A Non-Invasive Approach for Detecting Water Adulteration in Orange Juice Using Computer Vision and Deep Learning

橙汁中因掺水导致的食品欺诈是饮料行业关注的重要问题。本研究旨在开发一种基于深度学习的快速、非侵入性计算机视觉方法，用于检测和分类三种橙汁产品（鲜榨汁、浓缩还原汁和橙汁饮料）中1%至15%的掺水水平。在保持场景照明恒定的条件下，分别以两种基于快门速度的曝光条件采集高分辨率图像：高曝光采集条件（1/30秒）和低曝光采集条件（1/250秒），并使用ResNet50卷积神经网络进行分析。在图像级留出测试中，以1/250秒采集图像训练的模型准确率达到88.3%，而以1/30秒训练的模型准确率为83.1%。为对样本级可迁移性进行更严格的评估，先前训练并固定的1/250秒模型随后被用于评估240个独立制备、盲法编码的样本，这些样本来自后续购买的同款商业产品。该独立盲法验证实现了24类别86.7%的准确率。误分类主要发生在同一果汁产品内相邻或相近的掺水水平之间。当独立验证预测结果被合并为二元纯正与掺假筛查任务时，模型实现了100.0%的灵敏度、93.3%的特异度、99.2%的准确率和96.7%的平衡准确率。这些发现支持该方法作为快速预筛查工具的可行性，用于检测与受控水稀释相关的可见图像模式，并表明检测掺假的存在比精确赋值于间隔较小的掺水水平更为可靠。独立验证提供了该方法对后续购买同款产品新制备样本具有可迁移性的证据。然而，在确立更广泛的适用性之前，仍需在更多品牌、生产批次、橙子产地、季节和采集环境中进行进一步验证。