酱卤肉制品是中国传统肉制品的典型代表之一，承载着悠久的饮食文化，在食品行业占据着举足轻重的地位，凭借其浓郁的香味以及独特的口感，备受消费者喜爱。传统酱卤肉制品加工可根据不同地区和口味需求制作出不同味道，经过历代不断地传承和创新，传统加工技术已基本趋于成熟和标准化。近年来，随着国民生活水平的改善和对食品安全关注度的增加，人们对食品质量也提出了更高的要求，传统酱卤肉制品质量控制方法的主观性强、质量不稳定等不足之处逐渐显现。首先在原料筛选环节，传统原料肉新鲜度检测方式如感官评估，易受主观因素干扰，而理化指标检测虽精准，但操作繁琐、耗时较长，难以满足企业和监管机构的高效检测需求。其次在酱卤肉制品加工工艺方面，缺乏量化标准导致原料损耗难以精确控制，关键参数依赖人工经验，使得产品质量参差不齐。此外，传统的风味分析方法主要通过测定食品中挥发性和非挥发性化合物的含量，无法有效预测和优化其风味。且传统的货架期预测方法准确性不足，无法适应复杂多变的市场环境。这些问题严重制约了酱卤肉制品产业的高质量发展。
机器学习在肉制品领域的应用展现出多维度的综合性和跨技术的融合性，其应用范围广泛且深入，不仅涵盖了肉制品质量检测的关键环节，还涉及肉制品的分类识别、新鲜度的精准预测等多个至关重要的方面。这种多维度的应用不仅提升了肉制品生产的智能化水平，还极大地优化了产品质量控制和市场流通的各个环节，从而为整个肉制品行业可持续发展提供了强有力的技术支撑。图1A和图1B是分别从WOS（Web of Science）和中国知网（CNKI）中以“机器学习”和“肉制品”为关键词、时间范围2015—2025年的网络图，将文献中的标题和摘要叠加可视化，相同的颜色代表相关性较强（结果由VOS viewer1.6.19软件生成）。如图1所示，机器学习技术在肉制品领域中的应用越来越广泛，应用场景和子领域呈现出蓬勃发展的态势，并持续拓展与深化。与传统方法相比，机器学习在酱卤肉制品质量控制方面具有明显优势，为肉制品产业突破困境带来了新的机遇。机器学习能够分析和处理大数据样本，识别高维变量空间中的复杂模式，它以强大的数据处理和分析能力，在众多领域展现出卓越的应用潜力，为解决酱卤肉制品质量控制难题提供了全新的视角和有效途径。基于此，新疆农业大学食品科学与药学学院的李青、王虎虎*，南京农业大学食品科学技术学院李宛玲等人深入剖析机器学习在酱卤肉制品质量控制中的具体应用，全面梳理其应用过程中面临的挑战，并对未来发展趋势进行展望，旨在为推动酱卤肉制品产业的智能化升级和可持续发展提供有益的参考与借鉴。
1 酱卤肉制品产业现状
1.1 酱卤肉制品产业概述
我国肉类产量和消费量均在全球处于领先地位，根据国家统计局数据显示，近5 年来我国肉类产量总体呈上升趋势，其中2024年总产量达9 780万 t，此外，从中国居民的肉类消费结构看，2023年我国人均肉类消费量为39.8 kg，同比上涨15.3%。这一背景下，卤制品行业也呈现出显著增长趋势，2021年，中国卤制品行业规模达3 296亿 元，3 年复合增长率为12.3%。随着居民生活水平与消费需求的持续提升，2023年该行业规模已突破4 051亿 元，超过此前预期。酱卤肉制品作为卤制品中的重要品类，是以鲜（冻）畜禽肉或可食副产品为主要原料，经预处理后，配以食品辅料，经腌制（或不腌制）、酱制或卤制、包装（或不包装）、杀菌（或不杀菌）、冷却等工艺加工而成的熟肉制品。2016—2020年间，我国酱卤肉制品年均复合增长率约24.1%，2020年，零售市场规模近850亿 元，日消费量达到1.5万 t左右，已成为肉制品产业中第三大发展迅速的行业，然而，目前酱卤肉制品的生产仍以中小型企业及作坊为主，销售多依赖零售渠道，使产品质量控制与食品安全存在一定隐患。另一方面，我国地域广阔，因此酱卤肉制品呈现出明显的地域特征，形成了如酱卤鸭制品、酱卤鸡制品、酱卤猪肉制品等多个重要品类，各地产品在风味和加工工艺方面也具有独特之处。例如，镇江肴肉以晶莹剔透、香酥鲜嫩而闻名；南京盐水鸭则凭借短时腌制与复卤工艺广受认可，其成品肉质细嫩、肥而不腻。综上所述，在酱卤肉制品产业规模持续扩大的同时，消费者对酱卤肉制品的安全性、质量稳定性和营养健康性等方面也提出了更高要求，应不断推动行业向更高质量的发展阶段迈进。
1.2 传统质量控制方法的局限性
近年来，食品产业的持续发展促进了酱卤肉制品在技术革新、质量提升及标准化生产等多个方面的显著进步。在生产加工领域，产业集中度显著增强，大型企业通过技术革新和设备升级，有效提升了生产效率和产品质量。此外，GB/T 23586—2022《酱卤肉制品质量通则》对酱卤肉制品的产品分类、原辅料要求、技术要求等方面作出了更为明确的规定，从而增强了产品质量的可控性。与此同时，冷链物流体系的建设亦取得了新的突破，为酱卤肉制品的运输与销售提供了更为坚实的保障。但目前酱卤肉制品产业仍存在诸多局限性：首先原料肉的质量是决定产品风味与安全性的基础，但在畜牧养殖环节，部分养殖户法律意识较为淡薄，可能存在使用劣质饲料、滥用兽药等情况，导致兽药残留隐患；畜禽屠宰环节存在私屠滥宰现象，屠宰厂标准化程度低，落后产能淘汰困难，无害化处理环节存在疏漏，而传统检测方法中感官评估法很难形成一个标准的定量系统，物理化学指标和微生物菌落检测法精确性虽高，但无法满足肉类企业和监管机构对原料肉质量高效检测的需求。其次在酱卤肉制品生产环节中，企业发展水平参差不齐，肉类食品欺诈事件（如掺假、违规使用添加剂等）频发，生产过程中的关键参数也主要依赖主观经验，导致产品在色泽、质构等质量及安全性上不稳定。另外，传统风味分析方法是由经过培训的评价人员通过品尝、嗅闻等方式进行风味评价，该方法主观性强、影响因素较多、结果存在较大差异，无法准确预测和优化产品风味。最后，由于酱卤肉制品营养成分丰富，适宜微生物生长，因此极易腐败变质，而传统货架期预测方法主要通过观察产品的外观、气味等变化来评估，以及通过定期检测酱卤肉制品的菌落总数、总挥发性盐基氮（TVB-N）含量等指标结合个人经验判断，无法准确预测产品在不同储存条件下的货架期变化。综上所述，不断开发优化酱卤肉制品质量控制的技术方法非常必要。
2 机器学习在原料肉质量控制中的应用
2.1 机器学习技术
机器学习作为人工智能的分支，近年来在多个领域展现了强大的能力，尤其是在处理复杂数据模式和预测未知结果方面表现突出。在食品科学领域，其主要优势之一是允许对复杂的生物学问题进行建模和预测，尽管这通常需要较高的计算能力和大量的数据集支撑模型的学习过程。根据不同标准，机器学习可分为多种类型，其中最常见的是依据训练数据生成标签的差异划分为监督式学习、非监督式学习及半监督式学习。目前，酱卤肉制品研究中常用的机器学习算法如表1所示，主要包括随机森林、支持向量机、人工神经网络、卷积神经网络和偏最小二乘回归。不同机器学习算法模型都有其独特的适配性，如随机森林是由众多独立的决策树组成，通过汇总所有决策树的预测结果从而完成最终预测，能够有效避免单个决策树容易过拟合的缺陷，在酱卤肉制品货架期预测这种典型的多变量、非线性、数据量有限的复杂问题中表现出卓越的泛化能力和抗过拟合优势；卷积神经网络的卷积层和池化层能够有效提取图像中与原料肉新鲜度相关的细微特征变化，如色泽的改变、表面微生物群落的变化等，从而及时准确地判断酱卤肉制品的新鲜度，避免因新鲜度不足而导致的食品安全问题。
机器学习在酱卤肉制品领域中的应用呈现出多维度、跨技术融合的特点，基于光谱成像、智能感官等多种技术应用于酱卤肉制品质量检测、分类、新鲜度预测、货架期等多个重要方面。尹佳等通过结合小波分解与长短期记忆网络构建了酱卤肉制品安全风险预测模型，其准确率达到0.99，标准偏差为0.029。赵鑫龙等基于智能手机开发了牛肉大理石花纹检测软件，结合卷积神经网络结构，其检测准确率达到97.67%，且在特征提取自动化程度、检测速度、适应性以及便携性等方面均优于传统机器视觉方法。综上所述，将机器学习引入酱卤肉制品质量控制中，相较于传统质量控制方法，具有显著性能优势（表2），这不仅为酱卤肉制品质量控制提供了更为高效、精准的技术手段，还为酱卤肉制品产业的智能化发展带来了新的契机，有助于推动产业向更高水平迈进。
2.2 原料肉的新鲜度评估
原料肉在屠宰、分割、储存、运输和营销过程中易出现微生物、生物酶和生肉本身的化学反应导致的变质问题，使原料肉质量下降。新鲜度是影响原料肉质量和消费者选择的重要因素之一，目前评估鲜肉新鲜度的传统方法主要分为两种：感官评估和物理化学指标检测。感官评估主要依赖于专业评估团队的主观判断，但频繁的测试可能会降低准确性并增加不确定性；物理化学指标（如pH值、水分含量、TVB-N含量等）检测需要成本昂贵的设备，耗时且难以实现在线监测，并且会损害肉类品质。近年来，在肉类新鲜度智能化检测领域，将多种光谱等先进技术与机器学习模型结合的多模态数据融合技术展现出显著成效，如图2所示，多模态数据融合通常根据数据整合的阶段可分为低级、中级和高级融合。这些方法在信息保留程度、计算需求和处理速度方面存在明显差异，因此各自适用于不同类型的食品质量控制任务。其中，低级融合是一种数据级整合方法（图2A），即在模型训练之前，将来自不同仪器或数据源的原始数据或经直接预处理后的数据进行集成。中级融合属于特征级整合方法（图2B），在从各模态中提取特征之后，首先对特征进行融合、映射或转换，以构建一个统一的特征空间，供后续模型训练与预测使用。最后，高级融合则如图2C所示，先对每个模态的数据分别进行处理，获得各自的预测结果，再通过机器学习模型等方法对这些结果进行融合，从而得到最终的预测输出。
首先，基于光谱分析技术的研究主要聚焦于特征提取与模型优化，Zou Liang等通过一维挤压激励残差网络算法构建猪肉新鲜度与近红外光谱之间的相关模型，其准确率达到93.72%。Zhang Jue等则基于高光谱成像技术，结合鲸鱼优化算法与最小二乘支持向量机构建模型，在预测羊肉TVB-N含量方面，决定系数达到0.900 6。此外，传感器技术与深度学习模型的融合构成了另一重要应用方向，Lin Yuandong等基于荧光传感器阵列技术，结合轻量级卷积神经网络构建了肉类新鲜度自动识别准确率高达98.17%的深度学习模型。其中，智能传感与便携且低成本的移动端结合同样能高效应用于原料肉新鲜度检测中，Li Min等创新性地将木犀草素等类黄酮化合物与柔性薄膜复合制成智能指示标签，结合智能手机图像采集与深度卷积神经网络，能够实现97.1%的高准确率检测。Jin Peilin等则基于智能手机拍摄的图像，结合支持向量回归算法预测羊肉的pH值和TVB-N含量，准确率均能达到99%。同时，面对便携式现场检测的需求，He Wenhao等结合柔性光电传感系统和多输入多标签因果集成学习模型，对羊肉进行现场新鲜度检测，准确率也达到94.57%。最后，Zhao Xiaoxiao等采用多模型融合策略，通过融合卷积神经网络和支持向量回归模型，在pH值和TVB-N含量方面预测精度分别达到96.25%和96.97%。综上所述，利用机器学习技术结合分析光谱、传感器等多种来源的数据，通过对原料肉的多维度量化评价，从而能够实现更加高效、准确的新鲜度评估，可为酱卤肉制品等加工肉类的全链条质控提供核心支撑，显著增强产品质量稳定性与安全阈值。
2.3 原料肉加工适宜性分析
原料肉的加工适宜性分析，是指基于肉类原料的质量特性、组织结构以及风味前体物质含量等指标，对其是否适用于酱卤肉制品加工过程所进行的系统评估，旨在确保原料肉经酱卤工艺处理后能够呈现预期的口感、风味与质地，从而保障最终产品的质量稳定。王可评估了牦牛肉6 个不同部位的水分含量、pH值、色泽、保水性等关键指标，发现其均存在显著差异，因此在加工适宜性上表现出明显差异。如霖肉和臀肉更适合加工成低温熏煮香肠，牛腱适宜作为酱卤牛肉的原料，而大黄瓜条和牛腩则更适用于制作牛肉干。由此可见，加工适宜性的明确判别不仅为肉类原料的精细化加工与合理应用提供了科学依据，也显著提升了酱卤肉制品的附加值，有助于推动肉制品加工行业的技术优化与产品升级。
近年来，研究人员将机器学习技术与先进光谱成像等方法相结合，构建了多层次的加工适宜性综合质量评价模型，为保障酱卤肉制品质量提供了更加有效的技术手段。在原料特性的识别方面，Cozzolino等利用近红外光谱技术结合主成分分析和线性判别分析等降维算法构建模型，对新鲜肉中水分、脂肪酸、脂质和蛋白质含量等的识别准确率达87.8%。此外，在核心质量参数检测方面，Dixit等采用高光谱成像技术结合偏最小二乘回归和深度卷积神经网络，构建了预测牛肉、羊肉等多种红肉的肌内脂肪含量和pH值的模型，其预测精度为0.86～0.89。最后在预测加工相关质量指标方面，Loomas等应用快速蒸发电离质谱技术结合随机森林、支持向量机等机器学习算法对牛肉的切片剪切力和质量等级进行预测，预测准确率均高达85.3%，显著优于传统近红外光谱技术。综上所述，将光谱技术与机器学习算法融合，通过对原料肉中水分含量、脂肪酸组成、蛋白质含量、pH值及剪切力等多维度指标进行综合分析，不仅可高效且精确地明确原料肉的整体质量，还可为加工工艺的优化提供科学依据，进而准确评估其加工适用性，提高酱卤肉制品产品质量，推动肉类产业向精细化管理和智能化升级迈进。
3 机器学习在加工过程中质量控制的应用场景
3.1 香辛料高效筛选与科学复配
香辛料是酱卤加工中不可或缺的关键辅料，其风味成分能否被有效提取并利用，直接影响酱卤肉制品的整体风味及其增香调味作用。其中，在酱卤肉制品的制作过程中，花椒、辣椒、丁香、陈皮、八角、桂皮、白蔻、小茴香、草果、香叶等香辛料被广泛使用，然而，香辛料的产地、品种、干燥工艺及贮藏时间等因素的差异会导致其主效成分的种类、含量和理化性质存在显著差异，进而影响其在酱卤加工中的适用性，最终对产品的风味质量产生影响。首先香辛料的主效成分是构成酱卤肉制品独特风味的核心物质基础，蒋莹基于电化学传感器阵列，结合反向传播人工神经网络模型进行预测，结果显示丁香酚、胡椒碱和总辣椒碱的预测相关系数分别为0.921 3、0.854 9和0.902 4。其次，不同产地的香辛料因气候、土壤、栽培方式等环境与农业实践的差异，其化学组成与风味特征往往具有明显地域性。刘广昊等利用近红外光谱技术结合支持向量机、径向基神经网络和线性判别分析对5 个不同产地的胡椒进行鉴别，准确率最高可达100%。此外，香辛料掺假问题不仅涉及安全性，更会导致其风味效能下降，直接影响酱卤产品的最终风味质量。Lixourgioti等利用傅里叶变换红外光谱和气相色谱-离子迁移谱结合偏最小二乘判别分析及软独立模型分类法对肉桂掺假情况进行判别分析，准确率达到94.4%。最后，因部分香辛料较为相似，若在加工过程中误用，将严重影响产品的风味一致性。王晓宇采用支持向量机和随机森林算法对5 种望都辣椒进行品种鉴定，准确率都达到了100%。综上所述，香辛料作为酱卤肉制品风味形成的核心要素，其主效成分的组成与含量受产地、品种、干燥及贮藏条件等多因素制约，显著影响了产品的最终风味质量。近年来，通过将近红外光谱技术、电化学传感技术、气相色谱-离子迁移谱技术等先进检测技术与机器学习算法融合，已实现对香辛料主效成分的高精度预测、产地鉴别、掺假检测及品种识别的系统化分析。这不仅为香辛料加工适宜性的科学评估提供了可靠的工具，也为酱卤肉制品生产过程中风味一致性控制和质量提升提供了理论基础与技术支持。
在酱卤肉制品加工过程中，香辛料的添加量也会对酱卤肉制品质量产生一定影响。适量添加香辛料时，其挥发性成分（如丁香酚、肉桂醛、姜辣素等）能有效抑制肉类的腥膻味；酚类、黄酮类物质则通过抗氧化作用延缓脂肪氧化，维持肉制品鲜亮色泽。当添加量过低时，香气与滋味寡淡，无法充分发挥香辛料的呈味特性；过量添加则会掩盖肉香，导致苦味物质析出，影响口感协调性。因此，近年来，BP神经网络与遗传算法融合的优化模型（GA-BP神经网络）在食品加工领域，特别是香辛料配方精准优化方面展现出显著优势。在单一食品体系风味优化中，姬云云等基于单因素和响应面试验，结合BP神经网络结合遗传算法对羊肉卤汤中香辛料的添加量进行优化，其训练、测试和总体数据相关系数分别为0.991 4、1和0.984 9。在复杂加工工艺综合优化与模型性能验证中，杨洪浪等将遗传算法-BP神经网络应用于酱卤猪大肠的加工工艺优化中，得到的最佳香辛料用量为0.77%，最终产品感官得分达到93.68 分，且其拟合度均优于98%。以上研究表明，遗传算法-BP神经网络能够有效解析香辛料用量与酱卤肉制品质量之间复杂的非线性关系，展现出在辅料配方精准优化方面的显著潜力。不仅实现了对复合香辛料协同呈效效应的量化评估，还揭示了其对酱卤肉制品整体风味形成的调控机制，进而为酱卤肉制品产业的智能化升级提供了数据驱动的决策支持与新视角。
3.2 加工工艺的优化
3.2.1 腌制工艺
腌制作为酱卤肉制品生产的核心工艺，直接影响产品的质构、风味、保水性及安全性。传统方法常采用固定参数（如腌制时间、盐浓度），难以适应原料肉特性差异及多元化产品需求。机器学习算法通过解析海量工艺数据，构建参数-质量映射模型，为腌制工艺标准化提供了新范式。在工艺参数智能优化中，赵清香等通过反向传播神经网络耦联遗传算法不仅能更精确地拟合鸽肉腌制过程中的复杂非线性关系，还能够大幅减少实验次数、提升优化效率。在产品质量精准预测与优化中，胡欣颖以调理猪肉出品率提升为目标，创新性地融合BP神经网络与粒子群算法进行腌制工艺优化，其预测成品率为95.48%，实际验证值达94.96%，相对误差仅为0.54%，显著超越传统方法。综上所述，基于机器学习的智能优化技术实现了从工艺参数精准调控到终端产品质量输出的全链条可控化。通过深度挖掘与融合多源生产数据，机器学习能够构建高精度预测模型，从而高效优化腌制参数，大幅提升工艺稳定性和一致性。这种数据驱动的调控机制有效解决了传统腌制过程中因参数波动导致的批次间质量差异问题，使生产过程兼具科学严谨性与高度可重复性，为酱卤肉制品生产的标准化与工业化提供了关键方法支撑。
3.2.2 卤制工艺
卤制是酱卤肉制品制作的核心工艺，其参数（如时间、温度、卤汁配方）对产品色泽、风味及质构具有决定性影响。机器学习技术通过实时监测与分析卤制过程数据，为工艺参数的智能优化提供了有效途径。在工艺参数的优化设计中，响应面法与基于反向传播人工神经网络的混合算法因其强大的非线性映射与全局优化能力被广泛应用，胡欣颖等针对酱卤调理肉加工工艺，基于单因素与响应面试验设计数据，结合BP神经网络-粒子群算法模型优化方案，显著提升了其成品率，且误差显著低于响应面法，验证了其在处理复杂多参数工艺优化中具有更精准的预测与控制能力。杨洪浪等则采用BP神经网络结合遗传算法对酱卤工艺条件进行优化，最终产品感官评价得分显著超越响应面法的结果，其预测值与实测值的相对误差显著降低，拟合度均高于98%。综上所述，机器学习技术不仅能够深度解析卤制过程中各关键参数之间的复杂非线性相互作用，还可结合原料特性与目标风味需求，对卤制时间、温度及香辛料配比等多参数进行协同优化与精准调控。其核心优势在于实现了生产过程的在线监测与参数的自适应调整，有效保障了不同批次产品在风味和质构上的高度一致性。这种数据驱动的智能调控策略，显著克服了传统依赖人工经验的控制方式所带来的质量波动，为提升酱卤肉制品的整体质量提供了可靠的技术支持，展现出机器学习在食品加工从理论研究迈向产业应用转化中的广阔前景。
4 机器学习在产品质量控制中的具体应用
4.1 风味预测与标准化
风味物质在食品工业中扮演着复杂而至关重要的角色，产品味道和香气是决定消费者偏好与选择的核心因素。食品风味分析已从依赖专业感官评价小组的初始阶段，演进至以色谱仪及传感器为主导的仪器检测技术，进而实现仪器分析与感官评价的融合，最终迈向基于人工智能的智能分析新阶段。当前，酱卤肉制品风味分析的主流方法包括电子鼻、电子舌、液相色谱-质谱、气相色谱-质谱/嗅闻技术以及感官评价。其中电子舌是通过味觉传感器阵列模拟人舌头上的味蕾细胞感受食品样品的整体特征，如酸、甜、苦、咸、鲜、涩和丰富度；快速气相电子鼻根据气相色谱的分离原理完成挥发性化合物的分离鉴定，通过给出的气味指纹谱图反映样品挥发性成分的整体信息；气相色谱-质谱联用仪通过高分辨率的分离能力分离样品中的挥发性化合物，同时对分离的每个挥发性物质进行质谱比对，从而准确完成挥发性物质的定性。然而，现有方法虽能进行有限范围的预测与分类，却难以系统性地整合、归类并深入解析呈香呈味物质的复杂信息，存在明显的局限性。
机器学习技术与先进检测技术相结合的多模态数据融合策略在预测食品风味中被广泛应用，展现出广阔的应用前景，为酱卤肉制品风味评价与调控提供了全新的解决方案，实现了对风味物质的准确分析、风味的客观量化评价以及风味配方的智能优化。首先在利用传感器阵列与多变量统计模型协同实现风味预测识别方面，Xu Liping等采用离子传感器阵列结合遗传算法与聚类分析等多变量统计模型，实现了生/熟牛肉5 种基本风味的100%准确判别。此外，基于分子化学结构的检测方法也被广泛应用，如Zhang Binghui等基于气相色谱-质谱联用技术，结合双向正交偏最小二乘算法筛选己醛、苯酚等关键物质，并建立线性回归与随机森林模型，实现了高精确度的感官评分（R2＞0.7）及浓度预测。Sun Xiangxiang等通过气相色谱-质谱联用/气相色谱-离子迁移谱联用精确定位了道口烧鸡的9 种特征风味化合物，并通过偏最小二乘判别分析模型揭示了甜味、茴香醇等13 种滋味物质与挥发性组分的构效关系。上述研究表明，离子传感器阵列、电子鼻以及气相色谱-质谱联用等多种检测技术与机器学习算法的协同应用能够实现对风味物质的高通量、多维度捕获，精准识别关键呈味化合物，并基于算法模型有效预测产品的感官属性，这不仅显著提升了风味分析的精度与效率，也为酱卤肉制品工艺优化与质量控制体系的智能化升级提供了科学依据。
4.2 多维质量融合分级
酱卤肉制品因原料特性差异及加工工艺的复杂性，存在质量差异化的问题，因此，传统依赖人工经验或单一指标的品质分级方法已难以适应现代化规模生产与市场监管的要求。随着信息处理技术的迅猛发展，机器学习作为人工智能的核心分支，在图像识别、多模态数据分析等领域具有显著成效，为酱卤肉制品的智能质量评估提供了新的技术路径。多源数据融合通过有效整合来自电子鼻、质构仪、近红外光谱等不同检测技术所产生的异构数据，并结合化学计量学方法，构建具有更强泛化能力的预测模型。该过程的核心在于对互补性信息进行有机集成与特征提取，而非数据的简单堆叠，从而在更高维度上实现对酱卤肉制品质量的综合表征与精准评估。在相关研究中，钱祥羽基于主成分分析降维算法构建了盐水鹅质量综合评价模型，其从盐水鹅肉蛋白质、色差值、剪切力和不饱和脂肪酸等多个维度进行盐水鹅质量分析，与感官评分结果显示出极显著的相关性，相关系数为0.929。Lu Hui等则基于电子鼻数据和水分活性、色泽、质构等多种质量评价指标作为输入特征，结合反向传播人工神经网络算法实现对酱卤猪肉产品质量的多维度评价，准确率达到了99.52%，显著优于传统方法。综上所述，机器学习技术通过集成多源异构数据，结合化学计量方法，能够实现对肉制品多项核心质量指标的高精度量化，并能够客观评价其色泽与质地等感官属性，从而为酱卤肉制品的质量评估分级提供更加全面、可靠的判定依据。
4.3 货架期预测
食品货架期是指在推荐的储存条件下食品可以安全保持其理想的外观、口感、化学特性和微生物特性，同时持续保持标签上注明的营养价值的一段时间。酱卤肉制品在生产、储存及流通过程中极易受到微生物污染、氧化及酶解等因素的影响，导致其质量劣变，货架期显著缩短。传统的货架期评估方法耗时，而且无法充分反映动态环境条件（如储存与运输期间温度、湿度和微生物负荷的波动）对产品品质的综合影响。
机器学习技术凭借其强大的数据处理与分析能力，能够整合多种复杂因素，构建高精度的货架期预测模型，为酱卤肉制品的货架期预测与延长提供有效的解决方案。当前的研究主要围绕动力学模型和机器学习模型两方面展开，李彦等以菌落总数作为关键质量指标，建立了修正Gompertz方程（一级模型）和Belehradek模型（二级模型），其揭示了贮藏温度升高对红烧卤牛肉中微生物生长参数的显著影响；经验证，其预测值的相对误差控制在10%以内。相较于动力学模型，张慧娟等则基于构建的多维酱卤肉制品货架期影响因素综合数据集，利用随机森林算法预测酱卤牛肉和盐水鸭货架期，其准确度和精确度分别达到0.95和0.97。综上所述，机器学习技术在酱卤肉制品货架期预测中展现出显著优势，它通过有效融合多种影响因素并深入解析其内在作用机制，实现了对产品保质期的精准预测，不仅为制定智能化保鲜策略提供了科学依据与实用工具，也推动了肉类食品产业智能化转型。
5 机器学习在酱卤肉制品质量控制中应用的挑战与展望
5.1 机器学习在酱卤肉制品质量控制中应用面临的挑战
机器学习技术在酱卤肉制品的质量控制中具有广阔的应用前景，但其从理论模型向产业化应用的转化过程中仍面临一系列的共性瓶颈与挑战，其主要源于数据本身、模型特性及人才培养3 个核心维度。首先，数据处理的复杂性制约了模型的有效性。酱卤肉制品生产工艺链条长、环节多，导致品质数据具有多源异构特征，涵盖原料理化指标、加工参数以及成品感官与微生物指标等。这些数据来源于多种检测设备，其格式、通信协议和采样频率存在显著差异，为数据融合与对齐带来困难。尤其是实际生产环境中常见的数据缺失与异常值问题，进一步降低了数据集质量，直接影响模型特征提取的稳定性和泛化能力，不仅增加了模型训练难度，更削弱了预测结果的准确性与可靠性。
其次，为捕捉生产过程中的复杂非线性关系，常采用参数量大、结构复杂的模型，如深度神经网络，虽在训练集上表现良好，但容易过拟合，泛化能力较弱，难以适应新原料、新设备或环境变化带来的数据波动。此外，其“黑箱”特性也降低了决策过程的可解释性，使企业中生产人员难以理解与信任模型输出，从而限制了基于模型的实际决策。
最后，在酱卤肉制品质量控制的不同应用场景中，开发和应用机器学习模型需耗费大量计算资源，包括高性能服务器、图形处理单元等硬件设备，这构成了中小企业应用该技术的经济门槛。同时，该领域亟需既熟悉肉类加工工艺与食品科学，又掌握机器学习算法与应用的复合型人才。此外，一些企业和研究人员出现了对于机器学习适用边界的显著认知偏见，进而引发技术滥用；不仅导致难以开展有效的模型升级、优化及最终的产业化整合，还严重制约了机器学习技术在实际生产中的规模化应用，因此定义机器学习应用的界限并确保其合理使用是一个紧迫的问题。
5.2 机器学习在酱卤肉制品质量控制中应用的展望
随着食品工业智能化发展进程加快，未来研究与发展应聚焦于技术融合、算法创新、应用拓展与生态构建4 个层面，迈向智能化质量控制的新阶段。在技术融合层面，物联网技术的普及是实现数据治理挑战破局的关键，通过高精度、高可靠性的传感器网络，实现生产全流程设备与系统的互联互通，能够实时、自动、标准化地采集从原料入库到产品出库的全维度数据，进而从根本上解决数据缺失、异构与时效性的问题。进一步，将机器学习与区块链技术相结合，不仅能够实现对产品从原料采购到销售终端的全流程追溯，还能利用机器学习对追溯的数据进行分析，挖掘潜在的质量风险因素，及时采取措施加以防范。
在算法与模型层面，需着力发展兼具高精度、高效率与高可解释性的新一代模型。一方面，应持续探索新型算法架构，以提升模型在复杂非线性质量问题中的预测准确性、鲁棒性及泛化能力，使其更好地适应生产环境的多变性。另一方面，应更加注重模型性能与可解释性之间的平衡，引入可解释机器学习技术，对复杂模型的决策机制进行可视化解析，提升生产人员对模型输出的理解与信任。此外，应推动轻量化模型与边缘计算技术的融合应用，将部分计算任务放到生产现场完成，在满足实时性要求的同时减轻对云端计算的依赖。
在应用拓展方面，机器学习技术的应用范围应从传统的过程控制扩展到整个产业链。除了在现有的原料评估、工艺优化、风味评价和货架期预测等方面进一步应用外，机器学习还将在新产品研发、智能供应链管理和市场分析中起到关键作用。最后，高校与研究机构应着力培养跨学科复合型人才，企业应积极开展产学研合作，共建联合实验室以弥补自身能力短板。同时，随着云计算服务的成熟与普惠，中小企业可通过租赁云平台计算资源的方式，以较低的成本获取高性能算力，显著降低技术应用的门槛。
6 结语
酱卤肉制品产业历史悠久且产业化程度高，现已成为食品工业的重要支柱。在产业规模持续扩张与消费需求增长的同时，仍面临出品率波动、质量稳定性不足、货架期受限及食品安全控制体系亟待完善等结构性挑战。机器学习技术凭借其强大的数据建模与模式识别能力，为突破传统质量控制方法的局限性提供了新路径。本文系统综述了机器学习在原料肉质量动态监测与分级、工艺参数智能调控、风味属性客观量化评价及货架期精准预测等关键环节的应用价值。目前，尽管该技术展现出广阔的应用前景，但其在实际应用中仍受限于数据获取壁垒、模型复杂性及可解释性约束等问题。未来需通过构建标准化数据采集体系、优化模型架构与训练等策略，进而更好地为企业提供从原料品质评估到产品上市质量控制的全链条智能化决策支持，帮助企业实现工艺参数的动态优化与稳定控制，显著降低因人工经验依赖导致的质量波动与能耗损失，同时通过精准的风味建模与货架期预测增强产品质量一致性与市场竞争力，从而在提升生产效率、降低质量控制成本的同时强化食品安全风险的预警能力，驱动肉制品产业智能化转型升级与可持续发展。
作者简介
通信作者：
王虎虎，教授，南京农业大学食品科技学院，新疆农业大学食品科学与药学学院执行院长。长期聚焦于肉品质量安全控制方向，是“肉品质量控制与新资源创制”全国重点实验室骨干人员，主持国家自然科学基金项目4 项、“十四五”重点研发计划子课题等部省级和企业合作项目20 项，以第一/通信作者在Gut Microbes、Journal of Advanced Research等期刊上发表SCI论文61 篇、中文核心22 篇；参与获得国家科技进步二等奖、教育部科技进步一等奖和中国食品科学技术学会科技进步一等奖等4 项；授权专利10 件，主编/副主编出版教材和著作2 部、制定标准3 项。入选江苏省“333高层次人才培养工程”，兼任江苏省食品学会青委会副主任委员、LWT-Food Science and Technology和Food Science of Animal Products期刊编委。
第一作者：
李青，女，新疆农业大学食品科学与药学学院硕士研究生，研究方向为肉品质量安全控制。
引文格式：
李青, 李宛玲, 刘思露, 等. 机器学习在酱卤肉制品质量控制中的研究与应用[J]. 食品科学, 2026, 47(2): 347-356. DOI:10.7506/spkx1002-6630-20250722-181.
LI Qing, LI Wanling, LIU Silu, et al. Research and application of machine learning in the quality control of soy sauce and pot-roast meat products[J]. Food Science, 2026, 47(2): 347-356. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250722-181.
实习编辑：王雨婷；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网
为系统提升我国食品营养与安全的科技创新策源能力，加速科技成果向现实生产力转化，推动食品产业向绿色化、智能化、高端化转型升级，由北京食品科学研究院、中国食品杂志社《食品科学》杂志（EI收录）、中国食品杂志社《Food Science and Human Wellness》杂志（SCI收录）、中国食品杂志社《Journal of Future Foods》杂志（ESCI收录）主办，合肥工业大学、安徽农业大学、安徽省食品行业协会、安徽大学、合肥大学、合肥师范学院、北京工商大学、中国科技大学附属第一医院临床营养科、安徽粮食工程职业学院、安徽省农科院农产品加工研究所、安徽科技学院、皖西学院、黄山学院、滁州学院、蚌埠学院共同主办的“ 第六届食品科学与人类健康国际研讨会 ”，将于 2026年8月15-16日（8月14日全天报到） 在 中国 安徽 合肥 召开。
长按或微信扫码进行注册
会议招商招展
联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）
热门跟贴