:

Зеленый кластер посвящен методам компьютерного зрения, применяемым для оценки качества и безопасности пищевых продуктов, а также для контроля качества и обнаружения объектов. Синий кластер освещает использование глубокого обучения в пищевой и сельскохозяйственной отраслях, например, для обнаружения болезней растений, переработки пищевых продуктов и точного земледелия. Красный кластер отражает традиционные методы анализа изображений, используемые в пищевой промышленности. Фиолетовый кластер фокусируется на алгоритмах машинного обучения, таких как SVM, ANN и методы классификации, а желтый кластер включает спектроскопию и методы сегментации для контроля качества пищевых продуктов.

Примечательно, что «компьютерное зрение» выступает в качестве центрального и тесно взаимосвязанного узла, указывая на его основополагающую роль в объединении технических методологий, таких как CNN, YOLO и аугментация данных, с реальными приложениями. Этот анализ подчеркивает междисциплинарный характер современных исследований в области качества и безопасности пищевых продуктов, демонстрируя явный переход от традиционных методов обработки изображений к передовым решениям на основе искусственного интеллекта.

На визуализации ключевые слова, такие как анализ изображений, нейронная сеть, классификация и обработка изображений, выделены более холодными тонами, что указывает на их основополагающую роль и значимость в более ранних исследованиях. С другой стороны, термины, такие как YOLO, YOLOv8, аугментация данных, обработка пищевых продуктов и распознавание пищевых продуктов, выделены желтым цветом, что свидетельствует об их появлении и растущей популярности в последние годы. Ключевые слова, такие как CV, DL и AI, охватывают весь цветовой спектр, демонстрируя их непрерывное и растущее влияние на протяжении десятилетия. Эта динамика иллюстрирует явный сдвиг от традиционных методов обработки изображений и машинного обучения к современным подходам на основе искусственного интеллекта в методах обнаружения объектов и приложениях реального времени.

На рисунке  9а показана ежегодная динамика научной активности в области компьютерного зрения, применяемого для обеспечения качества и безопасности пищевых продуктов, с 2010 по 2025 год. Данные демонстрируют четкую восходящую траекторию на протяжении многих лет, перемежающуюся периодами ускорения. На начальном этапе рост был умеренным: количество ежегодных публикаций увеличилось с 14 в 2010 году до 30 в 2018 году. Значительный всплеск произошел в годы после 2019 года, достигнув пика в 2024 году со 127 публикациями, что почти в три раза больше, чем в 2021 году.

Этот всплеск, вероятно, соответствует повышению доступности вычислительных ресурсов, развитию моделей глубокого обучения и усилению глобального внимания к безопасности пищевых продуктов и автоматизации. Интересно, что наблюдается заметное снижение количества публикаций с 2025 года до 45, что может отражать неполноту данных за этот год или временное снижение после пика. В целом, график подчеркивает растущий исследовательский интерес и зрелость технологий компьютерного зрения в решении задач обеспечения качества и мониторинга безопасности пищевых продуктов.

На рисунке  9b представлено географическое распределение научных публикаций. Лидером является Китай с 471 публикацией, за ним следуют Индия с 452 и США с 293. На эти три страны приходится большая часть мирового объема публикаций, что отражает их стратегические инвестиции в ИИ и сельскохозяйственные технологии. Среди других заметных участников можно отметить Бразилию, Австралию, Мексику и ряд европейских стран. Высокую роль азиатских стран, особенно Китая и Индии, можно объяснить их крупными сельскохозяйственными секторами, которые требуют масштабируемых и эффективных решений в области безопасности пищевых продуктов. Эти страны уделяют большое внимание интеграции технологий на основе ИИ, таких как компьютерное зрение, в процессы обработки и контроля пищевых продуктов.

На рисунке  9c представлена ​​динамика объема публикаций по странам во времени, что позволяет получить дополнительное представление о национальной динамике научных исследований. С 2010 по 2017 год США стабильно лидировали. Однако с 2018 года Китай и Индия продемонстрировали резкое увеличение объема публикаций. К 2022 году Китай обогнал США, а Индия следовала за ним с небольшим отрывом. Экспоненциальный рост за последние 5 лет отражает растущее внимание обеих стран к продовольственной безопасности, цифровому сельскому хозяйству и технологическим инновациям.

Между тем, европейские страны, такие как Испания и Италия, показали стабильный, но сравнительно умеренный рост. Эта тенденция указывает на глобальный сдвиг в сторону более широкого внедрения интеллектуальных систем инспекции и классификации в сельском хозяйстве и пищевой промышленности, обусловленный перспективами автоматизации, точности и отслеживаемости, которые предлагает компьютерное зрение.

Рисунок 10 в совокупности иллюстрирует эволюцию исследовательской продуктивности как в учреждениях, так и в журналах с 2010 по 2025 год. Как показано на рис.  10а , очевидно изменение предпочтений в источниках публикаций. В то время как в первые годы доминировали сборники трудов SPIE, журнал Computers and Electronics in Agriculture демонстрировал непрерывный рост и превзошел его после 2021 года. Кроме того, новые журналы, такие как IEEE Access и Foods, в последние годы демонстрируют резкий рост, отражающий растущую важность открытого доступа и междисциплинарных платформ.

В дополнение к этому, на рис.  10b показано, что Университетский колледж Дублина поддерживал стабильный уровень исследовательской активности на протяжении времени, в то время как такие учреждения, как Болонский университет и Китайский сельскохозяйственный университет, зафиксировали значительный рост после 2016 года, позиционируя себя как ведущих участников.

Мельбурнский университет продемонстрировал резкий рост публикаций примерно в 2018 году, после чего ситуация стабилизировалась, а Кальяриский университет начал вносить более заметный вклад с 2022 года. Эти тенденции подчеркивают как институциональные, так и журнальные сдвиги, которые соответствуют более широким изменениям в приоритетах исследований и практике распространения информации, особенно в контексте применения компьютерного зрения в области качества и безопасности пищевых продуктов.

На рисунке 11 представлен сравнительный обзор национального вклада в исследования в области компьютерного моделирования качества и безопасности пищевых продуктов, основанный на структуре публикаций соответствующих авторов. Среди проанализированных стран Китай демонстрирует наибольший объем научных публикаций — 87 статей, за ним следует Индия с 68 публикациями.

Примечательно, что Индия демонстрирует доминирующую долю публикаций, созданных внутри страны (SCP = 64, MCP = 4), что указывает на существенный уровень независимой исследовательской деятельности в ее национальных учреждениях. Эта тенденция отражает сильную исследовательскую направленность Индии и растущий опыт применения методов компьютерного моделирования для решения задач мониторинга качества и оценки безопасности пищевых продуктов, в то время как другие страны, такие как США, Италия и Испания, также вносят значительный вклад. Такое распределение подчеркивает различные национальные стратегии глобального научного сотрудничества и баланс между независимыми и совместными исследованиями в разных странах.

Обсуждение

Результаты библиометрического анализа, проведенного в данном исследовании, предоставляют ценную информацию о развивающемся ландшафте применения компьютерного зрения в пищевой промышленности. Анализ литературы за период с 2010 по 2025 год показывает устойчивый рост числа исследований, с заметным всплеском после 2018 года. Этот рост соответствует более широкому внедрению технологий искусственного интеллекта и растущему глобальному спросу на безопасные и высококачественные продукты питания. Анализ показывает, что такие журналы, как Computers and Electronics in Agriculture, IEEE Access и Foods, стали важными платформами для распространения этих исследований, что указывает на конвергенцию между сельскохозяйственными инновациями и вычислительными науками.

Совместное использование таких ключевых слов, как CV, DL, YOLO и неразрушающий контроль, подчеркивает тематический сдвиг последних лет от базового анализа изображений к сложным системам принятия решений в реальном времени. Более ранние исследования преимущественно фокусировались на извлечении признаков и моделях ручной классификации, таких как SVM и kNN. В отличие от этого, в последних исследованиях все чаще используются сверточные нейронные сети (CNN), механизмы на основе механизма внимания и сквозные системы глубокого обучения (DL). Эти достижения приводят к повышению точности обнаружения, классификации дефектов и скорости автоматизации в широком спектре пищевых продуктов.

Области применения, выявленные в проанализированной литературе, охватывают множество областей, включая сортировку, классификацию, обнаружение загрязнений, оценку зрелости и проверку упаковки. Например, модели компьютерного зрения были эффективно внедрены в системы классификации фруктов, оценку качества мяса с использованием гиперспектральной визуализации и обнаружение дефектов упаковки в режиме реального времени. Библиометрическая кластеризация также выявляет междисциплинарные исследования, охватывающие пищевую науку, компьютерную инженерию и робототехнику, особенно в контексте интеллектуального земледелия и промышленной автоматизации.

Более того, библиометрическое картирование показывает постепенную географическую диверсификацию вклада. Если на ранних этапах разработки лидировали исследователи из США, Китая и Европы, то недавние работы из Индии, Бразилии и Юго-Восточной Азии отражают растущий глобальный интерес и локализацию решений в области ИИ в сельском хозяйстве и пищевой промышленности.

Несмотря на эти многообещающие достижения, сохраняется ряд проблем. Многим моделям не хватает устойчивости в различных условиях окружающей среды или при применении к различным видам продуктов питания. Кроме того, существует пробел в общедоступных аннотированных наборах данных, что существенно ограничивает масштабируемость и проверку предлагаемых моделей.

Также библиометрические тенденции показывают, что, несмотря на рост числа приложений компьютерного зрения, лишь немногие исследования интегрируют интеграцию интегративного искусственного интеллекта, который мог бы восполнить пробелы в доверии в промышленных условиях.

В данной статье представлен обзор последних публикаций по компьютерному зрению и искусственному интеллекту в области обеспечения качества и безопасности пищевых продуктов. Библиометрические данные отражают четкую тенденцию роста числа научных публикаций с 2020 года, при этом значительный вклад вносят журналы, посвященные пищевому сектору, сельскому хозяйству, инженерии и искусственному интеллекту.

Рассмотренные исследования последовательно демонстрируют, что системы компьютерного зрения, особенно в сочетании с моделями искусственного интеллекта, такими как CNN, SVM и YOLO, предлагают значительные преимущества в точности, скорости и объективности по сравнению с традиционными методами контроля.

Эти технологии позволяют проводить неинвазивную оценку качества широкого спектра пищевых продуктов, включая фрукты, овощи, мясо, молочные продукты и зерновые, минимизируя при этом человеческие ошибки и повышая уровень автоматизации. Более того, библиометрические тенденции указывают на сдвиг в сторону приложений компьютерного зрения в реальном времени, на основе датчиков и мультиспектрального анализа, предназначенных для промышленного применения.

Однако данный анализ также выявляет ряд сохраняющихся проблем, включая отсутствие стандартизированных наборов данных, ограниченную обобщаемость в различных условиях окружающей среды и высокие затраты на внедрение в условиях ограниченных ресурсов. Также растет потребность в интерпретируемых и легковесных моделях ИИ, которые можно легко интегрировать в существующие рабочие процессы производства продуктов питания.

В будущем следует сосредоточиться на междисциплинарном сотрудничестве, гармонизации наборов данных и разработке адаптивных, объяснимых систем компьютерного моделирования для удовлетворения растущих глобальных требований к безопасности пищевых продуктов, прозрачности и обеспечению качества.