综述：智能包装中食品的动态保质期预测：基于人工智能的多模态传感与闭环决策机制

《Food Control》：Dynamic Shelf-Life Prediction for Foods in Intelligent Packaging: AI-Driven Multimodal Sensing and Closed-Loop Decision-Making

　　

摘要：

由于传统的静态保质期标签无法考虑供应链中的环境变化，食物浪费和安全隐患便成了亟待解决的难题。目前的智能包装系统整合了多种传感技术，为实时监测食品微环境提供了新可能。然而，如何从多源、异构的传感器数据中准确预测剩余保质期，并将这些预测转化为可靠的决策，依然是一项重要的研究挑战。本综述探讨了基于人工智能的动态保质期预测模型在智能包装中的应用，分析了不同类型信号在预测中的作用与适用性，以及不同食品系统对预测精度和决策支持的不同需求。与传统方法相比，基于智能包装的动态保质期预测模型能够更有效地处理多种信号输入，在复杂环境条件下更准确地判断食品的变质情况。本文还将传感数据分为环境信息、状态信息和风险信息三类，明确了动态保质期预测的三大输出结果，即剩余保质期、质量变化趋势以及食品变质的概率。通过将这些输出与预警、库存管理、配送调控及冷链管理措施相结合，本文展现了从被动监测向闭环决策支持的转变。通过结合卷积时间模型、多模态融合策略以及可解释性分析，智能包装系统可实现基于多模态传感的动态保质期更新，从而为整个食品供应链的质量监控和基于数据的决策提供支持。

引言

全球范围内的食物浪费已成为制约可持续经济与社会发展的重大问题。根据联合国粮食及农业组织的数据，全球每年约有13亿吨可食用食物被丢弃。其中很大一部分并非因为食物本身不可食用，而是因为在供应链管理过程中未能准确判断食物的实际质量状况。传统的静态保质期标签采用“一刀切”的方式，无法反映运输、储存和零售过程中的动态环境变化，如温度波动、机械振动以及包装损坏等。这些问题会导致保质期评估出现误差（Q. Chen等人，2023年）。例如，有些食物虽然仍在安全保质期内，却因受到不良环境因素影响而提前被处理，造成资源浪费；反之，有些产品虽然尚未达到标示的过期日期，但因意外受热而提前变质，带来食品安全风险。因此，开发一种能够实时感知食品微环境、预测动态剩余保质期并为后续决策提供依据的智能系统，已成为食品科学、冷链物流和人工智能领域共同关注的研究方向。

智能包装的出现为实时监测食品质量提供了物理基础（Z. Jia等人，2025年）。通过集成时间-温度指示器、pH响应型传感器以及挥发性有机化合物检测器等多种传感模块，智能包装能够持续捕捉食品微环境中的物理化学参数变化，并通过多源信号的协同反应间接反映食品质量的变化趋势（Saied等人，2025年）。然而，获取反映食品质量变化的数据只是第一步。实际应用的主要障碍在于如何从大规模、异构且高度关联的时间序列传感数据中准确提取与食品变质相关的特征，并将其转化为剩余保质期的预测值。

尽管基于阿伦尼乌斯方程或Q10规则的常规预测模型在恒定温度条件下表现良好（Liao等人，2024年；Tarlak，2023年），但其线性假设和经验参数并不适合用来描述实际冷链环境中产品的非线性变质过程，因为在真实环境中产品会经历不同的温度区间以及非平稳的干扰因素。即便使用时间-温度累积因子进行修正，传统模型仍难以有效整合多模态传感信号之间的复杂相互作用，导致环境复杂性增加时预测精度急剧下降（Ma等人，2026年）。更为关键的是，传统模型通常只能给出单一的数值估计，且很少能量化预测的不确定性，这使得供应链管理者难以利用这些结果进行具有风险意识的决策优化。

近年来，人工智能领域的快速发展，尤其是机器学习和深度学习的迅猛进步，为动态保质期预测开辟了新的技术路径（Jin等人，2025年）。与传统模型不同，人工智能算法具备强大的特征学习能力，能够自动从多模态时间序列数据中提取时空特征，并捕捉不同变质相关因素之间的非线性关联。卷积神经网络可以有效识别传感器信号中的局部模式，基于注意力的Transformer模型则在建模长距离时间依赖关系和跨模态关联方面具有优势，而图神经网络则有助于表征多个传感器或质量变量之间的结构化交互关系。不过，目前基于智能包装的动态保质期预测中，针对Transformer和图结构模型的直接验证还相对有限。此外，在线学习与贝叶斯动态更新技术使得预测模型能够利用实时返回的传感器数据不断自我校准，从而实现真正的动态预测。除了预测功能之外，通过引入强化学习与决策优化理论，模型输出可从单纯的数值估计转变为可执行的干预措施——借助深度Q网络或策略梯度方法，剩余保质期可以转化为诸如动态定价、智能补货、促销触发以及库存重新分配等供应链决策。尽管基于人工智能的动态保质期预测已取得显著进展，但仍存在诸多挑战，包括多模态数据融合的复杂性、动态预测的稳定性以及模型不确定性的评估等问题。

本综述系统地梳理了基于人工智能的多模态传感技术与闭环决策机制在智能包装食品动态保质期预测方面的最新进展。首先介绍了多模态传感技术的原理、数据特点及融合策略，接着分析了传统动力学模型的局限性。重点探讨了机器学习和深度学习模型在动态保质期预测中的建模方法与性能表现，随后阐述了闭环决策背后的逻辑机制。如图1所示，基于人工智能的智能包装已不再局限于单纯监测食品状态，而是通过整合多模态传感、动态保质期预测与决策反馈，形成了一个用于供应链管理的闭环系统。本综述的最大贡献在于明确了多模态传感数据、基于人工智能的动态预测与以决策为导向的食品质量控制之间的内在联系。与以往主要分别总结传感材料或预测算法的综述不同，本文着重分析了不同传感信号对动态保质期预测的贡献，探讨了模型架构与预测任务之间的匹配方式，以及如何将预测结果转化为食品供应链中的闭环决策。

章节节选

智能包装中用于动态监测的多模态传感机制与技术

在本综述中，动态保质期预测指的是一种能够根据新获取的传感数据持续更新预测结果的框架，可用于估算剩余保质期、质量变化趋势或食品变质的概率。它不同于仅能反映当前状态的实时监测，也不同于在特定时间点给出新鲜度等级的质量分类，更不同于在预设条件下给出固定过期时间的静态保质期估算。食品的保质期是否能够

用于动态保质期预测的人工智能算法框架构建

本章重点探讨动态保质期预测中的任务划分与模型构建方法。虽然已有众多人工智能方法被应用于保质期预测领域，但不同研究针对的预测任务各不相同。尽管这些研究都与保质期相关，但其具体目标存在差异——有些研究旨在估算产品还能存放多久，有些则致力于确定产品的当前质量状况，还有些则主要用于异常检测或早期预警。不同的研究目标

不同食品系统中动态保质期预测的应用与评估

之所以难以在各类食品系统中统一应用动态保质期预测方法，不仅是因为模型成熟度存在差异，更根本的原因是不同食品的变质机制、传感类型、时间尺度以及应用目标各不相同。水果和蔬菜主要受呼吸作用、成熟过程以及环境变化的影响，因此更适合采用结合无损监测与质量变化建模的技术路径。

结论

智能食品包装中的动态保质期预测并非简单意味着增加更多传感信号或使用更复杂的人工智能模型。其实际价值取决于多模态传感数据能否为食品变质提供可靠的证据，模型架构是否与预测任务及数据特征相匹配，以及预测结果能否转化为可行的食品质量控制决策。在本综述中，传感信息

CRediT作者贡献说明

雷欣：可视化、验证工作。施佩英：可视化、验证工作。宁倩：文章撰写与编辑、研究指导、资源协调、方法设计。庞杰：文章撰写与编辑、研究指导、资源协调、方法设计。张俊伟：可视化、验证工作。王月光：可视化、验证工作。魏汉宇：文章初稿撰写、可视化、数据调研、概念构思。谢乐轩：文章初稿撰写、数据调研工作。李美宁：可视化、验证工作

未引用参考文献

Little和Rubin，2014年；《应对伦理挑战》，2024年；Wang等人，2025年；Wang等人，2025年；Xiao等人，2025年；Yang等人，2025年。

利益冲突声明

作者声明不存在任何可能影响本研究结果的已知财务利益冲突或个人关系。

数据可用性声明

本综述并未生成新的数据集。文中提及的所有数据与信息均来源于相关已发表文献。

利益冲突声明

作者声明不存在任何可能影响本研究结果的已知财务利益冲突或个人关系。

致谢

本研究得到了福建农林大学食品科学学院的经费支持（项目编号：KFB23124）。

Hanyu Wei|Lexuan Xie|Junwei Zhang|Yueguang Wang|Meining Li|Xin Lei|Peiying Shi|Qian Ning|Jie Pang

福建农林大学食品科学学院，中国福州350002