盡管農業是世界上全球化程度最高的行業，但效率極低。全球供應鏈已經實現了機械化，但還沒有實現信息化，它們還充分受益于數字技術的爆炸式增長，這些技術在制藥或醫療保健等其他領域發揮了作用。

與此同時，世界上生產的所有食物中有三分之一被浪費了。如果食物浪費是一個國家，它將成為世界第三大溫室氣體排放國，每年產生約 8% 的全球碳排放量。全球生產的肉類中有超過 20% 被浪費;對于水果和蔬菜，這一比例達到了驚人的 45%。

此外，食品造假每年給全球經濟額外造成 400 億美元的損失——自 2010 年以來，丑聞增加了三分之二。此類犯罪的增長速度如此之快，以至于英國食品標準局于 2018 年成立了國家食品犯罪部門2015 年專門解決欺詐和摻假問題。

食物浪費丑聞在過去幾年受到越來越多的關注，聯合國大會 (UNGA) 呼吁將零售和消費者層面的全球人均食物浪費減半，并減少生產和供應鏈中的食物損失，包括到 2030 年采后損失。

正如聯合國可持續發展目標 (SDG) 12 的具體目標 12.3 中所述，行動呼吁旨在“確保可持續的消費和生產模式”。實現糧食損失和浪費目標的一個關鍵步驟是政府和公司設定與可持續發展目標 12.3 一致的具體減少目標。

牛排的高光譜圖像。上面的黃色代表脂肪，深色代表瘦肉。隨機選擇其他顏色以指示場景中的背景和其他對象。

對于食品生產商和零售商而言，質量控制和保證仍然依賴于人工、冗長、破壞性的過程，例如目視檢查、感官評估和基于樣本的測試。

分揀、配送流程改進

用于監測食品的無創、快速、客觀技術對于改進分類和分配過程至關重要。這就是高光譜成像大有可為的地方。該技術同時獲取光譜和空間數據;然后，它可以實時無創地可視化物理和化學成分，并可以促進向 100% 的產品進行測試的供應鏈轉變。

然而，將高光譜成像用于食品監測必須克服工業和技術層面的某些挑戰，才能充分發揮其潛力。

在食品公司采用新技術之前，他們必須了解它。目前，公司不習慣閱讀圖表和統計值。信息通常是通過硬度測試、pH 計等儀器或通過擠壓、聞或看等感官評估獲得的。

來自傳感器(如高光譜或多光譜相機)的信息需要轉化為可操作的見解——例如，保質期天數、魚的新鮮度類別，或基于干物質含量等化學屬性的最佳分類(與鱷梨的成熟度相關)。這些見解對食品公司很有價值，使他們能夠提高產量、減少浪費并改善配送和質量的分類。

牛排上識別的三個像素的反射光譜。綠線代表白紙背景的反射率，反射率最高;藍線代表肉的白色脂肪，比紅線反映更多，紅線代表牛肉的瘦肉、深色部分。

這項技術的廣泛采用還需要改變程序。例如，有幾篇學術論文指出可以使用高光譜成像對牛排的嫩度進行分類。但在當今的行業中，牛肉嫩度主要由牛肉生產商在包裝廠使用破壞性測試(例如 剪切力測試)進行分級。就消費者而言，他們不習慣根據嫩度等級購買牛肉，盡管將嫩度視為重要的口味屬性。在肉類行業引入卓越質量指標的業務挑戰需要行業和消費者的行為轉變。

為了廣泛使用高光譜成像系統進行食品監測(例如照明)，技術改進是必要的。與單點光譜儀相比，傳送帶的速度越快，面掃描儀和線掃描儀所需的照明強度就越大。鹵素燈在廣譜范圍內發光，壽命較短并且會產生熱量。當需要更多照明時，傳統的解決方案是增加功率，但對于鹵素燈，這也會產生更多的熱量。過多的熱量會損壞正在加工的食品：例如，糖會融化，碎豬肉會更快地失去水分。

糖和異物的高光譜圖像

LED 照明輻射的熱量少得多，使其成為更好的選擇。然而，目前的 LED 技術不足以滿足食品行業的高光譜成像解決方案，因為它無法在廣譜范圍內發光。通常，LED 發出非常窄的光譜，這意味著需要大量的 LED 來模仿鹵素燈。

分類算法

用于食品監測的高光譜成像還需要對高光譜立方體進行實時分類。高光譜成像系統主要是為實驗室使用或研究環境而開發的，帶有一個緩慢移動的托盤。食品公司不斷嘗試提高傳送帶的速度以優化吞吐量，這需要一個分揀應用程序，其中需要在不到一秒的時間內分析高光譜圖像(大小可達 1 GB)。

對現有高光譜文獻的評估發現，研究人員并未解決將這種技術應用于快速生產線速度的問題。

數據收集提出了另一個挑戰。每種食品都需要不同的校準。反過來，這需要特定于產品的知識，了解如何操作真實參考測量，例如 pH 計或剪切力測試，以及這如何與高光譜圖像的光譜數據相關聯。為了開發這些算法，服務提供商需要與食品公司合作，以獲得足夠的數據點，用于商業上可行的解決方案。

但是，沒有大型、公開可用的食品光譜數據集和相應的地面實況測量結果，導致驗證服務提供商開發的分類算法質量的開發過程更長。

最后一個技術障礙涉及異物檢測。可以提高高光譜成像的空間分辨率以檢測更小的異物。今天，要檢測一根頭發，攝像頭需要距離頭發不到 10 厘米，這會縮小攝像頭的視野并限制它可以覆蓋的傳送帶的寬度。在這種情況下，可以添加更多的攝像機來拍攝更廣的區域。然而，這顯著增加了成本。

新的解決方案不斷涌現，可以將高光譜成像用于食品監測。該技術已經存在 20 多年，但直到最近才應用于食品加工設施的在線使用。生成的大量數據和現有的分類模型使得該技術難以用于實時質量控制。

易于使用的神經網絡機器學習框架的激增使得高級非線性分類算法或模型的開發速度大大加快。此外，將可以編程的 GPU 與機器學習模型相結合，可以進行并行的快速計算，從而加快對高光譜圖像的分類。

高光譜成像技術可用于配送中心食品加工的多種在線應用。例如，sinespec開發了具有多種用途的軟件，包括牛肉 pH 值和顏色算法。這些算法可以通過準確計算配送中心的保質期和產品最終使用的最佳形式來減少零售商的店內肉類浪費，從而為消費者提供更高的質量和一致性。例如，如果牛肉在真空包裝時的 pH 值高于 5.9，它會更快地變成 DFD(深色、堅硬、干燥)。僵直后 pH 值為 5.9 或更高的肌肉通常會發展出某種形式的暗切割特征。無應激動物的正常肉的 pH 值范圍為 5.4 至 5.7。DFD 肉的 pH 值要高得多，在 5.9 到 6.5 的范圍內。

零售陳列柜中 DFD 肉的暗紅色狀態已被證明是消費者拒絕的主要原因之一。消費者認為深色表示肉來自舊動物、腐敗、不良味道、韌性和保質期短。

借助sinespec的分類算法，食品零售商可以在供應鏈的早期識別出高 pH 值的肉類，然后可以將這些肉類轉化為二級產品，例如碎牛肉或肉末。從長遠來看，零售商可以確定問題的根源，例如溫度波動或劣質動物飼料，并根據客觀數據制定更嚴格的產品規格。

牛肉嫩度分級是另一個應用。今天，沒有成像，但系統可以在兩天內預測肉在 14 天時的嫩度，再給 12 天時間來優化最終用途。十四天是衡量牛排嫩度的行業標準時間。14 天后，壓痛值通常不會改變。

隨著新鮮無須鱈腐爛過程的進行，皮膚會從綠色變為紅色。人眼幾乎無法察覺綠色區域。然而，高光譜相機可以“看到”這些顏色，軟件使用它們來對新鮮度進行分類。

?

兩天的預測數據非常有價值。關于肉的使用的決定通常發生在兩天后，當牛排開始轉移以供后續儲存和分配時。這種分類可以通過客觀測量保證產品的嫩度，從而實現動態定價。

高光譜成像技術還可以檢測異物。X 光機通常檢測比食品物質本身密度更大的物體。當食品公司試圖檢測某些較輕的非磁性材料(如塑料、骨頭、紙張和紙板)時，這給食品公司帶來了挑戰。

高光譜系統可以通過將圖像分成數千個像素并將具有相似光譜輪廓的像素組合在一起，以高精度檢測和分類此類物體。這種質量控制工具可實時識別污染物，并可與機械臂或噴氣式噴射裝置結合使用，以便即時清除。這可以防止供應鏈下游的投訴或產品召回。

通過高光譜成像也可以對鱷梨進行無創分類。一年中的每個星期都會生產鱷梨。在包裝廠，混合不同干物質含量的鱷梨。使用高光譜技術對干物質進行無創分類的能力有可能創造巨大的經濟價值。它還可以減少餐廳層面的浪費，因為它使餐飲服務公司能夠在選定的范圍內催熟鱷梨，以根據即食質量更好地優化分銷。

高光譜數據可以在整個價值鏈中實現更多的信息共享，從而帶來眾多好處，提供更高的安全性和透明度，并在構建未來的食品系統中發揮作用。