水产食品系统中的人工智能：多模态质量感知、状态估算、智能加工与生物资源增值化利用

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Artificial intelligence in aquatic food systems: Multimodal quality perception, state estimation, intelligent processing, and bioresource valorization

　　

•基于任务的AI框架整合了感知、预测、优化和执行。•多模态AI可实现水产品的无损质量评估。•AI驱动的生物质资源化利用支持可持续配料开发。•闭环加工和自主系统仍是未来关键挑战。

引言

水产品是优质蛋白质、长链多不饱和脂肪酸、矿物质和生物活性化合物的重要来源，对全球营养和粮食安全作出重大贡献。水产养殖和海鲜贸易的扩展，以及对最少加工和高附加值产品日益增长的需求，加大了对可靠质量评估和高效加工的需求（Ye?ilsu等，2025）。水产品加工过程还会产生富含蛋白质、脂质、色素、多糖和矿物质等有价值成分的副产物和副流。有效利用这些副产物可以提高资源效率，并支持功能食品和高价值配料的开发（Yu和Gu，2015）。水产品体系面临两个相互关联的挑战：维持原料的安全和品质，以及将未被充分利用的生物质资源转化为有价值的产品。

水产品比陆地动物源性食品具有更高的生物不稳定性，加工过程更为复杂。其高水分含量、活性酶、精细组织结构以及有利于微生物生长的条件会加速收获后变质和品质变化（Y. Zhang等，2026）。这些因素使得水产品对环境变化高度敏感，难以通过传统方法进行标准化。精准的品质预测和自适应过程控制仍然是行业面临的重大挑战。目前的质量评估和加工仍然依赖于传统的理化分析、感官评估和操作人员经验。虽然总挥发性盐基氮（TVB-N）、硫代巴比妥酸反应物（TBARS）、微生物计数和感官评分等方法可提供可靠数据（Bekhit等，2021），但它们需要破坏性采样、耗时费力且缺乏实时监测能力。许多加工步骤，包括分拣、分级、切割、剥壳和热处理，仍然需要人工干预，导致批次间差异，限制了向精密制造迈进的步伐。因此，水产品行业亟需能够连续监测品质、预测变质并优化加工决策的智能技术。

近年来，在机器学习（ML）、深度学习（DL）、计算机视觉（CV）和多模态数据分析的推动下，人工智能（AI）取得了显著进展，为克服上述局限提供了新的机遇（X. Wang等，2022；Zhao等，2025）。与主要依赖预设假设和线性关系的传统统计方法不同，AI算法能够从异构数据集中提取复杂的非线性模式，包括高光谱图像、光谱指纹、电子传感器信号、分子信息和加工参数（Y. Liu等，2025；Lei等，2025；Jiang等，2025）。这一能力使AI能够将碎片化的品质相关信息转化为用于新鲜度评估、过程优化和智能决策的预测模型。新兴的AI赋能框架整合了传感技术、预测建模和自动化控制系统，推动了从经验制造向数据驱动和自适应加工范式的转变。

近年来，AI在水产品价值链不同阶段的应用取得了显著进展。在感知层面，AI辅助的光谱、成像和传感技术实现了对新鲜度、真实性和安全属性的快速无损监测（Mia等，2026；Goyal等，2024）。在预测层面，先进的机器学习模型有助于货架期估算、变质预测和品质演变分析（Cui等，2024）。在决策层面，AI驱动的优化算法为提高提取效率、热处理条件和机器人加工操作提供了解决方案。此外，AI与数字孪生、物理信息神经网络（PINNs）和多模态学习框架的整合，有望促进具有增强可靠性和工业适应性的自主水产品加工系统的开发。近期的综述文章提供了有价值的但主要局限于特定领域的视角，聚焦于AI和智能技术在食品和水产品体系中的应用。例如，Kundu等（2026）主要关注鱼类新鲜度评估的仪器方法，而Zhao等（2025）综述了基于卷积神经网络（CNN）的食品质量和安全评估方法。Oyinloye和Yoon（2026）专门研究了AI在鱼糜质量控制和过程关联监测中的应用，自适应控制和数字孪生主要作为新兴机遇进行讨论。Yadav等（2026）提供了更广泛的综合论述，涵盖海鲜加工操作中自动化、机器人、AI、物联网及相关数字技术，而Liu等（2026）则专注于AI辅助生物活性肽的发现。总体而言，这些综述表明了AI在传感、加工、自动化和分子发现领域的日益重要作用，但它们主要是围绕技术、算法、产品或应用领域进行组织的，而非按照AI在智能加工系统中的功能角色进行组织。特别是，当前状态估计与未来状态预测、离线优化与实时自适应控制、自动执行与经验证的闭环自主操作之间的区别尚未得到充分明确的阐述。这些应用不仅在所使用的传感技术或算法上有所不同，还在时间目标、决策功能、与物理过程的交互程度以及验证要求上存在差异。因此，明确这些功能差异对于确定支持预测、优化、控制或自主声明所需的证据水平至关重要。为弥补这一空白，本综述采用基于任务和证据的框架，按照时间目标、决策功能、物理系统集成程度和验证要求对水产品AI进行组织。该框架将感知、预测、决策和执行联系起来，同时区分了传感、预测、优化、自适应控制、机器人执行和闭环自主操作所需的证据。

本综述将AI赋能的水产品食品智能化概念化为两条相关的数据到决策路径。初级产品智能路径将多模态传感和当前状态估计与预测、过程优化、自适应控制以及机器人或自主执行联系起来。它区分了当前状态估计与预测、离线优化与实时控制、自动执行与经验证的闭环自主操作。与此同时，生物质资源化路径将AI应用于水产品副流，通过过程优化、分子优先级排序、性质预测和配料设计来实现。尽管两条路径在直接目标上有所不同——初级产品的操作智能与水产品生物资源的价值创造——但它们共享共同的数据-模型-决策-验证逻辑。两者均根据水产品食品证据的强度、基线比较、独立验证、可迁移性、不确定性和技术成熟度进行评估。图1总结了这一整合框架。

本综述重点关注与收获后水产品品质评估、品质演变预测、加工优化、自适应控制、机器人加工和水产品生物质资源化利用相关的AI应用。使用Web of Science数据库至2026年7月进行了结构化文献检索。检索词将水产品相关关键词（如"aquatic food"、"seafood"、"fish"、"shrimp"、"shellfish"和"surimi"等）与AI相关术语（如"artificial intelligence"、"machine learning"、"deep learning"、"computer vision"和"neural network"等）以及任务相关术语（包括"freshness"、"quality assessment"、"prediction"、"shelf life"、"process optimization"、"adaptive control"、"robotics"和"bioresource valorization"等）进行组合。当研究为水产品食品系统中的AI辅助传感、质量估计、时间预测、加工优化、自适应控制、机器人执行或生物质资源化提供直接证据时，优先纳入。此外，还查阅了相关综述文章，以确定领域现状并识别更广泛的方法学趋势。对于批判性综合，选定的研究按照AI任务、数据模态、预测目标、验证设计、操作角色和技术成熟度进行分类。特别关注区分当前状态估计与未来状态预测、离线优化与实时自适应控制、自动执行与经验证的闭环操作。这种基于任务和证据的分类构成了本综述中开发的概念框架的基础。

为改进成熟度评估的一致性和可重复性，每个AI应用类别均跨越五个证据维度进行评估：独立验证、规模化、生产线集成、跨领域可迁移性和监管或安全准备就绪。每个维度被赋予0、1或2分，分别代表缺失或未报告证据、部分或中等程度证据以及强有力证实证据。总分（0-10）用于将成熟度分类为早期（0-2）、萌芽期（3-4）、中等（5-6）、先进（7-8）或运营级（9-10）。缺失或报告不足的证据被保守地评为0分，而非从预测准确性或技术潜力进行推断。该评分标准是作者定义的证据分类工具，而非正式的技术准备就绪水平或监管标准。评分在应用类别层面根据相应章节中综合的证据进行分配。为保持表1、表2、表3的比较可读性，各表报告了标准化成熟度类别而非完整的五分量评分向量。更高的成熟度需要从内部到独立或外部验证的进展；从实验室到中试和产业化规模测试；从离线分析到设备集成、执行和验证；从单领域测试到跨物种、批次、仪器或场所的可迁移性验证；以及从未涉及的安全要求到经验证的约束条件、故障安全机制、可追溯性和人工监督。

章节摘要

AI赋能的水产品品质感知与当前状态估计

当水产品变质时，其外观、光谱响应、挥发性化合物、分子标志物、质地以及其他物理化学性质会发生变化（L. Zhang等，2024）。在本综述中，只有当学习到的计算模型通过分类、回归、学习特征提取、非线性校准等任务，将传感器信号转化为与品质相关的信息时，一项传感研究才被视为AI赋能的。

AI赋能的货架期与加工轨迹预测

水产品品质在储存、运输和加工过程中通过相互作用的微生物、酶学、化学和物理过程演变，包括微生物生长、ATP降解、蛋白质水解、脂质氧化、水分迁移、蛋白质转化和结构变化（K. Yang等，2022）。在本综述中，预测被严格定义为利用t?时刻可用的信息来估计t?时刻的未来品质状态、剩余货架期或未来加工终点。

AI辅助优化、自适应控制与机器人制造

在水产品智能框架中，AI辅助加工主要在决策和执行阶段运作。这里考虑了三种功能上不同的模式：离线过程优化、实时自适应控制和AI引导的机器人执行。离线过程优化在生产运行之前或独立于生产运行推荐操作条件；自适应控制在运行过程中根据实时测量和/或状态调整过程参数。

AI赋能的水产品生物质资源化作为并行的数据到决策路径

第2节AI赋能的水产品品质感知与当前状态估计、第3节AI赋能的货架期与加工轨迹预测、第4节AI辅助优化、自适应控制与机器人制造中的感知-预测-决策框架主要涉及初级水产品的安全、品质和加工。水产品生物质资源化代表了一条互补的价值创造路径，专注于将加工副流转化为。

挑战与未来展望

精确的任务特定模型与可靠的水产品生产系统之间仍然存在持续差距。许多研究在受控环境中表现良好，但缺乏跨批次、仪器、环境和生产线的验证。未来的进展将更少取决于基准准确率，而更多取决于代表性数据和以部署为重点的验证。它还将需要软硬件集成、闭环验证和负责任的规模化。图4概述了四个。

结论

本综述确立了水产品食品系统中的AI应用应被视为一个基于证据和成熟度的连续体，而非一组同等发展水平的技术。目前最有力的证据仍然集中在无损当前状态评估方面，特别是通过计算机视觉、近红外光谱、高光谱成像和化学传感器指纹，AI在新鲜度分类、品质估计、缺陷检测等方面已展现出明确价值。

未引用参考文献：Wu等，2024；Zhang等，2025。

CRediT作者贡献声明

Changyu Su：撰写——初稿撰写、审查与编辑、可视化、调查、概念化、监督；Songyi Lin：撰写——审查与编辑、监督；Long Jiang：撰写——审查与编辑、概念化；Shuo Wang：撰写——审查与编辑、调查；Na Sun：监督、验证、撰写——审查与编辑、项目管理、资金获取。

数据可用性

本文所述研究未使用任何数据。

利益冲突声明

作者声明他们没有已知的竞争经济利益或个人关系，这些可能被认为影响本研究中报告的工作。

Changyu Su | Songyi Lin | Long Jiang | Shuo Wang | Na Sun