卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习模型，广泛应用于图像识别、计算机视觉等领域。在食品安全检测，尤其是肉类品质评估中，CNN结合高光谱成像技术展现出巨大的潜力。高光谱成像是利用连续的光谱信息获取物体表面和内部特性的非破坏性检测手段，它能提供丰富的空间和光谱信息，揭示样品的物理和化学性质。
本文的研究主要集中在鸡肉品质的无损检测，通过高光谱成像技术收集鸡肉的光谱数据和图像数据。这些数据包含了鸡肉的内部品质（如肌肉纹理、脂肪含量、水分分布等）和外部特征（如颜色、纹理结构等）。预处理是数据分析的关键步骤，通常包括光谱校正、噪声去除、特征选择等，以提高模型的训练效率和预测性能。
建立基于光谱和彩色图像的CNN模型，CNN的结构包含卷积层、池化层、全连接层等，能自动学习并提取特征。卷积层主要用于特征提取，池化层则减少计算量并保持关键信息，全连接层将提取的特征转化为分类决策。在鸡肉品质检测中，CNN模型能学习到光谱和图像特征之间的关系，从而实现对鸡肉品质的有效分类。
实验结果显示，结合光谱和图像的综合CNN模型在鸡肉品质分类上表现最佳，其准确率达到93.58%，损失函数为0.30，优于仅使用单一数据来源的CNN模型。这表明，同时考虑鸡肉的内部和外部信息能显著提升检测精度，为无损、快速的鸡肉品质评估提供了科学依据。
此外，该研究还得到了国家自然科学基金和北京市自然科学基金的支持，体现了在食品安全检测领域的科研投入和技术进步。未来，这种基于深度学习和高光谱成像的方法有望被推广到其他食品类型，提高食品安全性和质量控制的水平。同时，这种方法也对食品工业的质量监控、市场监督以及消费者权益保护具有重要意义。
