编辑推荐：
本文聚焦食品干燥智能化，系统综述 AI 技术（如机器学习 ML、深度学习 DL、人工神经网络 ANN 等）与传感器技术（电子鼻、计算机视觉、高光谱成像等）在食品干燥过程实时监测、参数优化中的应用，分析不同干燥场景适配方案及局限，展望 AI 与 5G、物联网（IoT）融合的工业应用前景。
人工智能技术在食品智能干燥中的研究与应用综述
一、研究背景与传统干燥技术瓶颈
全球人口激增引发粮食安全问题，食品干燥作为核心保藏技术，面临传统方法（热风干燥 HAD、真空干燥 VD、冷冻干燥 FD 等）干燥周期长、能耗高、品质劣化（如色泽损失、生物活性物质破坏）等挑战。辅助技术（微波、红外 IR、射频 RF）虽提升效率，但存在加热不均、水分迁移导致结构损伤等问题。干燥过程的非线性、动态多因素特性，使传统数学模型（经验 / 半经验模型）难以精准刻画，亟需智能化解决方案。
二、人工智能技术在食品干燥中的应用
AI 凭借强大计算与学习能力，为复杂干燥过程建模提供新路径。机器学习（ML）与深度学习（DL）分支（如人工神经网络 ANN、极限学习机 ELM）已用于预测水分含量（MC）等关键参数。例如，ANN 模型在预测蘑菇冷冻干燥行为中表现显著优于半经验模型（均方根误差 = 9.0e-04，R2=0.994）。AI 通过大数据学习实现决策优化，可降低能耗、提升生产效率，契合可持续发展需求。
三、AI 与传感器技术的融合应用
传感器技术是 AI 模型训练的关键数据支撑。电子鼻、机器视觉（计算机视觉）、高光谱成像等非破坏性检测技术，可实时捕获干燥过程中视觉、化学 / 生物化学、形态学变化数据。二者融合实现数据快速采集与建模，显著缩短计算时间、提升预测精度。例如，仿生技术与光谱技术结合，为干燥参数智能分析与自动化控制提供可能，其快速、高效、环保特性在食品加工与质控中广泛应用。
四、不同食品类别干燥的 AI 适配策略
不同食品干燥特性差异显著，需针对性选择 AI 模型。例如，ANN、支持向量机（SVM）、循环神经网络（RNN）、梯度提升机（GBM）等模型在各类食品干燥中表现出不同优势。需结合原料特性（如含水率、热敏性）、干燥目标（品质保留、能耗控制）及消费者偏好，优化模型选择，以实现生产效率与产品质量的平衡。
五、未来展望：AI 与 5G-IoT 的工业级融合
当前多数食品干燥设备（如 PLC 控制的 HAD、喷雾干燥）虽实现部分自动化，但仍依赖人工监控。未来，AI 与 5G、物联网（IoT）技术融合，可构建全流程在线实时监测系统，解决传统模式中干燥不均、质量波动、资源浪费等问题，推动食品干燥向全智能化、无人化方向升级，助力行业降本增效与可持续发展。
六、结论
本综述系统梳理 AI 技术（ML、DL 等）与传感器技术在食品干燥中的应用现状，揭示其在 MC 预测、质热传递建模、品质优化中的潜力，明确不同干燥场景的技术适配逻辑，并展望 AI 与新兴信息技术的融合前景。研究表明，AI 与传感器技术的协同应用，可突破传统干燥技术瓶颈，为食品加工智能化提供关键技术路径，具有显著的科学价值与工业应用潜力。
