無損檢測技術在食品微生物檢測中的應用與展望

苗小雨，柴春祥，魯曉翔

(天津商業大學 生物技術與食品科學學院，天津市食品生物技術重點實驗室，天津，300134)

食品安全是關乎公眾健康、社會福祉的重大問題，受到人們的高度關注。食品微生物污染是影響食品安全的主要因素。在國家市場監督管理總局發布的全國食品安全抽檢檢測數據中，微生物污染始終在食品安全問題中占很大比例[1]。因此加強食品中微生物污染的監督與管理，采用恰當、高效的微生物檢驗方法和檢測技術尤為重要。

目前國家食品安全標準中的食品微生物檢測方法多為傳統微生物培養法。通常需要對食品樣品進行預處理，增菌操作，分離培養，生化試驗以及血清學鑒定等，最終來實現對微生物的定性和定量檢測。這一方法準確度高且應用最為廣泛，但過程耗時長、步驟繁瑣、對于操作人員熟練度的要求高。

為提高檢測效率以及更適應市場和實際應用的條件，食品微生物快速檢測技術逐漸發展起來。較為典型的快速檢測技術有免疫學檢測技術、色譜學檢測技術以及分子生物學技術等。這些技術彌補了傳統微生物檢驗技術時間長、操作復雜的缺點，但仍需要對食品樣品進行前處理，會對待檢測食品造成破壞，無法對大量樣品進行檢測。一些分子生物學技術如數字PCR等的檢測方法成本太高[2]，難以普遍推廣使用。無損檢測技術是一種可以快速、準確的檢測食品中微生物的技術，相較于其他檢測技術更加方便快捷，且對檢測樣品無破壞性和侵入性，可在原位進行無損害檢測。

無損檢測技術是一種非破壞性的檢測技術，是指在不損壞待測食品原本物質狀態及內部結構情況下，通過待測樣品對熱、光、電、聲、磁等產生的一些變化來進行檢測[3]。無損檢測技術在食品的快速檢測，篩選分級，品質鑒定以及安全分析等方面已有應用[4-5]。用無損檢測技術進行食品微生物檢測無需大量試劑，檢測所需時間短，結果更準確且對食品無損害。無損檢測技術還可以進行在線監測，對將要受到嚴重污染的食品樣品進行預測，具有及時性和預見性，能避免大量資源的浪費。常用于食品微生物檢測的無損檢測技術有近紅外光譜技術、高光譜成像技術、計算機視覺技術以及電子鼻技術和電子舌技術。本文主要對上述5種無損檢測技術在食品微生物檢測中的應用情況進行總結，闡述其應用情況和存在的問題，展望其應用前景。

1 近紅外光譜技術在食品微生物檢測中的應用

近紅外光譜技術(near infrared spectroscopy，NIR)是一種基于光譜技術對食品進行分析檢測的技術，已應用于食品的品種鑒別，品質檢測等方面[6]。近紅外光的波長范圍為780～2 526 nm。近紅外光譜是分子振動光譜，樣品中的C—H、O—H、N—H和S—H等含氫化學基團對近紅外光產生合頻和倍頻吸收，由于不同基團對近紅外光吸收的波長和強度不同，能產生含有豐富結構和物理化學信息的近紅外光譜，從而對食品樣品進行檢測與分析。微生物中的核酸、蛋白質等成分可吸收近紅外光產生不同的光譜信息，因此可以建立近紅外光譜信息和微生物的結構組成以及微生物數量上的相關性，使得近紅外光譜技術可以用于微生物的定性和定量檢測[7]。

1.1 食品中菌落總數的檢測

1.2 食品中致病菌的檢測

大腸桿菌等食源性致病菌通過感染食物會引起細菌性食物中毒危害人體健康。近紅外光譜技術可以對食品中常見的致病菌進行定性鑒別。王建明等[13]利用傅里葉變換近紅外光譜儀對乳制品中的大腸桿菌、金黃色葡萄球菌和阪崎腸桿菌進行檢測，發現同為革蘭氏陰性菌的大腸桿菌和阪崎腸桿菌的光譜區別很小，但結合偏最小二乘判別分析和多元散射校正預處理后對這3種致病菌的判別準確率與近紅外透射光譜的一致性達到了100%。食品樣品中致病菌的污染程度也會對鑒別效果有所影響。MARTOS等[14]通過檢測牛奶中的大腸桿菌和銅綠假單胞菌的近紅外光譜，發現當污染水平高于5 lgCFU/mL時，偏最小二乘判別模型便可區分出牛奶基質中的這兩種菌，在高濃度污染下(8～9 lgCFU/mL)分離效果更明顯，且以牛奶為生長培養基的樣品比在培養基中生長再懸置于牛奶中的樣品鑒別效果好。為了更快速準確鑒別食品中的致病菌，劉建學等[15]建立了基于主成分分析改進的貝葉斯判別方法對3種典型食源性致病菌進行近紅外光譜檢測，結果表明相較于貝葉斯判別和主成分分析，改進的貝葉斯判別方法對未知樣品的判別正確率有所提高，可達到100%。以上研究表明近紅外光譜技術在食品致病菌定性判別方面已有較多應用。

1.3 食品中霉菌及其毒素的檢測

霉菌污染食品后可能會在食品中產生霉菌毒素，對人體健康造成極大的危害，近紅外光譜技術可對食品中的霉菌污染情況進行檢測。谷物類糧食極易受到霉菌的侵害產生霉變。沈飛等[16]對接種不同霉菌的稻谷進行近紅外光譜檢測，采用主成分分析和判別分析建立分析模型，結果表明近紅外光譜技術可有效區分被多種不同霉菌污染的稻谷，平均判別正確率為87.5%，但不及單一霉菌污染的判別正確率(92.5%)高。ZHANG等[17]采用近紅外光譜技術結合多元線性回歸算法定量檢測稻谷中霉菌菌落總數，建立了穩定的預測模型，校正數據集相關系數為0.943，預測數據集相關系數為0.897，展現了近紅外光譜技術對于稻谷貯藏中霉菌污染監控方面的潛力。近紅外光譜技術也可對花生中的常見產毒霉菌進行分析檢測，劉鵬等[18]的研究結果表明隨著花生貯藏時間的延長，近紅外光譜技術對花生中霉菌的區分效果越好，采用偏最小二乘回歸法建立的霉菌總數的模型有效決定系數為0.847 1、交互驗證均方根誤差為0.276 lgCFU/g，剩余預測偏差為1.92。對于果蔬中霉菌及其毒素的檢測，張亮[19]利用近紅外光譜信息能夠識別出蘋果中的擴展青霉，在多種霉菌共同污染的條件下，近紅外光譜法對蘋果中擴展青霉的檢測限為1.5×103個/mL。并在水溶液、濃縮蘋果汁和鮮榨蘋果汁3種不同的體系中對展青霉素的含量進行檢測，對于展青霉素的檢測限在水溶液中為9.29 μg/L，濃縮蘋果汁中為9.5 μg/L，鮮榨蘋果汁中為9.54 μg/L，均符合國家食品安全限量標準。近紅外光譜技術已廣泛應用于稻谷、玉米、花生、蘋果等食品中霉菌及其毒素的檢測，對于食品霉菌的早期預防監測有很大的潛力，但由于近紅外光譜技術的點掃描方式，限制了對于霉菌污染不均勻樣品的檢測。

近紅外光譜技術可以高效快速對食品中的微生物進行定量定性檢測，還能在微生物發酵過程中監測微生物活菌數量，更好的調控生產過程[20]。但對于一些檢出限較低的樣品，近紅外光譜技術檢測精度不高，這是因為痕量的污染量對樣品光譜特性產生的影響尚不能被檢測到。近紅外光譜技術能夠快速鑒別食品中的不同微生物，可用于食品微生物菌種的鑒定分類和快速篩選研究，但仍有些局限性，對于某些細胞結構成分相似的細菌區分效果不是很理想。

2 高光譜成像技術在食品微生物檢測中的應用

高光譜成像技術(hyperspectral imaging technology，HSI)融合了光譜學和圖像學技術的特點，能同時檢測到待測食品的光譜信息和圖像信息。高光譜的光譜分辨率可達到10-2λ數量級，光譜范圍包含200～2 560 nm，甚至大于2 560 nm。高光譜成像系統大致包括光源、分光裝置、相機、成像高光譜儀和計算機等。當光源照射樣品后產生反射或透射，經過分光裝置將混合光分散成不同頻率的單色光，用成像高光譜儀可將投射的光轉換成光譜圖像，在光譜覆蓋范圍內數十至數百條光譜波段對目標物體連續成像，得到包含樣品大量信息的三維光譜圖像數據[21]。高光譜成像技術的高分辨率可檢測出微生物細胞核中的蛋白質、核酸等成分的振動信息，微生物分子基團對于光譜吸收產生的光譜曲線也提供了豐富的微生物檢測信息[22]。

2.1 食品中菌落總數的檢測

高光譜成像技術能對食品中的菌落總數進行定量分析，還可檢測出食品中細菌的污染分布情況。鄭彩英[23]利用高光譜成像技術檢測冷卻羊肉表面的細菌總數，在900～1 700 nm波長范圍內采用徑向基函數人工神經網絡構建了細菌總數預測模型，相關系數為0.998 8，RMSEP為0.250 7。并利用高光譜圖像信息對冷卻羊肉的污染區域進行了有效識別。成軍虎[24]采用高光譜成像技術對冷藏條件下草魚的菌落總數變化進行檢測，并通過將高光譜圖像信息轉化成化學圖像來實現對草魚片中細菌分布的可視化分析，能夠直觀的觀察草魚菌落總數的污染情況。ACHATA等[25]采用高光譜成像技術結合化學計量學方法對密封保存的牛肉背最長肌上細菌生長進行原位無損預測，通過兩個光譜區域數據融合和光譜預處理等方法提高了預測模型的性能，得到最佳菌落總數預測模型的R2為0.86，RMSEP為0.89 lgCFU/g，RPD 為2.27，成功對不同貯存溫度下牛肉背最長肌中的菌落總數進行了預測。表明了高光譜成像技術對于肉類供應鏈中微生物監控和快速分析的潛力。高光譜成像技術檢測菌落總數時更多應用于肉類、水產品等極易腐敗變質的食品中。已廣泛用于測定羊肉、牛肉、草魚等食品的表面微生物污染情況，并可基于菌落總數污染情況對食品品質、安全以及新鮮度進行評定與分析。

2.2 食品中大腸菌群的檢測

2.3 食品中霉菌等其他微生物的檢測

高光譜成像技術可快速、高效的用于檢測食品中的微生物，適用于食品的在線檢測。定量測定食品中微生物時，還可觀察到微生物在食品樣品中的分布情況，更直觀的反映了食品中微生物的含量。但在微生物菌種分類鑒別的定性檢測中應用較少，且在測定細菌數量時，多為測定食品表面的微生物，無法對食品內部微生物進行深層檢測。高光譜成像技術所適用的食品范圍多為肉類、水產品、谷物等具有一定空間性、介質復雜不均勻的食品，而對于液體類等食品中的微生物可視化檢測較少。高光譜成像技術可在紫外、可見光、近紅外和中紅外區域等波長范圍內對微生物進行測定成像，使得到的結果更全面準確，但其大量的信息使得數據處理時間較長，分析檢測速度較慢。目前測定食品中微生物選定波段多為可見光和近紅外短波(400～1 700 nm)，得到的預測模型性能更優。

3 計算機視覺技術在食品微生物檢測中的應用

計算機視覺技術是指采用計算機、攝像機等設備來模擬人視覺的一種技術，它可以用攝像機和電腦代替人眼和人腦對待測樣品進行識別、拍攝和分析。它的基本原理是用攝像機獲得待測食品的圖像，通過信號轉換器將圖像信息轉換成數字信息，結合模式識別等數據處理方法實現對樣品的快速分析檢測[30]。計算機視覺技術在食品中已應用于食品尺寸大小、外觀形狀、色澤、表面缺陷的檢測等，還可用于食品干燥過程中的實時在線監控[31]。對于食品中微生物污染的檢測，計算機視覺技術可通過對食品表面顏色、狀態的分析以及對微生物菌落特征(形態大小、顏色、紋理等不同特性)的檢測，來達到對食品微生物的快速識別和定量檢測。

3.1 食品中大腸菌群的檢測

計算機視覺技術可以基于對菌落顏色變化的檢測來實現對大腸菌群的識別和數目的測定。殷涌光等[32]利用大腸桿菌可以發酵乳糖產酸從而在特定指示劑中使溶液變色沉淀的特性，設計了一套基于計算機視覺的大腸桿菌快速定量檢測系統，結果表明該方法較傳統檢測方法相關性高(R2為0.995 5)，不存在顯著性差異(t檢驗，P>0.05)，且檢測時間由傳統方法的6 d縮短到了18 h。丁筠[33]采用計算機視覺技術結合活菌染色法，建立了能夠對食品中的活菌總數和大腸菌群進行快速檢測的系統。該快速檢測系統的檢出限為1 cell/mL，檢測范圍為1～1×106cells/mL。丁筠等[34]利用計算機視覺檢測了蔬菜中的大腸桿菌，采用美蘭溶液進行活菌染色，并結合主成分神經網絡構建模型，結果表明該模型比普通的BP神經網絡模型識別時間短、誤差小，對大腸桿菌的識別正確率為91.33%。計算機視覺技術可對食品中的大腸菌群進行快速檢測，但目前計算機視覺檢測食品中大腸菌群多與活菌染色相結合，染色方法對于不同細菌的檢測結果有所影響。

3.2 食品中致病菌的檢測

WANG等[35]設計了一種選擇性培養基結合計算機視覺的方法對食品中的金黃色葡萄球菌進行檢測。結果表明該方法檢測時間僅需5 h，節省了大量的時間，且與傳統平板計數法相比相關性大于0.998，對金黃色葡萄球菌的檢測范圍為10～107CFU/mL。王慧瑩[36]基于計算機視覺技術對食品中的蠟樣芽胞桿菌進行快速檢測，并基于BP神經網絡構建了識別模型，能夠很好的識別目標圖像區域再進行計數，識別正確率能達到95%，與傳統檢測方法相比更加準確快速、特異性高，檢出限為50 CFU/g。王勇[37]對食品中的金黃色葡萄球菌、蠟樣芽胞桿菌、沙門氏菌這3種致病菌經過染色處理后，結合計算機視覺技術設計了3種快速檢測方法，結果表明計算機視覺技術可高效的對這3種致病菌進行檢測，檢測時間都在5 h之內，金黃色葡萄球菌的檢測限為10～1×107CFU/mL，蠟樣芽胞桿菌的檢測限為50～1×106CFU/mL，對沙門氏菌的檢測時間最短(2 h)，檢測限為10～1×107CFU/mL。以上研究表明計算機視覺技術用于食品中致病菌的快速檢測是可行的，但目前應用的致病菌種類較少，因此需要探究對更多致病菌種類的應用以及在更復雜的食品介質中進一步研究。

3.3 食品中霉菌及其毒素的檢測

王振杰[30]為探究貯藏過程中稻谷的霉變情況，采用計算機視覺技術對感染5種常見霉菌的稻谷樣品進行圖像采集與處理，建立支持向量機模型對正常稻谷和霉變稻谷進行區分，結果可很好的識別出早期霉變稻谷和晚期霉變稻谷，但對于霉變晚期的識別模型正確率高于霉變早期。同時對這5種霉菌進行識別，結果基于菌落顏色、形態、紋理特征結合得到的識別效果最好。SHEN等[38]基于計算機視覺和可見近紅外光譜對玉米中的真菌感染進行檢測分析，結果表明由于不同菌株之間的顏色變化，計算機視覺技術對于真菌種類鑒定更為有效。并且采用競爭性自適應重加權算法選擇特征波長的方法使預測模型準確率由77.8%提高到了94.4%。張楠楠等[39]為檢測玉米中的霉菌毒素污染情況，采用不同光源照射感染黃曲霉毒素的玉米顆粒，分析其圖像特征，結果成功的對感染黃曲霉毒素玉米顆粒進行了快速檢測，正確檢出率均為87.5% 以上。計算機視覺技術可根據霉菌及其毒素污染所造成的食品表面顏色變化，對食品中的霉菌污染進行檢測以及對引起霉變的不同霉菌進行分析鑒別。但對于低水平霉菌感染的識別方面仍有些不足，還需進一步探究不同種類霉菌污染和多種霉菌污染時與食品霉變狀態的關系。且計算機視覺技術用于食品中霉菌的檢測多為識別分析，對于霉菌及霉菌毒素定量檢測方面應用較少，檢出限較高，仍不能滿足國家安全標準。

計算機視覺技術可對食品中的微生物進行快速檢測，相對傳統檢測方法更快速、高效、靈敏度高、所需成本低。計算機視覺技術依賴于圖像處理和分析，因此需要更高效的圖像處理方法和高分辨率的攝像機提高檢測的精度和準確度。檢測時容易受到環境因素的限制，空氣中的粉塵、太陽光照等都可能對結果造成影響。目前研究用的計算機視覺儀器更多的是實驗室自制儀器，缺少通用的、商品化的儀器檢測食品微生物。

4 電子鼻技術和電子舌技術在食品微生物檢 測中的應用

電子鼻技術的基本原理是模擬動物的嗅覺，通過氣體傳感器陣列來檢測和識別復雜的揮發性氣體，再通過信號轉化器傳輸給計算機進行數據處理分析，傳感器對樣品中的不同氣體成分會產生不同的響應信號，以此來實現對樣品的檢測。食品中的微生物在生長過程中會產生一些揮發性的有機化合物，電子鼻技術可以通過對這類物質的分析來達到檢測食品中微生物的目的[40]。電子舌技術是一種模擬人味覺感知系統的傳感器技術，能夠對待測樣品中的各種滋味物質產生信號，從而檢測分析樣品品質。電子舌技術檢測食品中的微生物主要是通過測定微生物所引起的滋味物質的變化，與微生物污染狀況建立相關性，從而對微生物的種類和污染程度進行鑒別區分[41]。

4.1 食品中菌落總數的檢測

WANG等[42]使用電子鼻技術檢測4 ℃貯藏條件下豬肉中的揮發性化合物，并同時采用平板計數法檢測豬肉的活菌總數，采用支持向量機法結合偏最小二乘法建立預測模型，模型訓練集和驗證集相關系數分別為0.94和0.88。結果表明電子鼻響應信號和豬肉中的活菌總數有很好的相關性，電子鼻技術可用于預測豬肉中的活菌總數。CHEN等[43]為減少濕度對電導類傳感器的影響，設計了一種基于比色傳感器陣列的電子鼻系統對雞肉中的總活菌數進行定量檢測。并構建了BP-AdaBoost模型成功預測了雞肉中的活菌總數，該預測集決定系數為0.811 9，均方根誤差為0.543 0 lgCFU/g。韓方凱[41]通過電子舌檢測魚肉營養物質分解產物的信息來預測微生物數量，結果支持向量機模型和BP人工神經網絡模型的預測集相關系數分別為0.968和0.993，預測均方根誤差分別為0.516 lnCFU/g和0.217 lnCFU/g。同時用距離判別模型構建的微生物污染程度的定性模型訓練集和測試集的識別正確率均為100%。表明電子舌技術可很好的檢測魚類中的菌落總數與微生物污染情況。賈哲等[44]采用TS-5000Z型電子舌測定不同時期冷藏雙斑東方鲀的滋味物質，結合偏最小二乘法和多元線性回歸法建立了菌落總數的預測模型，其中多元線性回歸模型的性能較高，0、4 ℃組的預測集決定系數為0.97和0.99，RMSEP為0.44和0.08。結果表明該方法能較好的預測雙斑東方鲀的菌落總數，并區分不同冷藏時期樣品的新鮮度。在對食品中菌落總數檢測方面，電子鼻技術和電子舌技術均表現出了響應信號與微生物污染水平之間良好的相關性。

4.2 食品中大腸桿菌等致病菌的檢測

陳麗萍等[45]采用PEN3型電子鼻對多種食源性致病菌進行快速檢測，結合主成分分析和線性判別式分析方法能將不同培養時間的細菌區分開，并且在低濃度(10 CFU/mL)情況下也可有效區分。表明電子鼻技術用于致病菌的檢測是可行的。GOBBI等[46]采用基于金屬氧化物傳感器陣列的電子鼻測定了蔬菜湯中的大腸桿菌，對大腸桿菌的檢出限為3 cells/100mL，結果準確度高且重現性好，可以很好的區分不同污染程度的蔬菜湯。ABDALLAH等[47]采用Cyranose 320型電子鼻對感染大腸桿菌、傷寒沙門氏菌、金黃色葡萄球菌和銅綠假單胞菌的牛肉和香腸進行檢測，結果電子鼻技術可檢測出感染不同致病菌時樣品中的菌落總數，并可區分出未污染樣品和已污染樣品。顧欣哲[40]采用電子鼻技術檢測不同溫度下接種銅綠假單胞菌的豬肉，構建了豬肉中假單胞菌的生長預測模型，且與實際菌落數建立的模型相關度均高于0.8，表明電子鼻響應信號可用于監測豬肉中假單胞菌的生長動態。

4.3 食品中霉菌及其毒素的檢測

黃曲霉毒素是稻谷中最常見的霉菌毒素，吳啟芳[48]基于電子鼻信號對感染不同濃度黃曲霉毒素的糙米樣品進行判別，偏最小二乘判別分析模型的整體判別正確率均大于85.0%，且對于小于5 μg/kg(國家標準中黃曲霉毒素的限量)水平黃曲霉毒素的分離更為清晰。沈飛等[49]采用Fox 3000型電子鼻對接種不同霉菌的花生籽粒進行檢測，結合主成分分析法成功區分了被不同霉菌感染的花生樣品，偏最小二乘回歸分析模型對感染多種霉菌花生樣品的菌落總數預測決定系數為0.814 5，預測均方根誤差為0.244 0 lgCFU/g。鄭飛翔等[50]采用自制的電子鼻系統對不同霉變時間的黃豆和白蕓豆進行檢測，采用隨機共振方法提取特征值構建預測模型，黃豆霉變預測模型的R2為0.990 88，白蕓豆霉變預測模型R2為0.948 77。結果得到的霉變預測模型與樣品的變化狀態相符合，可很好的區分不同貯藏時間的豆類樣品。朱娜等[51]采用電子鼻對感染灰霉、擴展青霉和根霉的草莓進行檢測，根據不同霉菌感染草莓后產生的揮發性化合物組分不同構建了判別模型，對灰霉、擴展青霉和根霉3種霉菌的判別正確率分別為100%、93.3%和86.7%。表明電子鼻技術用于草莓霉變的監測是可行的。電子鼻技術已經應用于稻谷、花生、玉米、豆類以及草莓等食品中霉菌的檢測，且具有較高的靈敏度。

基于電子鼻和電子舌的響應信號能夠很好的用于測定食品中的微生物以及食品霉變的區分。電子舌測定食品中微生物多用于魚類新鮮度的測定、飲料中腐敗微生物的檢測。由于實際生產中食品同時受到多種細菌的污染以及污染后期食品本身所產生的揮發性物質，會導致電子鼻對于微生物種類的區分有很大的困難，因此需要探究更多種類微生物同時污染時的檢測以及考慮選擇性的采用合適的傳感器陣列。目前所使用的電子鼻儀器主要是國外商用電子鼻或實驗室自主研發儀器，自主研發儀器相對于商用儀器靈敏度更高、準確度也更好，但穩定性較差且只適用于單一食品樣品的檢測。未來電子鼻儀器還需要更加靈敏便捷、適用性高。

5 結論與展望

無損檢測技術具有的快速無損、可在線檢測等優點，使其在食品微生物檢測中的應用展現了巨大的潛力，如食品中的微生物定量檢測、定性鑒別；生產加工中食品微生物生長變化的在線檢測；以及早期微生物感染食品的預防監控等。上述5種無損檢測技術在食品微生物檢測方面各有優缺點。對于未來的發展，近紅外光譜技術應進一步探究多種微生物指標同時檢測時的應用以及采用更高效的光譜預處理方法提高模型精確度；高光譜成像技術應更多的利用光譜信息和空間信息的融合，探究合適的特征提取方法和數據處理方法提高檢測速度；對于計算機視覺技術，研究簡便高效的圖像處理技術和高性能的攝像機能夠提高檢測結果的準確度和靈敏度；而對于電子鼻和電子舌技術來說，更加靈敏的傳感器陣列和合適采樣方式會對這兩種技術的應用有所幫助。每種技術都有其合適的適用范圍，在實際生產實踐時，可采用多技術融合的方法，兩種或多種無損檢測技術融合用于食品中微生物的檢測，可更全面的檢測食品中微生物的信息。無損檢測技術的分析模型雖有很好的預測效果，但建立模型需要大量準確的樣品數據以及投入一定的時間精力，且模型通用性不強，還需選擇更多具有代表性的樣本數據以及研究更高效成熟的數據分析方法用于提高模型精確度。無損檢測技術儀器目前有些仍比較大型，可繼續探究更加小型化、簡潔化和智能化的系統裝置來提高儀器的便捷性，使其能更高效的應用于實際的生產檢測中。隨著智能化的不斷發展，未來可將無損檢測技術與現代智能設備結合起來，更好地用于市場或者居民日常的食品微生物測定。