《Frontiers in Sustainable Food Systems》：Artificial intelligence and digital twins in postharvest food systems: transforming quality prediction, shelf-life management, and food loss reduction
背景：采后食物损失与浪费占全球食品产量的13%至14%，每年造成近4000亿美元的经济损失，这源于传统质量监测的被动性、主观人工分级以及固定货架期标签无法反映现代供应链中动态环境条件的局限性。范围与方法：本综述整合了人工智能（AI）和数字孪生（DT）技术在采后食品系统中的最新进展，此前文献大多将智能质量评估与数字基础设施视为独立的研究方向。研究审查了机器学习、深度学习、计算机视觉、高光谱成像以及电子鼻和电子舌系统用于非破坏性质量预测的方法；基于物联网（IoT）传感、云和边缘计算以及区块链可追溯性的数字孪生架构；以及用于动态货架期估算和冷链优化的混合AI-DT方法。综述涵盖了水果、蔬菜、乳制品、肉类和海产品中的应用，同时分析了工业采用障碍和工业5.0视角。关键发现与结论：集成化的AI-DT框架能够实现持续的、产品特定的货架期预测，优于静态标签，支持改进的库存决策、减少损失、优化资源利用和降低碳足迹。大规模实现这一潜力需要标准化数据集、可解释的AI模型、互操作的数字基础设施以及超出实验室控制条件的商品特定验证。传感器和云计算成本的下降预计将从大型企业扩展到中小型生产者，未来进展取决于与智能包装、区块链可追溯性以及自主决策支持系统的集成，使AI-DT技术成为可持续、气候适应型采后管理的核心支柱。
1 引言
1.1 采后食物损失的全球负担
食物损失与浪费（FLW）是全球食品系统中最大的低效问题之一，具有显著的经济、环境和社会影响。联合国粮农组织（FAO）估计，全球生产的食品中有13%至14%在收获后和零售前之间损失，其中损失最高的是水果、蔬菜、乳制品和新鲜动物产品等易腐商品。这些损失每年接近4000亿美元，并导致全球约8%至10%的温室气体（GHG）排放，凸显其不仅是供应链效率问题，更是可持续性问题。由于新鲜园艺产品采后代谢活动旺盛，它们更容易快速变质。呼吸作用、酶促褐变、衰老、软化以及质量劣化因温度变化、湿度控制不佳、机械损伤、微生物污染和包装不当而加速。现代食品供应链的复杂性进一步加剧，食品产品经过包装车间、冷库、运输系统、配送中心和零售店等多个处理环节，环境不断变化。传统监测网络仅提供部分实时数据，且只能在质量劣化发生后识别问题，已无法预防。因此，研究人员越来越多地探索使用先进数字技术进行连续质量监测、货架期预测和采后操作的主动决策。
1.2 传统采后管理的局限性
当前的采后管理实践仍以被动为主，包括定期检查、人工质量评估和固定货架期估算。典型的温度监测系统仅记录环境温度，不提供预测信息，因此质量偏差只有在发生后才能被发现。同样，人工分级依赖于分级员的经验和视觉判断，导致主观结果和潜在误差，且通常忽略内部质量问题。另一个主要缺点是使用静态货架期标签。固定保质期无法反映个别产品在供应链中经历的温度、湿度和处理的差异，导致安全且可销售的产品被过早丢弃，或可销售产品受损而未被检测。因此，使用实时环境监测和人工智能（AI）的动态货架期预测已成为一种有前景的替代方案，用于优化库存管理、减少食物浪费和提高供应链效率。
1.3 人工智能与数字孪生的兴起
工业5.0作为工业4.0的下一步，推动了智能数字技术在农业食品系统中的使用。工业4.0侧重于自动化、信息物理系统和数据连接，而工业5.0则强调韧性、可持续性以及人与智能系统的协作决策。在此背景下，AI技术，如机器学习、深度学习、计算机视觉和可解释AI（XAI），在非破坏性质量评估、缺陷检测、过程优化和食品系统预测方面显示出巨大潜力。同时，数字孪生（DT）技术已从航空航天和制造业起步，发展成为构建物理资产和过程动态虚拟模型的先进方法。数字孪生通过将传感器数据与仿真模型无缝集成，提供实时监控、预测、优化和情景分析。AI驱动的数字孪生，结合物联网（IoT）设备、云和边缘计算以及基于区块链的可追溯性，提供实时质量预测和智能决策支持，超越了传统监测系统的能力，可用于主动管理采后操作。
1.4 本综述的范围与新颖性
尽管已有许多综述独立研究了AI在食品质量评估中的应用以及数字孪生在食品加工中的技术，但对这两种快速发展技术在采后食品系统中的综合集成仍然有限。当前研究大多集中于智能质量评估或数字基础设施，但缺乏批判性地连接实时质量预测、动态货架期估算、冷链优化和食物损失减少的统一框架。本综述旨在填补这一空白，总结基于AI的采后质量评估、AI-DT架构的最新进展，并提出一个在工业5.0背景下用于预测性采后管理的集成AI-DT框架。特别关注非破坏性传感、智能质量预测、动态货架期管理、冷链优化、可持续性效益以及未来研究方向，以促进在现代食品供应链中的大规模实施。
1.5 综述方法
本文并非系统性综述，而是一篇结构化叙述性综述，旨在连接两种研究方法不同且快速发展的研究流（人工智能和数字孪生），这些方法在采后食品系统中尚未有适合元分析的标准化结果指标。然而，文献检索采用系统化方式以确保透明度和可重复性。研究人员在三个文献数据库（Scopus、Web of Science、PubMed）中进行了检索，并对经典论文进行了前向和后向引文检索。检索关键词包括“artificial intelligence”或“machine learning”或“deep learning”或“computer vision”或“hyperspectral imaging”或“electronic nose”，并与“digital twin”或“shelf-life prediction”或“cold chain”或“postharvest”或“food loss”在标题、摘要和关键词中联合搜索。纳入的出版物时间范围为2020年1月至2026年1月，当概念上必要时也纳入了更早的经典工作。研究如果使用AI和/或数字孪生技术用于（i）采后质量评估，（ii）货架期预测，（iii）冷链优化或（iv）食物损失减少；提供实验、仿真或工业部署证据；且发表于同行评审的英文来源，则视为符合条件。仅讨论采前或田间生产、或没有采后食品应用的研究不被纳入，非同行评审记录也不被纳入。排除重复文章和不符合标题/摘要纳入标准的文章，并对剩余文章全文进行评估，以构建下文综合的证据基础。
2 人工智能与数字孪生在食品系统中的应用基础
2.1 人工智能技术
人工智能是指允许机器从数据中学习、识别模式并在一定程度上自主决策的计算技术。在采后食品系统中，AI包括经典机器学习、深度学习、计算机视觉和可解释AI，这些技术具有不同的准确性、可解释性、计算需求和数据需求。经典机器学习模型由于其透明性、简单性以及在表格数据和光谱数据上的有效性，在食品质量应用中仍受欢迎。对于基于图像的缺陷检测，深度学习，特别是卷积神经网络（CNN），已证明有益；对于货架期轨迹和其他时间模式，循环模型（RNN）有益。基于Transformer的模型在多变量时间序列预测和多模态传感器融合方面越来越受欢迎，但它们仍有大量参数，不适合在受限环境中使用。
2.2 机器学习与深度学习方法
这些术语在采后文献中常被互换使用，因此首先区分下文讨论的架构所基于的学习范式是有益的。监督学习是最常见的学习形式，用于大多数新鲜度分级、缺陷分类和货架期回归任务，其中存在标记的输入-输出对。无监督学习用于未标记数据以揭示数据的内在结构，主要用于光谱特征聚类、降维和冷链记录中的异常检测。半监督学习（使用少量标记集和大量未标记集）和自监督学习（从数据本身推断监督信号，例如预测图像掩码部分）是两种已被证明对于学习表征有益的方法，这些表征可用于在少量标注上进行微调。与上述所有方法不同，强化学习没有固定的学习数据集，而是依赖代理从环境中（通常是数字孪生）学习控制策略并获得奖励，因此主要应用于存储气氛和冷链控制。深度学习本身并非一种范式，而是可以使用任何这些范式进行训练的多层模型家族。同样，迁移学习、领域自适应和联邦学习等训练策略并非这些范式的替代品，而是在该范式内使用的训练策略：前两者通过重用或重新调整从一个数据集或领域学到的知识用于另一个，后者通过在不集中敏感数据的情况下跨站点分布训练。这一区别在实践中也很重要，因为所采用的范式会影响特定采后应用的标注负担、验证协议和部署成本。对于采后食品应用，ML和DL架构的选择必须平衡准确性、训练数据可用性、推理速度和部署环境。为了克服有限标记样本的挑战，研究人员使用了迁移学习和领域自适应技术来最小化对大型标记数据集的需求，使基于CNN的分类器能够使用。自监督学习的另一个优势是它在没有标注的情况下扩展了DL的应用，例如在农业成像和其他食品质量应用中。物理信息神经网络（PINN）正在出现，作为货架期预测的约束和工具，因为它们可以将数据学习与机械约束相结合，并增强训练分布外的外推能力。现有AI食品质量研究的主要缺点之一是在受控实验室环境下进行，这不能反映真实食品加工环境中的变异性。准确度可能因光照变化、不同品种和季节性而降低，需要更鲁棒的验证。为了提高泛化能力同时保持隐私，研究人员提出了联邦学习（FL），其中模型在去中心化数据集上训练而不集中敏感数据；然而，FL在采后领域的验证仍然有限。
2.3 数字孪生架构
数字孪生是物理系统的虚拟表示，与传感数据双向耦合并持续更新，用于模拟、优化和预测系统行为。采后食品系统中的数字孪生架构可以从四个不同层来描述：（i）物理层，（ii）数据层，（iii）虚拟层和（iv）决策层。物理层包括传感器、执行器和产品本身；数据层涵盖数据摄取、存储、质量控制和语义结构化；虚拟层包含镜像物理系统的数学或基于ML的模型；决策层将模型输出转换为干预和决策支持行动。这一框架将数字孪生与仪表板或单向预测模型区分开来，因为虚拟模型可以向物理系统提供反馈控制，从而影响它。文献中的一个重要区别是数字影子（仅接收数据）和真正的数字孪生（双向耦合）之间的区别。许多被称为数字孪生的食品研究实际上是数字影子，这意味着它们只能有限地自主优化。这一区别在制定技术路线图和食品行业数字化投资时具有相关性。
2.4 物联网、云计算、边缘计算与区块链集成
传感、传输、计算和可追溯性是AI-DT系统在采后应用中实际实施的关键因素。采后DT平台的物理神经系统包括IoT传感器阵列，如温湿度记录器、气体分析仪、射频识别（RFID）阅读器和相机。云计算可以提供可扩展的存储和计算用于AI训练和数字孪生仿真，但在远程供应链中可能存在延迟和连接性问题。边缘计算是解决这一问题的方法，它允许在数据收集点附近处理数据并做出实时决策，而无需持续连接互联网。边缘与云的互补性越来越明显，边缘节点负责时间关键的推理，云平台负责训练、聚合和仿真。通过捕获保管转移、温度数据和质量认证信息并以不可变格式存储，区块链提供了可追溯性的可信层。表1总结了上述主要AI方法的原理、采后应用、关键优势和局限性，以便比较。图1显示了集成AI-数字孪生采后质量评估框架，其中多模态数据采集、基于AI的质量预测、决策支持和基于数字孪生的反馈导致可持续性结果。
2.5 生物变异下AI/DT框架的批判性评估
除了概述每个框架的能力外，批判性地比较框架以理解它们面对采后商品固有生物变异时的边界至关重要。大多数综述研究隐含的一个约束是，模型是在特定品种、季节或储存制度上开发的，在外推超出分布范围时不够鲁棒。例如，在一个品种上具有高准确度的高光谱和计算机视觉模型通常需要完全重新训练才能用于不同生长区域或收获季节的另一品种，而物理信息或混合数字孪生由于物理约束具有一定程度的泛化能力。然而，这并不总是成立；在小型结构化存储数据集上，基于树的模型（如XGBoost）表现优于深度网络，而在大型时间数据集上，深度循环模型是首选。这种矛盾证据表明，报告的准确度可能高度依赖数据集，不能作为算法属性转移到其他数据集。动态腐败微生物学是更根本的问题。尽管大多数基于AI的货架期模型假设微生物劣化是连续过程且依赖于温度，但实际腐败取决于可变的初始微生物负荷、竞争微生物种群以及随品种生理和大气变化的非线性转变。因此，在冷藏条件下使用单一应力开发并验证的模型在现场条件下遭受多重应力时往往会失效。因此，现有文献仅部分解决了三个研究空白：（i）缺乏跨品种和跨季节的迁移学习协议，模型鲁棒性未被量化而是假设；（ii）机械微生物生长动力学未与数据驱动预测器良好集成；（iii）缺乏不确定性报告的标准化，使得难以严格比较跨研究中相互矛盾的准确度声明。这些空白需要填补，以使AI/DT框架从演示过渡到生物鲁棒的部署。
2.6 AI模型的结构与功能特征及其数据矩阵
除了基于故事的算法家族比较，明确说明每个模型类的内部结构如何影响其工作方式，以及重要的是每种模型类需要何种输入数据矩阵，是有帮助的。经典机器学习模型（随机森林RF、支持向量机SVM、XGBoost）处理二维特征矩阵X，其中n行代表样本，p列代表工程特征，如温度、相对湿度、气体浓度、pH、硬度等。树集成和核机器均分区此特征空间：树集成中递归轴对齐分割，核机器中非线性映射到高维特征空间，然后将其映射到类标签（分级、缺陷检测）或标量（硬度、可溶性固形物含量）。它们处理的矩阵通常较小、稀疏且尺度异质，因此稀疏感知学习、特征缩放和显式特征工程对其性能起作用。相比之下，卷积神经网络（CNN）接受3D张量作为输入，维度为H×W×λ，其中H和W代表空间维度，λ代表光谱通道数：常规RGB成像仅记录三个宽波段，而高光谱成像记录数百个连续的窄波段，跨度约380至2500 nm，形成具有两个空间维和一个光谱维的超立方体。CNN使用可学习的k×k×λ核（或滤波器）在空间相关矩阵上移动，产生从局部到全局的特征层次，在成熟度估计中，可以直接从原始像素或光谱预测表面缺陷、成熟度和内部质量，无需手工特征。然而，缺点是高维密集矩阵需要大型、良好标注的数据集和GPU计算。循环网络（LSTM、GRU）和Transformer则处理有序的时间序列矩阵，形状为t×d，其中t为时间步数，d为传感器通道数。它们基于内部状态矩阵，LSTM/GRU采用乘法门控单元控制长时间滞后上的恒定误差流，Transformer采用自注意力矩阵并行连接序列中所有位置，编码时间依赖性和长程依赖，将自相关序列映射到剩余货架期轨迹。物理信息混合模型更进一步，将质量和传热方程直接纳入训练损失，从而限制解空间并增强外推能力。表2总结了这些结构-功能对应关系以及每个输入矩阵的数学性质，图2追踪了从输入数据表示、模型家族到功能输出以及区分数字孪生与单向数字影子的双向数字孪生反馈循环的整个管道。
3 基于AI的质量评估与预测
3.1 计算机视觉技术
随着高分辨率成像硬件、深度学习框架和GPU加速计算的发展，计算机视觉已成为采后水果、蔬菜和加工食品中强大且广泛使用的非破坏性质量评估技术。当与迁移学习和数据增强等先进训练技术结合时，基于CNN的模型在缺陷分类、成熟度分级和异物检测方面比传统手工特征方法更有效。近年来，已证明深度学习计算机视觉可以增强食品检测的准确性，用于实时缺陷检测、成熟度估计和污染筛查。训练数据需求也已降低，当使用从ImageNet预训练架构进行迁移学习时，使用相对较小的标记数据集即可实现良好的食品图像分类。基于计算机视觉的质量系统的主要缺点之一是它们只能检测表面属性，这不足以确定水果的定价和消费者接受度，因为内部属性如糖度、硬度、水分和内部褐变也很重要。计算机视觉可以作为光学方法（如多视角成像和高光谱成像）的补充工具，用于扩展覆盖到亚表面特征，但光学穿透深度是物理约束。在实际工业中，计算机视觉最有效的使用是与光谱学或传感器融合相结合，而不是单独使用。
3.2 高光谱成像
高光谱成像（HSI）在可见光、近红外和短波红外区域的数百个连续波段中获取光谱信息，可以非破坏性地评估生化成分以及形态，克服了传统计算机视觉的局限性。HSI已广泛用于预测水果和蔬菜的可溶性固形物含量、质量劣化和内部缺陷检测，并已被证明在检查内部成分影响货架稳定性和消费者接受度的加工产品方面有效。将HSI与深度学习（DL）相结合，在各种商品和缺陷类型上取得了前沿结果，特别是在3D-CNN架构中包含空间和光谱维度。此外，最近的批判性综述强调了通过机器学习和数据融合技术增强HSI以提升检测能力和扩展应用的重要性。然而，HSI的商业化面临许多挑战。线扫描HSI系统可用于生产线速度，但产生大量数据，需要大量存储空间和处理能力，且仪器成本远高于常规RGB成像系统。此外，HSI模型对品种、生长区域和季节敏感，需要重新校准才能被供应链中不同参与者使用。因此，便携式、低成本的近红外光谱仪是一种重要折中方案，它们牺牲空间分辨率以换取低成本和速度，可用于单点成分评估。
3.3 电子鼻与电子舌系统
电子鼻（e-nose）和电子舌（e-tongue）系统由模仿嗅觉和味觉的传感器阵列以及模式识别算法组成，可提供关于新鲜度和腐败的挥发性特征和味觉特征的整体评估。近期综述提供了证据，表明这些系统在需要快速和非破坏性评估的食品质量与安全监测中越来越重要。电子鼻技术已被证明可有效区分多种采后商品的新鲜度，并用于基于挥发物的成熟度和腐败评估工作流程。将电子鼻输出与机器学习和深度学习方法相结合的混合建模策略，进一步增强了分类性能和响应，优于经典化学计量学管道。电子舌在食品质量控制中的应用主要针对味觉和感官特征，如饮料和其他基质的质量控制，其中重复的人类感官面板不可行。两种平台的主要缺点包括传感器漂移（随时间推移因污染或老化导致的传感器响应逐渐退化）和交叉敏感性（传感器对目标化合物以外的分析物产生响应）。这些限制增加了重新校准的负担，并限制了仪器的商业可靠性，除非采用定期维护和标准化程序。
3.4 质量预测的AI算法
在比较研究中，集成和深度学习方法已被证明比单一模型基线在采后质量预测中更有效。随机森林和XGBoost适用于光谱和多传感器数据，因为它们具有抗噪性并提供特征重要性分数，可用于可解释性和法规接受。SVM在中小型数据集的二元新鲜度分类方面具有竞争力，但在更高维度下不可扩展。LSTM和GRU网络在时间序列质量数据和基于温度的货架期预测方面特别强大，因为它们比静态模型更好地捕捉时间依赖性。最近，具有多头自注意力的Transformer模型提升了多步预测能力，但由于计算需求，部署在边缘仍很困难。可解释AI（XAI）技术，如SHAP和LIME，正被用于确定哪些传感器变量或光谱波段对质量预测影响最大。这些工具不再仅被视为调试工具，现被视为自动质量控制系统中法规遵从、可追溯性和操作员信任的关键部分。它们必须集成到数字孪生仪表板中，并附有以人类可读格式呈现的自动建议，这对于工业部署至关重要。
4 采后食品管理的数字孪生
4.1 数字孪生的概念与演变
数字孪生的概念最初在航空航天工业中引入，并在制造业、汽车和智能系统中发展，旨在用真实世界数据持续更新虚拟模型以进行预测和优化。在食品系统中，这一概念更具相关性，因为食品产品是生物的、可变的且高度易腐，破坏性测试成本高昂，操作实验具有挑战性。因此，食品领域需要能够处理随机质量动态、多个利益相关者以及感官属性的数字孪生，这些属性不能完全由简单过程指标表示。数字孪生的关键优势在于其模拟未来行为、在硅片上测试干预措施以及在不中断物理冷链的情况下为决策提供信息的能力。
4.2 数字孪生开发工作流程
采后食品数字孪生开发包括四个相互关联的阶段。首先，物理系统配备IoT传感器，以适当空间和时间分辨率捕获温度、湿度、气体成分和产品状态。其次，传感器收集的数据、物流数据和历史质量数据被清理、协调和语义结构化，使不同参与者能基于相同数据图景操作。第三，基于第一原理模型、经验机器学习或混合物理信息模型开发虚拟核心，估算产品劣化和剩余货架期。第四，决策层将模型输出转化为可操作决策，如重新路由、气氛控制或动态更新货架期。预测与行动之间的双向流动将数字孪生与数字影子区分开来，后者是被动的，仅观察物理系统。
4.3 实时监控应用
数字孪生在采后食品监控中的应用已在食品供应链的各种场景中显示出良好效果，如表3所示。一项草莓冷链研究将实时数据与数字孪生结合，以增强质量损失控制和货架期估算，表明组合DT-AI框架通过比基于环境的方法更准确地预测箱内温度和质量演变，可以更好地减少食物损失。另一项关于通风草莓包装的研究，测量了实际农场到零售物流各点的空气温度和湿度，表明基于物理的数字孪生可用于确定最合适的包装，考虑呼吸作用、蒸腾、冷凝和微生物风险。这些结果表明，数字孪生有助于从被动管理转向预测性和预防性的采后控制。
4.4 冷链优化
冷链温度管理是采后食品质量和安全中最具影响力的可控因素，数字孪生正越来越多地用于优化它。基于物理的数字孪生被用于量化柑橘冷藏物流中质量保持、市场性和安全性之间的权衡，表明实时传感器耦合对于做出决策比单独静态温度目标更有用。在易腐水果链中，温度传感与深度学习预测相结合，通过允许早期干预，增强了货架期估算和食物损失减少。但大多数验证系统仍在有限环境中测试，与传统ERP和物流系统的互操作性是一个主要障碍。对文献的深入分析表明，大多数验证系统是在单一参与者或有限的多个参与者环境中开发和测试的，而在真实供应链中常见的多种异构传统ERP和物流管理系统之间的互操作性在很大程度上是一个未解决的问题。关于食品和畜牧价值链数字孪生的更广泛文献也强调，需要同时设计可追溯性、预测控制和互操作性，以实现从试点到商业应用的冷链优化扩展。
4.5 存储环境仿真
受控气氛存储环境是数字孪生可以模拟的高级应用领域，允许在硅片上优化特定商品批次的气体组成、温度和湿度参数，无需物理实验的时间和资源消耗。基于物理或混合建模可用于估算不同环境条件下的产品质量、冷凝和存储结果，这与受控气氛优化直接相关，是近期冷库数字孪生研究的内容。一项水果冷链研究通过使用“五维模型”增强了草莓、荔枝、橙子和苹果等高度易腐水果的箱内温度预测并最小化食物损失，证明了传感、建模和预测在存储系统中的可行性。在平行的冷库研究中，数字孪生也被证明可用于预测冷凝并在实际冷库中使用之前研究替代冷却干预措施，从而展示了数字孪生在模拟存储环境方面的潜力。因此，采后存储科学的前沿是物理模型、机器学习预测和控制导向数字孪生平台的交叉。
5 AI-数字孪生集成用于动态货架期预测
5.1 传统货架期预测方法
当前的货架期预测方法大多分为两类：经验动力学模型和挑战测试协议。质量劣化速率模型是基于阿伦尼乌斯或修正阿伦尼乌斯关系描述质量劣化速率随温度变化的模型，从受控存储实验校准。这些模型通常基于简化的温度-时间关系，不能完全代表真实冷链中多应力条件下温度、湿度、气体气氛和初始产品变异性之间的协同相互作用。挑战测试协议通过接种微生物来设定食品安全货架期，提供保守的安全余量，但耗时、物流挑战大，且不适合在批次水平或不同食品商品上实现货架期个性化。
5.2 AI驱动的货架期预测
基于AI的货架期预测方法相对于动力学模型具有内在优势，因为它们可以从历史质量轨迹数据中学习复杂的非线性关系，同时考虑多个输入变量，并提供概率预测，更好地捕捉真实世界的不确定性。LSTM和GRU循环网络是广泛测试的深度学习模型，用于动态温度条件下的货架期预测，因为它们能够捕捉使用经典模型难以建模的时间依赖性。物理信息神经网络（PINNs）可以增强外推性能并减少数据需求，特别是在运输和零售操作期间存储条件变化时。实证验证进一步表明，模型选择不应基于一般基准，而应针对特定商品进行调整；例如，ANN和XGBoost在食品存储预测任务上的性能比较显示，取决于数据集的大小和结构，基于树的提升模型可能优于神经网络。
5.3 混合数字孪生系统
将AI预测引擎与数字孪生相结合创建了混合系统，其功能超过单个组件：数字孪生可以提供实时环境上下文，使AI预测引擎能够提供双向反馈，而AI引擎可以进行比单独物理模型更高保真度的预测。食品特定的混合数字孪生正成为易腐食品供应链的决策支持系统，因为它们可以将批次特定的暴露历史转换为物理一致的货架期预测。基于物理的数字孪生在柑橘冷链中的研究已经证明，通过将传感器数据与机械模型相结合，可以将实时条件映射到质量和市场性的可操作指标，为采后管理中的混合AI-DT工作流程铺平了道路。混合模型特别有用，因为它们结合了物理以确保预测在热力学上合理，并使用AI捕捉超出物理解释范围的非线性变异性。这意味着与传统货架期模型相比，混合DT具有更好的能力来估计质量不确定性、做出基于风险的干预决策，并根据变化的冷链温度历史进行调整。总体而言，近期文献表明，与传统动力学模型或独立AI模型相比，混合AI-DT范式更能处理采后产品的货架期管理。图3显示了用于动态货架期预测的集成AI-数字孪生框架，突出了物理食品系统、数字孪生架构、AI预测引擎、动态货架期输出、可持续性和可追溯性模块以及持续反馈驱动的模型学习之间的相互作用。
5.4 动态货架期管理
AI-DT集成在采后食品系统中的变革性应用是动态货架期管理，涉及基于持续更新的质量模型实时更新货架期估计和产品路由决策。将数字孪生质量预测与供应链物流系统相结合，可以识别质量轨迹接近质量极限的产品，并触发预防性行动，如将物流重定向到更近的分销点、提供自动降价或促销、或重定向到食品银行或二次加工系统。这种方法将静态保质期标签固有的悬崖边缘质量模型转变为持续管理的质量梯度，显著减少了当产品达到传统货架期标签的二元通过/失败极限时产生的浪费。动态货架期管理的可行性已在水果冷链研究中得到证明，其中基于IoT的温度监测、基于深度学习的箱内重建和动力学货架期模型共同促进了在现实物流条件下改善食物损失结果。但该方法在具有更复杂质量动态（涉及多个属性、更多样化的包装和处理条件）的新鲜农产品供应链中尚不成熟，这阻碍了其扩展到试点部署之外。
5.5 在水果、蔬菜、乳制品、肉类和海产品中的应用
AI-DT货架期应用已在大多数主要易腐食品类别中得到验证；然而，不同商品和研究设计之间的证据水平存在异质性。在水果领域，DT耦合模型已被证明对预测草莓货架期和减少食物损失非常有前景，近期的数字孪生研究表明，箱级质量预测可以帮助草莓、荔枝、橙子和苹果的运营决策，其准确度高于仅基于环境的方法。总体而言，非破坏性成像研究，如草莓决策支持工具和猕猴桃质量预测研究，表明光谱和机器学习方法可以实现与货架期管理直接相关的内部和外部质量属性的高预测准确性。这些发现与总体论点一致，即水果货架期管理正在从日期编码转变为通过模型监测水果质量轨迹。在蔬菜领域，最近的研究综述表明，机器学习和数字孪生方法可用于跟踪其新鲜度、监测视觉质量并估算货架期，特别是在颜色、质地和温度历史是重要因素的情况下。在乳制品领域，物流优化和冷链监测更为先进，因为巴氏杀菌产品具有相对稳定的结构，使动态预测更相关；基于数字孪生的过程优化已在控制冷藏系统质量损失方面证明了其相关性。在肉类领域，混合传感器历史和数据驱动或物理信息模型已被证明可以增强在可变运输和储存条件下货架期的预测。此外，海产品领域的应用也已扩展到冷链监测和实时鲁棒优化研究，表明数字孪生可用于监测海产品新鲜度、辅助路由过程并在温度敏感条件下最小化质量损失。商品特定的验证显示了AI-DT货架期预测范式的泛化能力，也表明需要商品特定校准以及跨商品标准化的困难。近期最佳前景是将产品传感、质量预测和物流决策支持结合到一个单一平台中，该平台易于转移到不同食品，同时保持可解释性和操作相关性。
6 食物损失减少与可持续性效益
6.1 预测性干预系统
人工智能（AI）和数字孪生（DT）技术的结合已彻底改变了采后管理领域，使其从被动转向预测和决策支持系统。与传统方法在质量损失发生后采取行动不同，AI-DT系统可以持续整合来自各种传感器的实时数据和预测模型，预测潜在的质量变化，从而在产品达到不可接受的质量阈值之前采取主动措施。这一能力可用于做出动态决策，如改变存储条件、重新路由货物、改变分销优先级，或根据每个产品批次的估计剩余货架期加快市场交付。这种基于条件的策略取代了基于假设的保质期，而是根据每个产品批次的环境历史，保存良好的批次保持更长时间，受胁迫的批次提前转入降价或加工。机器学习模型基于供应链中收集的温度、湿度、气体成分、振动和生理指标，持续更新质量预测。这些数据流可以与数字孪生结合，为利益相关者提供早期预警信息，帮助他们做出及时的运营决策。这类预测性干预系统最小化不确定性，管理库存，提升产品新鲜度，同时显著降低水果价值链中可避免的采后损失。
6.2 废物减少策略
减少废物始于采后阶段适当的质量评估。基于AI的分级和分选系统使用机器视觉、高光谱成像和电子鼻技术，实现快速、客观的外部及内部水果质量评估。这些智能系统可以提高分类准确性，减少人工主观性和劳动需求，优于人工检查。高光谱成像尤其有用，因为它可以检测传统视觉检查不明显的内部失调。看起来良好但有内部擦伤、冷害或生理失调的水果可以在进入优质营销渠道之前被分选出来。同样，电子鼻系统可用于分析成熟和腐烂过程中释放的挥发性有机化合物（VOCs），帮助快速评估产品新鲜度，并将其分配到新鲜市场、加工行业或其他增值应用。AI驱动的质量评估还通过数字孪生在存储和运输期间提供产品质量的实时更新来增强废物减少。质量信息不是静态的，而是动态的，随环境变化，使得比收获时一次性评估更准确的分销决策成为可能。这种动态管理有助于通过最小化优质水果和蔬菜的拒收以及因隐藏质量问题导致的消费者不满意，减少供应链中的食物浪费。
6.3 资源利用优化
除了减少食物损失，AI-DT系统还大大提高了采后过程中资源利用的效率。制冷是新鲜农产品价值链中能耗最高的操作之一，传统冷却系统通常基于固定时间表而不是实际产品需求。数字孪生通过持续估算产品的生理状态并基于这些预测微调冷却策略来解决这一问题。预测控制用于在保持产品质量的同时减少不必要的能源使用。同样，在受控气氛存储中，AI模型用于根据单个产品批次的代谢行为动态控制氧气、二氧化碳和湿度水平，而不是使用通用存储设置。这些自适应控制系统降低了能耗，并确保了长期存储中的最佳质量。AI-DT平台通过将产品质量预测与运输规划和仓库管理联系起来，提高物流效率。需要立即分销的产品获得优先分发，而更稳定的批次可以存储更长时间而不影响质量。这提高了仓库利用率，减少了不必要的运输，并提升了供应链的整体效率。智能环境控制还有助于提高水利用效率。AI模型可用于确定各产品合适的相对湿度，避免不必要的加湿，并防止水分损失和冷凝引起的腐败。这些改进共同导致能源、水、包装材料和运营成本的降低，这些都是更可持续的采后管理的因素。
6.4 碳足迹减少
减少食物浪费直接贡献于减少温室气体排放，因为减少了生产、储存、运输和处置食品所需的资源。AI-DT系统可以通过多种相互依赖的方式帮助减少碳足迹。首先，优化的制冷和环境控制减少了存储和运输中的电力消耗。通过将冷却强度与实际产品冷却需求匹配，而不是按预定时间表，显著节约能源和排放。其次，预测性物流通过确保产品根据货架期通过适当的分销渠道运输，减少不必要的运输。优化路线和加强库存管理也减少了燃料使用和运输相关排放。最大的环境效益可能来自防止食物浪费本身。每节省一公斤水果，就节省了土地、灌溉水、肥料、劳动力、包装材料和运输资源，这些资源原本会被浪费。此外，防止食物处置还减少了垃圾填埋分解产生的甲烷排放。在更大规模上，AI-DT技术的广泛使用显示出食品系统脱碳的巨大潜力。虽然更深入的国家级评估仍然稀缺，但现有证据表明，预测性货架期估算、智能冷链管理和优化物流可以显著减少易腐食品供应链的环境影响，并增强整体系统韧性。
6.5 循环经济内涵
AI-DT技术在循环经济中发挥强有力的支持作用，允许在食品价值链中更有效地利用食品资源。在传统质量管理中，产品通常被视为可接受或不可接受，不可接受的产品可能被丢弃，即使它仍有经济价值。数字孪生提供了更灵活的替代方案，持续估算质量状态，并根据产品剩余功能找到合适的最终用途。接近质量极限的产品可以转向二级零售市场、食品服务行业、加工行业或食品捐赠项目，而不是丢弃。这种质量梯度管理可以最大化资源利用，减少食物浪费的环境影响。AI驱动的需求预测通过提高预测消费者需求的精度来增强循环性，有助于防止过度生产和商店库存积压以及零售浪费。数字孪生还通过区块链等技术集成增强可追溯
