近日，粮食学院李占明/俞玥副教授课题组与合作单位在食品一区TOP期刊《Trends in Food Science and Technology》（IF₂₀₂₅=17.4）发表论文“Transfer learning and few-shot learning for breaking the small-sample bottleneck in food hyperspectral analysis”。该论文重点剖析了食品高光谱分析中，传统建模样本稀缺、模型难以跨品类迁移等行业瓶颈问题，阐释了迁移学习与小样本学习化解食品高光谱检测样本不足瓶颈问题路径等内容。俞玥副教授为通讯作者，江苏科技大学粮食学院为第一完成单位。

文章概述

       食品高光谱成像能同时获取光谱与空间信息，可无损、快速、精准表征食品化学成分与物理结构，已成为品质分级、安全筛查与产地溯源的重要技术。然而，传统建模高度依赖大量标注样本，而食品标注依赖专业实验，成本高、周期长；对于咖啡、特色药食同源产品等小众、高附加值食品，标注样本尤为稀缺。同时，食品基质差异大，跨品类模型难以直接迁移，导致新食品检测模型开发周期长、难以快速响应产业需求。在智慧农业与食品工业智能化升级背景下，小样本场景下的食品高光谱检测已成为迫切需求。

       迁移学习与小样本学习成为解决这一问题的关键技术之一。迁移学习将源域大数据学到的特征知识迁移到目标小样本域，降低目标域标注依赖；小样本学习通过元学习、对比学习等范式，仅用极少量样本即可快速适配新任务。但现有综述多聚焦样本充足条件下的传统机器学习与深度学习，缺乏对这两类小样本技术的系统梳理与场景化分析，理论指导不足、技术体系不完善。

       本文针对这一空白，从跨品类特征迁移可行性、小样本模型泛化优化、高光谱数据增强与小样本学习耦合三大核心科学问题出发，构建了食品高光谱小样本分析的整体框架。文章详细介绍了跨品类特征迁移的基本原理、影响因素与常用策略，阐明食品光谱共性与差异如何支撑有效迁移，并指出负迁移、域相似度量化等关键难点。同时，系统介绍MAML、原型网络、匹配网络等主流小样本学习范式及其在食品检测中的适用场景，强调模型泛化、抗干扰与轻量化的重要性。此外，文章还重点介绍光谱与空间数据增强、GAN、扩散模型等先进技术如何提升小样本模型性能，以及三者协同优化的技术路径。

       在总结现有进展的基础上，文章进一步归纳当前面临的主要挑战：跨域迁移精度不足、小样本模型稳定性差、高光谱增强缺乏特异性、模型难以轻量化部署、缺乏统一标准体系等。并据此提出未来研究方向：建立跨域相似度评价体系、发展自适应迁移框架、融合大语言模型构建知识-数据双驱动范式、推进边缘计算与便携式设备融合、完善行业技术标准等。

       总体而言，本文界定了食品高光谱小样本分析目前面临的核心问题、技术瓶颈与未来趋势，为后续研究提供了清晰的理论框架与技术参考，对推动小样本智能检测技术落地、助力农业食品产业智能化升级具有良好的价值。

文献链接：https://doi.org/10.1016/j.tifs.2026.105816