《Postharvest Biology and Technology》：Artificial intelligence for understanding postharvest physicochemical events in fruits and vegetables: From sensing to targeted preservation
编辑推荐：
•用于人工智能辅助采后管理的事件-信号-模型-决策框架。•将生理化学事件转化为人工智能可识别的感知信号。•将研究重点从相关性预测转向机制性解读。•通过储存、配方设计及智能包装实现针对性保鲜。引言水果和蔬菜是人类饮食中的重要组成部分，它们富含维生素、矿物质、膳食纤维、糖类、色素、挥
- •
用于人工智能辅助采后管理的事件-信号-模型-决策框架。
- •
将生理化学事件转化为人工智能可识别的感知信号。
- •
将研究重点从相关性预测转向机制性解读。
- •
通过储存、配方设计及智能包装实现针对性保鲜。
引言
水果和蔬菜是人类饮食中的重要组成部分，它们富含维生素、矿物质、膳食纤维、糖类、色素、挥发性化合物以及多种生物活性植物化学物质，如酚类、类胡萝卜素和黄酮类化合物。这些化学成分共同决定了食品的营养价值、感官品质、消费者接受度以及商业价值（Chandel和Chauhan，2025；Knez等人，2023）。
水果和蔬菜在采后会出现品质下降现象，这是由于采收后仍持续进行的各种生理和生化反应所导致的，包括呼吸作用、乙烯合成、水分流失、酶促反应、色素变化以及微生物增殖。这些反应会在储存、运输和销售过程中导致组织软化、颜色变差、褐变、风味丧失、营养价值下降以及微生物腐败（Karagiannis等人，2018；Papoutsis和Edelenbos，2021；Süfer等人，2025）。重要的是，这些品质变化是由相互关联的生理化学事件引起的，比如糖酸代谢、细胞壁多糖降解、氧化应激、酚类氧化、挥发性物质释放以及微生物活动，而非单一的品质特性（Kou等人，2021）。
除了采后的生理过程外，水果和蔬菜的品质还受到采前环境条件和农业管理措施的显著影响，包括光照强度、温度、水分供应、养分供给以及作物生长过程中的生物或非生物胁迫（Fanourakis等人，2026a；Umeohia和Olapade，2024）。这些因素会影响组织的结构、代谢活动和生化组成，从而决定作物在采收时的内在生理状态和保质期潜力（Fanourakis等人，2026a）。因此，采后的品质下降应被视为采前生理过程的延续，在分析采后品质变化时必须考虑不同品种、生长环境和栽培方式带来的差异（Kyriacou和Rouphael，2018）。近期针对特定物种的研究进一步强调了果实类和叶菜类作物在生产和采后阶段之间的连续性，指出在预测模型中纳入采前的变异因素非常重要（Fanourakis等人，2026a；Fanourakis等人，2026b）。
目前，对水果和蔬菜品质的传统评估方法主要依赖于破坏性的生理化学检测、感官评价以及微生物分析（Farina等人，2016；Wu等人，2023）。虽然这些方法能够提供关于可溶性固体含量、硬度、色素浓度、酚类含量、微生物数量以及与风味相关的代谢物的可靠信息，但它们通常耗时较长、劳动强度大、会破坏样本，且不适合实时监测或大规模工业应用（Patel等人，2024）。为了解决这些缺陷，人们越来越多地运用非破坏性传感技术，如近红外光谱技术、高光谱成像技术、拉曼光谱技术、荧光成像技术、电子鼻以及机器视觉技术，来监测水果和蔬菜的品质特性（Fakhlaei等人，2024；Liu等人，2025）。
与此同时，人工智能，尤其是机器学习和技术以及深度学习技术，也被广泛用于从高维传感数据中提取预测信息，应用于品质分级、保质期预测、缺陷检测以及储存条件监测等任务（Hernández-Hernández等人，2019；Wang等人，2024a）。这些方法在将复杂的传感器输出转化为可测量的生理化学参数方面表现出了出色的能力，比如硬度、可溶性固体含量、颜色指数以及微生物腐败程度（Han等人，2023；Yakoubi，2025；Zhang等人，2024）。例如，Wang等人（2024b）利用最小二乘支持向量机模型将可见光和高光谱特征与苹果的硬度联系起来；Wang等人（2024c）开发的深度卷积神经网络则将挥发性指纹特征（酸性或碱性挥发性有机化合物）与蔬菜的新鲜度下降及微生物腐败联系起来，从而实现了智能化的新鲜度监测。此外，人工神经网络结合优化算法还可以帮助预测用于保护蘑菇颜色的最佳保存方案或参数（Zhang等人，2024）。
然而，尽管已经取得了显著进展，仍有一个关键问题尚未得到充分解决：人工智能模型在不同品种、产地、采前环境以及采后储存条件下的泛化能力有限。遗传背景、生长条件、采收成熟度以及储存环境的差异会导致品质下降轨迹出现显著变化，这使得模型在跨不同数据集或供应链应用时性能不稳定（Khanna等人，2024；Zannat等人，2023）。
虽然已有不少综述从传感技术（如光谱技术或成像技术）、人工智能算法（如机器学习或深度学习技术），或是品质分级、缺陷检测、保质期预测等应用场景的角度总结了人工智能在采后系统中的应用情况（Du等人，2026；Wang等人，2024a；Zhong等人，2025），但这些综述大多围绕数据采集和建模技术展开，而未深入探讨决定品质下降的潜在生理化学机制。因此，人工智能可识别的信号与核心的生化或微生物过程之间的机制联系仍然不够清晰，这也限制了预测模型向实际可行的保鲜策略的转化。
为弥补这些不足，本综述采用以事件为中心的视角，明确地将采后的关键生理化学事件与其对应的感知信号、基于人工智能的建模策略以及决策层面的保鲜措施联系起来，构建了一个“事件-信号-模型-决策”框架（见图1）。本综述重点关注采后的水果和蔬菜，尤其是需后熟的水果、非需后熟的水果、叶菜类蔬菜以及部分切配类农产品，同时着重介绍非破坏性传感技术（如光谱技术、成像技术和气体传感器）、基于机器学习和深度学习的建模方法，以及呼吸作用、乙烯代谢、水分流失、色素变化、细胞壁降解、氧化应激和微生物增殖等关键的生理化学品质下降事件。通过整合这些方面的研究内容，本综述旨在系统阐述人工智能技术如何用于分析采后的生理化学过程，以及如何将这些分析结果转化为更可靠、更易于理解、更具指导意义的新鲜农产品保鲜策略。
章节摘要
综述设计与文献检索
本研究采用叙述性综述的形式，通过系统的文献检索和筛选流程开展研究。由于现有研究在作物类型、传感方式、实验设计、模型架构、验证策略以及性能指标等方面存在较大差异，因此本研究并未采用正式的系统综述或元分析方法。
相关文献是从Web of Science Core Collection和Scopus数据库中检索的，筛选范围为202X年1月以后发表的英文文献
从品质形成到品质下降的采后生理化学事件
不同种类、来源以及组织结构的水果和蔬菜在采后会表现出截然不同的生理和生化特性（Habibi等人，2024）。为了从机制层面和系统层面深入理解这一现象，本综述将新鲜农产品分为六大类：需后熟水果、非需后熟水果、叶菜类蔬菜、根茎类作物、蘑菇以及切配类农产品。每类作物都具有独特的呼吸模式
人工智能驱动的保鲜决策框架
要从人工智能辅助的品质预测迈向针对性的保鲜措施，关键在于构建一个能够将事件相关的信号转化为可行行动方案的决策框架。不过，目前不同应用场景中该框架的实现程度存在很大差异。目前市面上已有的人工智能辅助系统主要应用于品质检测、保质期评估、数字化质量控制流程以及物流决策支持等领域，尚未完全
面临的挑战与未来展望
尽管在人工智能辅助的传感和建模技术方面取得了快速发展，但人工智能在水果和蔬菜采后管理中的应用仍处于过渡阶段。当前面临的主要挑战已不再是人工智能能否提高品质属性预测的准确性，而是它能否将人工智能可识别的信号与导致品质下降的潜在生理化学和生物学事件准确关联起来，并进一步将这些分析结果转化为切实可行的保鲜决策。基于此
结论
本综述通过以事件为中心的“事件-信号-模型-决策”框架（见图1）重新审视了人工智能在水果和蔬菜采后管理中的应用，将人工智能定位为一种具备机制认知能力的诊断和决策工具，而非单纯的保鲜处理手段，它能够将生理化学品质下降事件与可理解的信号特征以及针对性的干预措施联系起来。通过将数据驱动的预测与基于化学原理的应对措施相结合，这种思路有助于实现从整体层面把握产品保质期的转变
CRediT作者贡献说明
黄志兵：撰写——综述与编辑工作。谢建华：撰写——综述与编辑工作，负责监督、资源协调、方法设计、资金申请以及概念构思工作。江珊珊：撰写——初稿撰写，负责可视化处理、方法设计以及实验研究工作。沈明月：撰写——综述与编辑工作。曹振：撰写——初稿撰写，负责可视化处理、方法设计以及实验研究工作。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢
本研究得到了江西省农业关键技术研究计划（项目编号：JXNK20260901）的支持。
Zhen Cao|Shanshan Jiang|Mingyue Shen|Zhibing Huang|Jianhua Xie
