《食品科学》：北方民族大学韩立宏教授、朱小龙讲师等：机器学习在淀粉基础表征及其功能材料设计中的应用研究进展

淀粉作为植物中最重要的储能多糖，是人类膳食能量的主要来源，也是食品工业与众多非食品工业（如医药、纺织、石油、化妆品等）不可或缺的绿色原料。其功能特性，如糊化、回生、消化性及凝胶化等，根本上取决于其复杂的多尺度结构，即分子尺度的直链淀粉与支链淀粉的比例及链长分布、纳米尺度的结晶层状结构，以及微观尺度的生长环纹与颗粒形态。这种“结构决定功能”的特性，使得淀粉既能影响淀粉基食品的质地、稳定性和感官品质，也具备在生物可降解薄膜、Pickering乳液稳定剂及功能性纳米纤维等其他领域的应用潜力。然而，淀粉结构的多样性与复杂性，以及其在加工过程中的动态演变，为淀粉精准研究与高效利用带来了巨大挑战。

长期以来，淀粉科学研究主要依赖传统分析方法。这些方法在精度与专一性上虽有其价值，但在效率、通量及信息维度上存在明显局限。例如，淀粉中直链淀粉与支链淀粉的定量分析多采用碘结合法、酶解法和色谱法，这些方法通常流程繁琐、具有破坏性，且无法实现单淀粉颗粒水平的原位空间分辨；对于多组分体系中的淀粉含量测定，依赖于繁琐的物理化学或酶学方法，难以满足现代工业现场快速、无损的检测需求；在淀粉糊化过程表征方面，多依赖于配备热台的光学/偏振显微镜，图像的解析长期局限于人工目视检查或初级图像软件分析，存在主观性强、通量低、可重复性差等缺陷；在淀粉基功能材料的开发中，传统“试错法”实验模式不仅研发周期长、成本高，还难以系统揭示“工艺-结构-性能”之间的复杂关联。在当前产业界全面推进高效化、智能化与可持续化升级的背景下，这些传统方法的局限性愈发突出。

作为人工智能（AI）的重要分支，机器学习（ML），特别是深度学习（DL）凭借数据驱动建模能力，正在为淀粉科学研究带来革命性突破。相比传统研究方法，ML技术具有显著优势。其一，卓越的特征自动提取能力。以卷积神经网络（CNN）为代表的DL模型，能够直接从淀粉样品的光谱、图像等原始数据中自动学习并构建多层次的特征表达，在解析拉曼光谱细微差异、识别复杂显微镜图像中的颗粒形态等方面展现出应用潜力；其二，善于处理复杂非线性关系，通过集成学习等算法，ML可精准捕捉淀粉组分、工艺参数与最终产品性能之间复杂的非线性映射，为淀粉功能材料的理性设计提供可靠预测；其三，高预测精度。在近红外光谱分析中，DL模型已被证明在预测马铃薯、山药等作物中的淀粉含量时，表现出优异的准确性与稳健性。这些优势使得ML技术成为应对淀粉科学中诸多长期挑战的关键工具。

然而，现阶段ML在此领域的应用也伴随着模型可解释性不足、小样本条件下泛化可靠性及数据依赖性等诸多挑战。总体而言，当前这方面研究多停留在将现有ML模型迁移至特定淀粉问题，尚缺少在淀粉科学语境下对数据体系、可解释性方法（如可解释人工智能（XAI））与机理验证闭环的系统化建构与方法学创新。

北方民族大学数学与信息科学学院的朱小龙*和北方民族大学生物科学与工程学院的王雨婷、韩立宏*等系统梳理ML技术在淀粉科学研究中的应用进展，重点探讨其在淀粉成分与结构无损快速检测（如近红外光谱与高光谱成像（HSI）的定量分析、基于DL的颗粒形态解析）以及淀粉基功能材料理性设计（包括配方优化、性能预测与机理假设）中的关键作用和应用挑战，旨在为淀粉科学研究的智能化与精准化发展提供理论支撑。

1 赋能淀粉研究的ML关键技术基础

ML作为AI的重要实现路径，其在淀粉研究中的价值主要体现在利用多维关联算法对复杂表征数据进行高效定量预测与智能化模式判别。淀粉体系常伴随样品来源差异、颗粒尺度异质性以及多糖信号重叠等特点，使得光谱与成像数据呈现高维、信息冗余与噪声干扰并存的特征。因此，针对不同研究目标和数据类型，需选择合适的ML方法。

1.1 传统ML方法

在近红外与高光谱分析中，淀粉与纤维等非淀粉多糖吸收特征相近，易造成含量预测偏差。回归建模除了选择线性回归（LR）、偏最小二乘回归（PLSR）、支持向量回归（SVR）、随机森林回归（RFR）等方法外，还需结合光谱预处理与变量筛选以突出目标组分信息并提升外部泛化能力。研究表明，在利用近红外光谱预测肉牛粪便中淀粉含量时，针对中性洗涤纤维干扰设置合理的光谱预处理策略，并采用最小绝对收缩与选择算子（Lasso）回归进行变量筛选以锁定与淀粉吸收相关的关键波段，可获得更稳健的外部验证表现。在拉曼光谱表征中，直链/支链淀粉的峰位重叠与微小差异使传统分类模型（如支持向量机（SVM）、线性判别分析（LDA）等）仅能实现基础分离，进一步指向直链/支链比例等组分信息时，多元曲线分辨率（MCR）能够在组分谱重叠条件下实现相对定量，并在单颗粒尺度上对直链与支链淀粉进行同步估算与空间映射，体现出更高的分子可解释性（图1）。此外，无监督方法（如主成分分析（PCA）、层次聚类等）适用于淀粉指纹谱的降维与聚类，可用于不同来源淀粉的初步区分与差异追踪，并为后续监督建模与机理假设提供依据。

1.2 DL方法

DL作为ML领域中处理高维非结构化数据的关键技术架构，在特征提取的深度与抽象能力上实现了质的飞跃，在淀粉研究中的优势更多体现在对高维光谱或图像的层级特征学习以及对多模态、时序过程的联合建模能力。对于高光谱数据，一维CNN模型能够从连续谱段中自动提取与淀粉含量相关的局部谱形特征，在葛根淀粉含量预测中表现优于传统回归模型；但同时也提示DL模型对样本规模更敏感，数据不足时性能提升受限。针对淀粉数据常见的“小样本”问题，生成对抗网络（GAN）类方法可用于生成与真实分布相近的光谱或图像数据，实现训练集扩充；葛根中淀粉含量的高光谱预测研究表明，采用带有梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）进行数据增强处理可显著提升回归精度，但合成样本规模需通过分布一致性指标与验证集表现共同确定，避免过度扩增带来性能下降。在结构表征方面，CNN适合处理淀粉颗粒图像中的纹理与边界信息，可为颗粒识别、缺陷或异物检测等食品视觉应用提供方法学参考；同时，拉曼等一维信号可通过特征耦合与深度网络，实现粮食品类的高鲁棒性识别（图2）。在加工与过程控制等动态场景中，循环神经网络（RNN）通过门控记忆捕获时序依赖，进一步地，门控结构与特征筛选模块有助于从多源输入中突出关键变量与关键时刻信息，与食品干燥过程的多模态融合建模实践相结合，可为淀粉加工过程的在线监测与动态预测提供支撑。

总之，传统ML方法在淀粉研究中具有计算效率高、模型架构透明且对算力依赖低的优势，特别适用于中小样本、特征明确的检测任务；而DL方法（如CNN、RNN等）则在处理高维、非结构化数据（如光谱、图像）和挖掘深层特征方面表现更优，但通常需要更大规模的数据支持。两类方法各有适用范围，实际应用中应根据具体研究目标、数据特点与资源条件进行合理选择。

2 基于ML技术的淀粉成分检测与结构智能解析

2.1 淀粉含量与成分的检测

近年来，ML技术结合近红外光谱和HSI等先进传感技术，为淀粉相关检测工作带来显著进展。这些智能分析方法通过对复杂光谱数据的有效建模，实现了对淀粉含量与组成的快速、精准、无损分析，并在跨样本与跨来源场景中展现出逐步提升的泛化能力。

2.1.1 近红外光谱的深度挖掘

近红外光谱技术因其快速、无损的特点，是目前淀粉含量检测的常用手段。该技术基于样品中化学键与官能团对近红外光的特征吸收与反射，实现对目标化学成分的识别。然而，原始光谱本身存在信号复杂、谱峰重叠严重等问题，需要借助ML技术从中提取有效信息以实现对目标组分的精准预测。

在传统ML方法中，PLSR被用于预测山药粉中的直链淀粉含量，但该方法依赖降维并侧重线性关系，易造成部分信息损失，预测效果并不理想。为提升预测能力，Wang Yi等比较了遗传算法优化的反向传播神经网络（GA-BP-ANN）、粒子群优化的SVR（PSO-SVR）、鲸鱼优化算法优化的极端梯度提升（WOA-XGBoost）及WOA优化的径向基函数神经网络（WOA-RBF）对不同产地马铃薯中淀粉含量的预测性能，发现同域（如SD-2024）最优模型预测相关系数（rp）达0.978、均方根误差（RMSE）低至0.006 89，但跨域泛化能力较弱，相对预测百分比偏差（RPD）在1.410～1.760之间，表明模型对样品来源差异敏感。为提升模型鲁棒性，研究通常将特征提取与变量筛选方法结合使用。例如，竞争性自适应重加权采样（CARS）结合PLSR（CARS-PLSR）在大米抗性淀粉预测时，测试集决定系数（达0.906，显著优于独立PLSR模型（）；小波变换（WT）结合SVR（WT-SVR）（）亦较独立SVR （）有所提升。在复杂基质场景下，通过优化光谱预处理与变量选择亦可获得稳健结果。例如，在肉牛粪便淀粉含量的预测中，研究人员通过测试1 152 种光谱预处理组合，并采用“在具有相似淀粉含量而中性洗涤纤维水平不同的选择集上最小化RMSE”的策略结合Lasso回归，外部验证集，获得优良性能。这些结果表明，合理的光谱预处理与特征选择对提升模型稳定性至关重要。

与传统ML相比，DL在处理原始近红外光谱数据时展现出更强的自动特征提取与非线性建模能力，从而减少对专家经验和繁琐人工特征工程的依赖。以山药粉中直链淀粉含量预测为例，传统的PLSR法未能取得理想效果，而基于CNN的DL模型则表现出明显优势（，RMSE＝0.81，RPD＝3.49），这体现了DL在处理光谱数据中复杂非线性关系方面的优势。进一步地，DL通过迁移学习技术可将源域模型快速适配于新产地或新品种样本。以迁移成分分析（TCA）为代表性的无标准样本迁移学习方法，可通过对齐源域与目标域的特征分布、降低分布差异，在无需额外标准样本或参考测量的情况下提升跨域性能。研究表明，结合TCA的模型即使只有少量新样本，也可显著提升跨域预测性能。其中，基于TCA补偿的WOA-RBF模型在跨域马铃薯样本中表现最佳，其预测集rp达到0.931，RMSE低至0.007 63，模型精度与准确度分别达到91.25%和95%。此外，有研究还将CNN等DL模型与数据增强（DA）相结合，以提升小样本条件下的模型鲁棒性和预测精度。例如，Zhu Qian等将近红外光谱输入CNN，并通过DA策略构建了DA-CNN框架，在大米抗性淀粉含量预测中测试集、RMSE和RPD分别达到0.992、0.000 59和11.020。

近年来，XAI的引入进一步提升了近红外光谱模型在淀粉检测中的透明度和可靠性。例如，沙普利加性解释（SHAP）被用于解释DL模型的决策依据。Zhu Qian等通过SHAP指出2 000～2 500 nm波长区间对抗性淀粉分子结构具有关键贡献，实现了预测过程的全局与局部解释。在淀粉掺假鉴别与定量分析中，Li Mengmeng等将XGBoost分类器与SHAP框架相结合，用于甘薯淀粉中木薯淀粉、玉米淀粉和马铃薯淀粉掺假的分类与定量检测。结果表明，XGBoost模型在掺假分类任务中准确率、精确率、召回率与F1分数均达0.86；在掺假比例定量预测中，对上述3 种掺假淀粉的RPD值分别为3.21、3.38和4.02。SHAP分析进一步揭示，1 900～2 500 nm范围内与O—H、C—H振动相关的光谱特征是驱动模型决策的关键，为理解淀粉掺假与近红外光谱响应之间的化学关联提供了可解释依据。这些研究说明，将可解释性分析与ML深度结合，既能实现高精度检测，又有助于增强模型的可信度与机理假设能力。

表1为近红外光谱结合不同ML模型在淀粉检测中的性能对比。

2.1.2 HSI的精准解析

HSI是一种将成像与光谱信息相结合的技术，能够在同一平台上同步获取目标物的空间图像信息与连续光谱信息，从而实现对样品内部化学组成与物性特征的无损检测。相较于传统光谱，高光谱图像中各像素均包含样本的完整光谱，从而可直接用于预测对应像素的化学成分含量。在此基础上，结合像素光谱的预测结果与目标的图像信息，可进一步生成化学成分含量的空间分布图。近年来，利用HSI技术结合ML方法，在淀粉成分鉴别与含量预测方面的研究日益增多。

2.1.2.1 淀粉成分的鉴别与分类

在HSI应用于淀粉成分鉴别的传统ML方法中，研究通常通过多模态HSI结合化学计量学模型实现。例如，Seo等通过线扫描方法从可见光/近红外（VNIR）、短波红外（SWIR）反射率和365 nm紫外激发的荧光中获取3 种模态的高光谱图像，研究比较了LDA、偏最小二乘判别分析（PLS-DA）、SVM和分类与回归树（CART）4 种分类模型对包括4 种大米粉和4 种淀粉在内的8 类样品的分类。结果表明，在SWIR模式下，经归一化预处理后，LDA模型取得了最高的分类准确率（97.43%，Kappa系数＝0.97）。该方法依赖PCA等人工特征提取与波段优选，具备较高的计算效率与较强的可解释性，尤其适用于光谱特征差异明显的固态粉末样品的鉴别。相比之下，DL方法通过构建CNN实现对高光谱深层特征的自动提取。Yang Fengyi等在鸡肉糜淀粉掺假检测中，首先采集400.89～1 000.19 nm范围内的高光谱图像，并利用连续WT将像素级光谱数据转换为二维谱图；进而输入到基于GoogLeNet模型的迁移学习框架，该研究对比了传统SVM、普通CNN（2D-CNN）与GoogLeNet（一种迁移学习CNN框架）的性能，结果显示GoogLeNet模型在测试集上分类准确率最高（98.6%），显著优于SVM（89.5%）和普通CNN（95.9%）。该方法在未进行人工特征选择的情况下，显著提升了在复杂混合基质中识别低浓度淀粉的效能（表2）。

2.1.2.2 淀粉含量及组成分析

HSI与不同建模策略的结合，为淀粉含量及组成的快速、无损检测提供了关键支撑。基于传统ML的工作流通常起始于对原始光谱的预处理，如标准正态变量变换（SNV）、MSC、SG等，以降低噪声与基线漂移的影响，随后采用特征选择算法（如PCA、CARS、连续投影算法（SPA））筛选关键波长以应对高维数据冗余。经上述优化，传统模型可在多种作物中展现出可靠的预测性能。例如，大米淀粉含量的预测中，SVR-PCA模型的预测集
达到0.991；在玉米单籽粒中淀粉含量的检测中，CARS-PLSR模型的rp为0.82，RMSE为0.020 5；在谷子直链淀粉含量检测中，MSC-RF-IRIV-PLSR模型的rp为0.73；在大米直链淀粉检测中，MSC-SG-PCA-PLSR与MSC-SG-PCA-SVR模型的验证集分别为0.929和0.95，而MSC-SG-PCA-MLP和MSC-SG-PCA-RBF神经网络的验证集分别达到0.971和0.976，优于同条件下的PLSR与SVR模型。此外，在高粱直链与支链淀粉的检测中，融合光谱与图像纹理特征并采用CF等先进算法，可获得高预测精度与鲁棒性，其中CF模型对高粱中直链淀粉和支链淀粉预测的RPD分别达到26.730 8和8.853 0。尽管此类“预处理-特征选择-浅层建模”的模式在结构清晰、计算高效方面具有优势，但其性能高度依赖于预处理与特征选择步骤的反复试错与组合优化，过程繁琐且对使用者专业知识要求较高。

与上述传统ML方法形成鲜明对比的是，以CNN等为代表的DL模型，能够直接从原始或简单校正的高光谱数据中，通过多层非线性变换自动进行多层次的特征抽象与表征学习，无需依赖复杂的人工预处理与波长筛选流程。研究表明，该策略不仅在流程上更为简洁，且在预测性能上通常表现更优或相当。例如，在葛根淀粉检测中，一维CNN模型对所有组分的平均超过0.9；在小麦淀粉检测中，直接基于原始高光谱训练的CNNR模型取得了最佳预测结果（），且MSC预处理反而会降低CNNR模型的性能，这凸显了其在自动提取鉴别性特征方面的有效性。研究进一步揭示，将CNN提取的高层抽象特征输入到传统的PLSR模型，其预测效果显著优于基于CARS等传统方法筛选的特征，验证了DL在发现深层次光谱表征方面的潜力。由此可见，DL模型在处理复杂体系、挖掘深层特征及实现高精度预测方面展现出显著优势，尤其适用于多样本、多品种的复杂实际检测场景。

基于上述研究可见，传统ML方法在中小样本条件下展现出良好的稳定性，而DL方法则在高维、复杂光谱数据的处理中表现出更强的自动特征提取能力与预测精度，在多样化样本和多品种复杂场景中具有显著优势。两种技术路径各有所长，未来发展趋势将朝向二者的有机融合：一方面，利用DL自动提取深层光谱特征，再结合传统ML模型进行解释性分析与建模；另一方面，深度引入XAI，以提升DL模型的透明性与可信度，从而推动淀粉含量与成分检测技术向更加智能化与可解释化的方向发展。

2.2 基于ML技术的淀粉颗粒形态智能分析

淀粉颗粒的微观形态结构与相变行为是其功能特性的直观反映，传统上依赖于人工显微镜观察，存在主观性强、通量低、难以定量化等局限。近年来，融合计算机视觉与AI的图像智能分析技术，正推动该领域研究向自动化、高通量与客观量化的转变，其应用已从淀粉糊化过程监控、颗粒形态解析延伸到物种溯源鉴定（表3）。

2.2.1 淀粉糊化过程的监控

在淀粉糊化过程的实时监控与精准控制方面，智能系统实现了从“观察”到“调控”的跨越性发展。传统方法依赖人工在偏振光下判定双折射消失以计算糊化度，其过程耗时费力，且判定标准难以统一（如以95%或98%颗粒失去双折射为终点），导致结果主观性强、可比性差。为克服此问题，Tao Jinxuan等率先设计了基于ANN的Starch-SSD模型（图3），用于自动识别并计数显微镜图像中的淀粉颗粒的双折射特征，进而计算糊化度。该模型完成一次从糊化起始到终点的全流程分析仅需3.35 s，效率显著高于5 位训练有素的研究人员（46.63～79.12 s），从根本上消除了人工观测的主观偏差。在此基础上，Wu Wei等进一步开发了一套淀粉糊化度智能控制系统。该系统将改进的Starch-SSD检测模型与模糊逻辑控制器相结合，以目标糊化度为设定值，通过串级控制结构动态调整热台温度，实现了对糊化进程的闭环实时调控。实验证明，该系统可在3～4 s内完成对特定糊化度的评估与温度计算，而传统离线人工方法处理相同流程需5 min以上。

2.2.2 淀粉颗粒形态的定量解析

对于颗粒形态的定量解析，DL有效克服了传统图像处理方法在应对模糊边缘、颗粒粘连或重叠时的局限。针对高精度分割这一基础需求，Jin Ye等提出了一种融合高斯滤波与Canny边缘检测的4通道U-Net模型，对淀粉颗粒显微图像进行高精度语义分割。该模型测试性能优异，Dice系数＝94.55%、Jaccard相似系数＝89.67%、整体准确率＝99.40%，实现了颗粒与背景的可靠分离，从而为后续的粒径、圆形度等形态参数的精确统计奠定了技术基础。更进一步，为深入关联形态变化与糊化机理，Niu Yahui等整合了计算机视觉技术（Canny边缘检测、数学形态学重建）与基于DenseNet改进的DL模型Starch-SSD，构建了一套能够同步分析颗粒溶胀与双折射消失的智能分析框架，应用该框架量化了马铃薯淀粉在加热过程中溶胀能力与糊化度的动态演变关系，并发现在60～68 ℃温度区间内，溶胀能力显著增长（约300%）的起始点早于糊化度的急剧上升。这一关键结果表明，淀粉颗粒外形的物理崩解可能优先于内部结晶结构的完全破坏（双折射消失），从而为揭示糊化是一个多阶段、非同步的结构演变过程提供了定量的可视化证据。

2.2.3 淀粉颗粒的物种鉴定与溯源

在考古学、食品真实性检验等领域，淀粉颗粒的物种鉴定与溯源至关重要。传统方法依赖专家在显微镜下人工测量形态特征并比对图谱，流程繁琐、通量低且易受主观影响。ML为此提供了高通量、自动化的解决方案。Mozarowski等利用多光谱成像流式细胞术这一高速成像技术，采集了15 000 张来自15 种北美植物的淀粉颗粒图像，并基于ImageNet预训练权重构建了ResNet-18迁移学习模型。该方法完全绕过了手工测量形态特征（如长度、角度）的步骤，实现了从原始图像到物种标签的“端到端”自动识别。在包含玉米、豆类、百合等多种植物的测试中，模型整体验证准确率达到89.5%，其中对弗吉尼亚水叶草的识别准确率高达100%。这项工作证明，即使对于形态复杂多样的天然淀粉，DL模型也能获得相当或优于传统形态计量学的分类效能，为大规模考古残留物淀粉分析及食品掺假鉴定开辟了新路径。

3 基于ML技术的淀粉基功能材料理性设计

在食品包装、生物医学等可持续材料领域，淀粉基材料因其来源广泛、可生物降解和生物相容性良好等优势而备受瞩目。然而，其性能的精确调控与高效开发长期受限于复杂的多组分相互作用和传统的“试错法”研发模式，面临周期长、成本高、预测难等挑战。通过将ML模型嵌入材料研发的全链条，研究者能够在有限样本条件下实现材料的智能设计、性能解析与快速筛选。为确保ML模型在材料研发中的预测可靠性与泛化能力，现有研究普遍采用系统化的数据预处理、模型验证与物理一致性检验策略。本节将从3 个核心维度，系统阐述ML技术在推动淀粉基材料创新方面的关键作用、应用趋势以及在小样本情境下的应对策略。

3.1 智能化的配方设计与工艺优化

在淀粉基材料研发中，ML正逐步替代传统试错实验，通过构建ANN、SVM、梯度提升回归（GBR）及贝叶斯优化（BO）等模型，实现对材料配方和制备工艺的高效设计与精准优化。这些模型以淀粉类型、增塑剂/增强剂含量、生物活性物质添加量等成分变量，以及反应温度、纺丝条件等工艺参数作为输入，能够成功预测并优化材料的机械性能、阻隔性能及抗菌性能等。

在材料性能表征与实验配方优化方面，ML模型展现出高精度建模能力。例如，Gautam等采用响应面方法与ANN的混合模型，以甘油、蜂蜡、氧化锌和绿茶提取物为变量，系统考察了其对薄膜力学性能、阻隔性及光学性能的影响。结合中心复合设计，该方法仅通过20 次实验便将实验搜索空间缩小了65%，同时实现了对各响应变量的高精度预测（接近或超过0.9）。该研究通过响应面结合方差分析，有效捕捉因子的线性、二次及交互效应，确保了模型的统计解释性与可靠性；通过引入ANN处理多变量间的复杂非线性关系，并基于RMSE等多种指标对比筛选最优网络结构，从而提升了模型在小样本下的泛化能力；在优化阶段采用Derringer-Desirability函数将多个响应整合为综合满意度，最终得到的最优配方经实验验证，预测值与实际值高度吻合，进一步证实了该混合建模策略在提升模型可靠性及泛化能力方面的有效性。针对热塑性淀粉薄膜的配方优化，White等引入基于异方差高斯过程的BO框架，通过构建4 个高斯过程模型分别对断裂伸长率（EB）和拉伸强度（TS）的均值与方差进行建模，有效处理了实验数据中的非均匀噪声，并实现了对预测不确定性的量化。在小样本条件下（共5 轮迭代、30 次实验），为确保模型的泛化能力与可靠性，该研究采用置信下限和预期改进两种采集函数平衡探索与利用，通过自适应探索区域Γ对设计变量边界进行动态扩展（扩展因子r＝1.5），并每轮引入区域角点以覆盖边界区域，从而提升设计空间覆盖的鲁棒性；设置软收敛（基于采集函数最大值和最优解变化）与硬收敛（实验次数用尽）条件保障优化过程的收敛性。实验结果显示，该方法在第4轮获得EB最优配方，EB均值达96.7%，在第1轮获得TS最优配方，TS均值达2.77 MPa，相较于传统配方设计，两项性能实现了显著提升，其中EB提升约212%。

其次，ML与优化算法结合，显著提升了淀粉基材料研发中实验效率与全局寻优能力。例如，在木薯淀粉黏合剂的研究中，传统的正交试验设计结合方差分析虽可识别关键工艺参数（如黏合剂中淀粉含量贡献度为55.45%），但易陷入局部最优，而引入GA与ANN耦合的全局优化策略后，可在连续域中高效搜索最优组合。经GA-ANN优化的黏合剂配方对应的剪切强度（0.92 MPa）不仅优于正交最优结果（0.88 MPa），还显著缩小了实验搜索空间，兼顾到了经济性（降低了NaOH用量）。值得注意的是，该研究在数据量极其有限（仅9 组正交试验）的小样本条件下，一方面通过标准化与75/25的训练集/测试集划分降低过拟合风险；另一方面引入多种AI模型（ANN、SVR、自适应神经模糊推理系统（ANFIS））进行对比验证，并采用GA-ANN实现结构风险最小化，测试集达到0.994 4，证明了模型在小样本下的稳健性。

此外，DL已深入淀粉材料制备工艺解析与结构智能控制层面，例如，Li Jieying等基于YOLO v11（一种具有实例分割能力的DL模型）的模型，可对淀粉与乳清蛋白共静电纺丝产物中的纤维和颗粒进行自动识别、分割与形态参数提取（平均精度（mAP）＞0.85），实现了“电纺可行性”的量化评估，并绘制出清晰的工艺窗口图，揭示淀粉与蛋白质配比对最终所得淀粉基材料微观结构的调控规律。为应对材料显微图像标注成本高、样本量有限的挑战，该研究在229 张手工标注SEM图像基础上，采用70/20/10的训练集/验证集/测试集分割，并通过5 折交叉验证确保模型性能的稳定性；5 折交叉验证结果显示，纤维与颗粒的mAP@0.5（mAP为0.5）均保持≥0.85，且模型对不同总固含量及配比组成的样本具备良好的泛化能力，表明其在有限标注样本条件下依然能够实现高精度、可重复的形貌解析。

综上，这一系列数据驱动方法，缩短了高性能淀粉基材料从配方设计、工艺优化到性能验证的研发周期，显著降低了传统试错法带来的资源与时间消耗。

3.2 数据驱动的性能预测与机理假设

ML模型可从实验数据中学习并揭示淀粉基材料宏观性能与微观结构、工艺参数及环境因素之间的复杂非线性映射，实现材料性能的定量预测，并为形成可检验的机理假设提供线索。一方面，基于材料成分及老化条件（如温度、湿度、时间）等特征，ML模型能够有效预测其在使用或降解过程中的关键性能变化（如杨氏模量、断裂伸长率、TS），为材料寿命评估与稳定性研究提供量化工具。例如，在Chirich块茎淀粉基生物杂化膜的研究中，GBR、RFR等模型可基于薄膜配方与环境暴露条件（紫外线加速老化）对其力学与阻隔性能等指标进行较高精度预测（图4），其中GBR表现最佳（测试集，RMSE＝0.386 9）；基于XGBoost的特征重要性排序进一步显示，未暴露样品中傅里叶变换红外光谱（FTIR）衍生的羰基指数占比最高（88.16%），提示氧化相关结构指标与初始性能高度相关，而环境暴露样品中拉伸模量（TM）与TS的重要性显著上升（例如TM约38.05%，TS约35.40%），据此可提出“环境暴露导致结构劣化并驱动性能衰减”的机理假设，但该假设仍需结合独立表征与对照实验进一步验证。在聚乳酸/淀粉复合材料加速老化研究中，LR、多项式回归（PR）及MLP等模型可基于温度、湿度等独立变量对杨氏模量与断裂伸长率进行高质量预测（RMSE可低至0.33～0.35），并通过效应图等分析揭示温度对纯聚乳酸材料性能的显著影响，以及湿度对含淀粉体系的关键作用，从而为理解材料差异与老化敏感性提供定量依据。另一方面，ML与先进表征技术融合可促进“结构信息-性能预测”的数据化转化。例如，近红外HSI结合SVR可实现对淀粉基薄膜表面活性成分（牛至精油）分布的可视化与定量分析，并以较高精度预测其含量（可达0.94），从而辅助评估薄膜均匀性；在化学结构层面，FTIR既可提取羰基指数等可解释的标量特征用于ML建模和对比，也可作为高维输入并通过PCA降维策略提升建模效率与稳定性，用于挖掘官能团变化与宏观性能之间的统计关联。总之，这些研究工作表明ML当前更擅长“性能预测与强相关特征识别”，其解释结果可作为机理假设生成与验证设计的依据。

值得强调的是，上述研究采用针对性策略，有效应对了实验样本量有限的挑战，显著提升了模型的泛化能力与可靠性。在数据预处理阶段，采用四分位数间距与基于密度的噪声应用空间聚类函数剔除离群点，避免异常值对模型的干扰；在建模策略上，根据材料体系差异（如纯淀粉体系与复合体系）进行分组建模，降低不同机理间的非线性耦合；通过PCA、GBR、选择K测试等多方法进行特征选择，保留与目标性能最相关的变量；模型评估采用5 折交叉验证，部分工作还设置了独立的外部验证集（如30%数据用于验证），有效防止过拟合并检验模型对新数据的适应能力。此外，结合有限元仿真验证力学与热传导行为的一致性，进一步增强了预测结果的可信度。

3.3 高效的智能筛选与分类评估

针对淀粉基材料配方多样、性能多维的特点，ML提供了高效的自动化筛选和分类工具（表4）。针对小样本条件下可能导致的过拟合与泛化能力不足问题，现有研究一方面通过K最近邻算法（KNN）、PCA、支持向量机判别分析（SVMDA）及PLS-DA等多种方法的交叉验证，降低单一算法偏差；另一方面，除内部交叉验证（如留一法交叉验证）外，部分研究还引入了独立的外部测试集对模型进行严格评估，以验证模型对新样本的预测能力。该过程首先建立一个包含厚度、水蒸气渗透率、力学性能、光学性质等多维度指标的数据集，然后利用KNN算法设定“理想包装材料”的性能目标（如低水蒸气渗透率、高TS、适宜透明度等），并基于欧氏距离计算各配方与理想状态的接近程度，从而自动排序并筛选出综合性能最优的候选材料，如研究显示木薯淀粉5%配方因欧氏距离最小而被评为最佳，该排序结果经方差分析与Tukey检验验证了其统计学显著性。同时，PCA可对高维数据进行降维与聚类分析，提取主要成分（如前2 个PC即可解释74.54%的总方差），清晰展示不同配方在性能空间中的分布与相似性，揭示不同淀粉源与浓度间的内在关联。在基于光谱的分类任务中，SVM等分类模型能对不同组分（如不同牛至精油含量）的薄膜进行高精度分类（准确率可达94%～100%），实现基于成分的快速识别与分级。这避免了依赖单一指标或主观判断的局限性，为食品包装等特定应用场景下的材料快速初选和性能对标提供了先进且可重复的技术路径。

4 结 语

本文系统综述了ML在淀粉含量与组分检测、结构解析及功能材料设计中的应用进展。研究表明，ML通过赋能光谱与图像数据的智能分析，显著提升了淀粉组分定量与颗粒形态表征的效率和客观性，并以其强大的非线性建模能力为构建“工艺-结构-性能”之间的复杂关联、实现淀粉基材料的理性设计提供了关键支持。

尽管ML在淀粉研究中展现出广阔前景，但其深入应用仍面临三大核心挑战：其一，数据层面，高质量、多尺度、多模态的标准化淀粉数据集仍匮乏，制约模型泛化能力与小样本学习效果；其二，模型层面，现有DL方法多依赖“黑箱”预测，缺乏与淀粉物理化学机制的深度融合，导致结果可解释性差、机理假设难以验证；其三，系统层面，ML模型尚未与自动化实验平台、在线传感系统实现高效集成，限制了其在工业场景中的实时应用与闭环优化能力。

未来研究可聚焦于以下3 个方向重点突破：1）构建多层次、标准化的淀粉多模态数据库，涵盖光谱、图像、结构与性能数据，支撑模型训练与跨域迁移。特别应关注小样本学习场景下的数据增强与迁移学习策略，有效提升模型在数据稀缺条件下的泛化能力；2）发展物理信息融合的可解释性ML模型，将淀粉多尺度结构特征与物理化学先验知识嵌入模型架构，提升预测的可信度与机理可解释性。可探索物理信息神经网络等前沿方法，将淀粉糊化动力学、传质传热等物理方程与数据驱动模型相结合，实现“物理一致+数据驱动”的混合建模；3）推动智能算法与自动化实验系统（如高通量合成、在线监测）的深度融合，构建“预测-验证-优化”一体化平台，实现淀粉基材料的高效筛选与智能调控。同时，加强XAI方法在淀粉研究中的应用，通过SHAP等工具揭示模型决策背后的化学与物理意义，提升研究结果的可信度与可推广性。

通信作者：

韩立宏教授

韩立宏，博士，现为北方民族大学生物科学与工程学院专任教师，教授、硕士生导师。宁夏回族自治区青年拔尖人才。先后主持国家自然科学基金，宁夏自然基金重点项目、企业横向项目等科研项目20余项。

引文格式：

朱小龙, 王雨婷, 李佳怡, 等. 机器学习在淀粉基础表征及其功能材料设计中的应用研究进展[J]. 食品科学, 2026, 47(11): 425-436. DOI:10.7506/spkx1002-6630-20260104-012.

ZHU Xiaolong, WANG Yuting, LI Jiayi, et al. Machine learning in starch characterization and design of starch-based functional materials: a review[J]. Food Science, 2026, 47(11): 425-436. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20260104-012.

实习编辑：魏雨诺；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

北京食品科学研究院、中国食品杂志社和全国糖酒会组委会将于2026年10月15-17日在江苏省南京市南京国际博览中心举办第115届全国糖酒会食品科技成果交流会。食品科技成果交流会期间举办食品科技成果展，本届科技成果展以我国当前食品产业科技需求为导向，重点邀请“十四五”以来获得国家和省部级重要科研项目支持产出的食品科技新成果、新技术、新产品参展，并针对企业技术需要开展精准对接服务。扫描下方二维码即可申请展位。

为进一步促进动物源食品科学理论的完善与创新，加速科研成果向实际生产力的转化，助力产业实现高质量、可持续发展，由北京食品科学研究院、中国肉类食品综合研究中心、中国食品杂志社与海南大学、海南热带海洋学院、江西农业大学共同举办的“2026年动物源食品科学与人类健康研讨会”，将于2026年11月14-15日（11月13日报到）在中国 海南 海口召开。

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）