نقش هوش مصنوعی در مبارزه با تقلب در مواد غذایی: یک مرور نظام‌مند متون

این مطالعه، مروری سیستماتیک بر ادبیات موضوع ارائه می‌دهد که وضعیت فعلی کاربردهای هوش مصنوعی (AI) را در مبارزه با تقلب غذایی ارزیابی می‌کند. با پیروی از چارچوب کیچنهام، ۶۹ مطالعه اولیه از مجلات معتبر در چهار پایگاه داده دانشگاهی شناسایی و تجزیه و تحلیل شدند. هدف، بررسی انواع تقلب شناسایی شده توسط هوش مصنوعی، محصولات غذایی مربوطه، تکنیک‌های خاص هوش مصنوعی مورد استفاده و معیارهای ارزیابی عملکرد مورد استفاده بود. اکثر مطالعات مورد بررسی بر تشخیص تقلب و برچسب‌گذاری نادرست، به ویژه برچسب‌گذاری نادرست مبدا و کیفیت، متمرکز بودند و ادویه‌ها، گیاهان دارویی، گوشت و لبنیات بیشترین دسته‌های محصولات غذایی مورد بررسی را تشکیل می‌دادند. یادگیری ماشین (ML) و یادگیری عمیق (DL) رویکردهای اصلی مورد استفاده بودند، یادگیری ماشین غالب‌ترین بود و ماشین‌های بردار پشتیبان (SVM) و شبکه‌های عصبی کانولوشن (CNN) به عنوان الگوریتم‌های پرکاربرد در حال ظهور بودند. در مورد انواع داده‌ها، داده‌های طیفی و تصویربرداری عمدتاً مورد استفاده قرار گرفتند و اکثر مدل‌ها با استفاده از رویکردهای نظارت شده توسعه داده شدند. با این وجود، علیرغم عملکرد قوی مدل با داده‌های جمع‌آوری شده از محیط‌های کنترل شده مانند آزمایشگاه‌ها، مسائلی مانند در دسترس بودن داده‌ها و قابلیت تفسیر همچنان باقی است. این یافته‌ها بر اهمیت هوش مصنوعی به کار رفته در تشخیص تقلب در مواد غذایی و لزوم بررسی انواع تقلب و دسته‌های مواد غذایی که کمتر مورد توجه قرار گرفته‌اند، تأکید می‌کند.

This study presents a systematic literature review evaluating the current state of artificial intelligence (AI) applications in combating food fraud. Following the Kitchenham framework, 69 primary studies from peer-reviewed journals across four academic databases were identified and analyzed. The aim was to examine the types of fraud detected by AI, the food products involved, the specific AI techniques used, and the performance evaluation metrics utilized. Most of the included studies focused on the detection of adulteration and mislabeling, particularly origin and quality mislabeling, with spices, herbs, meat and dairy being the most frequently investigated food product categories. Machine Learning (ML) and Deep Learning (DL) were the primary approaches utilized, ML was the most dominant, with Support Vector Machines (SVMs) and Convolutional Neural Networks (CNNs) emerging as the most frequently applied algorithms. Regarding the data types, spectral and imaging data were predominantly used, and most models were developed using supervised approaches. Nevertheless, despite strong model performance with data gathered from controlled environments such as labs, issues such as data availability and interpretability remain. The findings underscore the importance of AI applied in food fraud detection and the need to explore underrepresented fraud types and food categories.