《Frontiers in Sustainable Food Systems》：Farm-to-fork smart sensing: integrating AI-enabled, sustainable biosensors for multi-threat detection in modern agri-food systems
对食品安全、气候变化、资源枯竭和复杂供应链的日益关注，促使人们需要在从农场到餐桌过程的所有阶段采用先进的监测系统。传统监测方法在检测病原体、污染物、农药和其他威胁方面缺乏速度、灵敏度和实时能力。智能传感设备、生物传感器、物联网（IoT）和人工智能（AI）的进步为农业食品系统中持续监测和基于证据的决策过程带来了新视角。借助这些技术，研究人员可以迅速识别生物、化学、环境及质量因素，同时提高可追溯性和操作效率。当前的生物传感器已展现出纳克（ng）到飞摩尔（fm）水平的灵敏度，响应时间小于一分钟。与以往分别分析这三个技术要素的研究不同，本研究将其整合为一个统一的从农场到餐桌的方法，采用过去5年内同行评审的文献。本文考察了与现代食品生产和供应链管理中使用的智能传感器和AI驱动生物传感、数据管理架构及计算框架相关的当前趋势。此外，它概述了与系统集成、可扩展性、数据管理、法规遵从和技术公平使用相关的关键挑战。所综述的研究强调了将AI集成到智能传感设备中以增加农业食品生产安全和可持续性的潜在益处。
2 Farm-to-fork smart sensing：现代农业系统逐步整合云计算、物联网（IoT）、精准农业和智能监测技术，以提升生产、可持续性和食品质量。这些数字技术支持可持续农业实践和全球粮食安全，同时促进高效农业资源管理。从农场到餐桌供应链中，新鲜食品易受微生物污染、化学污染物和过敏原影响，因此快速食品安全监测技术至关重要。图1展示了集成智能传感、可持续生物传感器、IoT连接、边缘-雾-云计算和AI驱动分析的框架，用于实时监测环境条件、污染物和产品质量，生成可操作数据，支持可追溯性、冷链管理、新鲜度评估、质量保证和食品认证。
2.1 Modern Agri-food systems and food safety imperatives：现代农业食品系统面临食品安全、环境可持续性和消费者需求增长的挑战。消费者关注食品质量、产地、污染和供应链可见性。全球食品贸易和复杂供应网络增加了微生物污染、农药残留、重金属和食品变质风险。纳米生物传感器、生物传感器、化学传感器和微流控技术用于检测食品相关威胁。物联网（IoT）、云计算、区块链和无线技术集成增强可追溯性和质量保证。人工智能（AI）和数据分析重塑食品安全，通过自动监测、预测分析和快速数据解释，减少食品浪费，改善可持续农业。
2.2 Biosensing technologies: foundations and evolution：生物传感器技术由生物识别元件（如酶、抗体、细胞或核酸）和换能器组成，将生物相互作用转换为电、光、热或机械响应。纳米材料、表面功能化和微加工方法进步提高了灵敏度、选择性和响应时间。电化学、光学、压电和场效应晶体管生物传感器广泛研究。人工智能（AI）、可穿戴电子、微流控平台和无线通信系统进一步推动发展。现代生物传感器实现实时、多模态检测，可穿戴和植入式设备用于非侵入性监测，推动精准医学和下一代医疗保健。研究聚焦多功能设备，集成检测、传输和数据处理，采用MXenes、金属有机框架（MOFs）、导电聚合物和混合纳米复合材料，以及芯片实验室技术实现高通量分析和短测试时间。
2.3 Role of artificial intelligence in biosensor data analytics：人工智能（AI）在生物传感器分析中处理复杂生物信号，机器学习（ML）算法识别隐藏模式、相关性和异常，提高检测精度和可靠性。监督和非监督学习用于信号分离，深度学习（DL）处理成像、光谱和电化学数据，迁移学习（TL）补充农业中标记数据不足。AI与可穿戴生物传感器结合实现植物生理、动物健康、土壤成分和环境因素的连续分析，支持实时决策。神经网络（NN）模型分析复杂电化学、光学和成像数据集，检测食品掺假、植物病原体、微生物污染物和环境应激源。
3 Sensor technologies for farm-to-fork monitoring：传感器技术监测温度、湿度、土壤水分、养分水平等关键参数。先进光学、电化学和生物传感系统快速识别病原体、过敏原或化学污染物，确保食品安全并减少损失。图2展示了AI传感器在智能农业、质量检查、智能运输和存储、零售消费中的应用。智能传感器帮助减少腐败风险，控制温度、湿度、气体成分和微生物活动。智能包装系统提供实时新鲜度和污染状态信息，增强消费者信心。表3和表4总结了不同供应阶段传感技术和商业产品。
3.1 In-field biosensors for plant and soil health：现场生物传感器快速评估土壤和植物特性，检测生物相关化合物、pH、盐度和养分缺乏，无需广泛实验室研究。纳米材料和电化学传感技术提高检测精度和耐久性。可穿戴植物传感器和土壤传感器实现原位分析植物生理、养分交换和环境变化，数据集支持灌溉、养分管理和早期胁迫检测。无线通信技术使现场生物传感器构建物联网（IoT）网络，实时收集和传输数据。AI和ML算法评估复杂数据集，预测作物性能，实现自主农业监测系统，促进气候适应型农业和资源高效利用。
3.2 Post-harvest and supply chain sensing：采后损失是食品系统主要关注点，先进传感技术提供环境和产品特性实时数据，早期检测影响食品安全的因素，延长存储期。温湿度监测对控制微生物生长、水分损失和产品变质至关重要。气体传感器（如乙烯、氨、二氧化碳、挥发性有机物（VOCs））评估食品新鲜度和质量，实现非破坏性检测。电化学和光学生物传感器快速高灵敏度检测食源性感染、真菌毒素、农药残留和过敏原，减少实验室测试时间。智能传感器网络提供连续数据、远程监测和自动报告，改善可追溯性和供应链可见性。智能包装嵌入传感器，但尚未广泛商业应用。
3.3 Multi-modal and biosensor fusion approaches：多模态传感融合光学、光谱、电化学和环境传感器数据，提供更全面的生物和生理条件图景，提高测量鲁棒性，减少假阳性/假阴性。传感器融合方法集成细胞传感器、免疫传感器、酶生物传感器和核酸传感器，提高精度和检测置信度，尤其适用于多生物标志物同时评估（如食品污染物、病毒、过敏原）。AI和ML解码复杂传感器数据，增强对动态生物过程的理解。智能传感结合云计算、IoT和生物传感，推动数字系统集成。层次化传感器融合（数据级、特征级、决策级）克服单一传感器局限，结合数字孪生和边缘分析实现自适应监测。标准化数据格式、同步信号采集和互操作协议对可靠融合至关重要。多模态传感在整个农场到餐桌监测中提供广泛视角，如田间结合成像和环境传感器早期检测作物胁迫，存储结合气体传感器和温湿度传感器准确评估新鲜度，促进预测性质量控制和及时干预。表5比较了不同生物传感器平台的分析性能、优势和局限性。
4 Sustainability considerations：可持续性在农业中日益重要，安全标准实施和执行更加关键。合成肥料、农药、兽药和食品加工化学品需持续监测。农场到餐桌监测系统需符合可持续原则，考虑产品平均寿命，保证食品安全同时结合土壤质量和环境保护标准。
4.1 Energy efficiency and green chemistry in sensor design：传感器、AI和数字监测的能源消耗问题突出。低功耗设备、节能数据处理和固态电子学设计实现高分析性能与低能耗。绿色化学在传感器设计中减少环境足迹，采用纤维素基材料、生物衍生聚合物、可生物降解基底和生态友好合成方法，替代传统材料，降低对有害化学品的依赖。生命周期评估（LCA）量化从原材料提取到处置的环境影响，识别实验室规模未注意的环境权衡。例如，可生物降解基底制备可能高能耗，纳米材料合成可能增加温室气体排放。未来研究需结合LCA标准指标，平衡性能与环境影响。自供电方法（太阳能电池、生物燃料电池、摩擦纳米发电机）减少对传统电池需求，但全生命周期评估仍有限，需提高可回收性和生物降解性，开发循环设计策略。
4.2 End-of-life and circularity of sensing platforms：传感器广泛使用可能导致电子废物问题，需融入循环经济原则。传感器设计应注重可回收、可拆卸、材料回收友好。模块化设计允许修复、更换或重用部分组件，使用可回收导电材料、生物衍生聚合物和可生物降解基底延长寿命。智能包装和可追溯系统（如印刷RFID标签、柔性电子标签）优化寿命终止管理，帮助废物分类和产品回收。循环设计需从开发初期考虑，结合生命周期评估、可持续材料选择和寿命终止回收规划，同时保持分析性能和经济可行性。
5 Multi-threat detection frameworks：农业过程易受多种威胁影响，多威胁检测系统设计用于检测微生物、化学物质（如肥料、农药）和过敏原（如麸质、乙酸）。污染影响客户信任、市场稳定和食品安全，供应链监测至关重要。便携传感器实现实时数据采集，提高现场监测能力，创建大数据用于食品安全管理。多氯联苯（PCBs）、二噁英、农药等需监测以确保合规。AI驱动生物传感流程：样品采集，通过生物传感检测化学残留和病原菌，数据输入AI管道进行信号处理、模式识别、异常检测和风险预测，支持基于证据的决策（如污染控制、精准农业管理、优化存储条件）。食品安全威胁分为生物（细菌、病毒、真菌、寄生虫）、化学（农药、兽药、真菌毒素、重金属、过敏原、环境污染物）和物理（金属颗粒、塑料颗粒、玻璃碎片）三类。
5.1 Pathogen and contaminant detection：传统病原体检测方法（酶联免疫吸附试验（ELISA）、聚合酶链反应（PCR）、核酸探针杂交）需大量样品准备和富集，耗时较长。生物传感器结合换能器和微流控提高检测潜力，酶联寡核苷酸探针方法快速特异性检测病原体。微生物作为生物受体检测重金属和其他污染物，结合IoT、区块链和AI提高准确性。智能手机适体传感器平台提供便携检测。生物传感器技术发展显著降低检测限，缩短分析时间。表6列出代表性智能生物传感技术的分析性能，如电化学适体传感器对黄曲霉毒素B1检测限达620 aM，响应时间20秒；智能手机双模式适体传感器检测限0.971 fg/mL等。
5.2 Chemical residues and pesticide monitoring：化学残留、农药和兽药污染是重大食品安全和环境危害。高灵敏度传感方法用于现场检测，光学和电化学生物传感器高效检测农药和污染物。纳米材料便携检测系统实现快速非破坏性分析。新兴多功能纳米材料（金属纳米颗粒、量子点、分子印迹聚合物）提高灵敏度。集成生物传感器控制从田间到餐桌的污染。商业应用包括光学分选系统（高光谱成像结合ML）检测水果缺陷，RFID温度监测用于冷链物流。但多路复用生物传感器仍处于概念验证/试点验证阶段，需解决长期稳健性、制造可扩展性和法规验证。商业化成功需考虑制造成本、传感器耐久性、标定稳定性、维护需求和与现有基础设施集成。
6 Enhanced AI-driven data management and intelligent decision support systems：现代农业食品系统产生大量碎片化数据，需有效管理和分析。机器学习在数据管理中起重要作用。异常检测帮助决定应采取的措施。需求智能、安全、易用的可视化工具和仪表盘。
6.1 Data acquisition, privacy, and security：农业食品系统生成大量生物信号和图像数据。远程传感器和自主机器收集数据，需确保数据隐私和防止篡改。数据封装和加密是可能方法。边缘计算在传感点处理数据，提供快速决策和低延迟。雾计算作为中间层，减少网络流量，提供分布式分析。云计算提供大量存储和计算能力，支持高级ML模型开发。
6.2 Machine learning models for anomaly detection：异常检测用于识别故障传感器、异常天气和作物异常。技术包括孤立森林、背景减除和神经网络。自回归积分滑动平均模型（ARIMA）和长短期记忆网络（LSTM）用于传感器偏差检测。深度学习LSTM网络和自编码器用于多维传感器数据异常检测。不同算法（深度循环自编码器、椭圆包络、孤立森林、局部异常因子、一类支持向量机（One-Class SVM））比较。AI驱动生物传感的分析流程包括数据采集、信号预处理、特征提取、模型训练、验证和实时预测。卷积神经网络（CNN）用于成像和高光谱数据，LSTM处理时间序列数据，随机森林用于分类。模型评估使用准确率、精确率、召回率、F1分数、受试者工作特征曲线（ROC）和曲线下面积（AUC）。模型性能依赖训练数据质量和多样性，传感器漂移、观测缺失、环境变异和数据集不平衡可能导致预测偏差，需多站点数据集、外部验证、可解释AI和标准化基准协议。
6.3 Visualization, dashboards, and stakeholder interfaces：数据可视化和交互组件位于决策支持系统架构中心。传感器融合和ML预处理中间件处理数据，创建决策模型。先进智能传感云平台分析数据并生成特定领域建议，通过图形仪表盘呈现，供供应链参与者跟踪效果，产生报告，促进协作和策略优化。
7 System architecture and integration strategies：系统架构和集成策略是当前框架的重要组成部分，旨在解决农业食品系统挑战，促进健康、安全和可持续食品生产。欧洲研究致力于构建全面农场到餐桌传感基础设施，不同实现方法带来挑战和机遇。
7.1 Edge, fog, and cloud computing paradigms：现代农业食品系统复杂，面临病虫害、化学污染、毒素、过敏原和环境应激等威胁。智能传感、生物传感器和AI改变风险评估过程。边缘、雾和云计算技术实现实时数据分析，减少延迟、可扩展性、隐私和存储问题。智能传感结合AI和先进计算促进更智能、更可持续的农业食品系统。
7.2 Interoperability and standards：本地数据分析和ML需求增加，本地数据处理提高响应时间、隐私级别并降低传输成本。层次分析系统在边缘进行初始处理，仅发送必要数据到云。雾架构比传统云架构性能提高约63%。小型传感器和物联网（IoT）产生大量信息，嵌入式计算在本地处理，企业可根据需求分配计算任务。
8 Challenges, risks, and ethical considerations：智能传感设备在农场到餐桌链中应用面临技术、物流、监管和伦理问题。大规模应用需要成本效益、易于安装和适应不同农业环境。多功能传感器监测不同参数，频繁监测识别变化。技术数据标准在世界部分地区仍碎片化，不同国家食品安全优先级不同。伦理考虑包括技术分布不均，特别是发达与发展中地区差距，需确保平等获取、建立信任和包容性。
8.1 Technical and operational barriers：生物传感器功耗和响应时间需平衡，电池或能量收集技术确保持续运行。设备前端预处理和网络连接，数据融合技术减少数据量。隐私和安全问题，需严格实践，采用联邦学习保护敏感数据。数据存储和保留需符合法律。天气、生物电磁信号或化学残留影响信息质量。计算和财务资源限制，复杂AI算法需大量计算和频繁软件更新，传感器制造、标定、连接、维护成本对小型农户构成障碍，需降低生产成本、提高边缘计算效率、开发开源分析平台。
8.2 Regulatory and compliance landscape：全球监管机构利用传感器和ML监测食品安全。近红外（NIR）技术结合AI快速检测污染物和病原体，确保符合法规。欧盟监管数百种农药化合物。需要标准化基准评估AI模型性能，使用统一验证程序、标准化指标（精确率、召回率、F1分数、ROC-AUC），以及外部独立数据集验证，发展公共基准数据集，促进可重复性和算法比较。
8.3 Equity, access, and global north–south dynamics：全球南方国家约四分之三面临低食品可及性，受气候变化影响。新技术可能加剧不平等，需确保创新可及、可负担并适应不同社区条件。包容性知识转移和创新系统有助于可持续农业。监管接受和标准化分析验证（如食品法典委员会（Codex Alimentarius）一般原则和ISO 16140系列）对生物传感器商业化至关重要，需满足灵敏度、特异性、准确度、精密度、重复性和稳健性。数据所有权、隐私、网络安全和互操作性需透明治理结构，建立通信标准确保不同制造商和操作条件的信息交换。
8.4 Critical perspectives and future research needs for AI-enabled smart sensing：AI驱动生物传感在实验室环境表现良好，但实际应用中模型鲁棒性可能下降，预测误差因传感器漂移、样本异质性、环境条件和数据质量而异。需区分已证实技术（如病原体检测、污染物检测和质量控制）和初步概念（如数字孪生、多模态传感器、自主决策）。绿色危害分析与关键控制点（Green HACCP）方法将环境可持续性纳入食品安全管理。未来研究需标准化基准协议、透明报告模型、外部验证和可解释AI，以提高可重复性、监管接受和实际适用性。
9 Future perspectives：数字孪生模拟作物、食品加工和供应链运营，集成实时传感器数据，实现预测性风险管理。多模态基础AI模型整合生物传感器、卫星图像、天气记录、基因组数据等，创建广泛决策支持系统。边缘AI在设备上实现智能分析，降低通信延迟；联邦学习实现协作模型开发而不牺牲数据隐私。下一代农场到餐桌监测系统趋向自主生态系统，智能生物传感器连接机器人平台、自主车辆、无人机和自动食品检测设备，但需硬件可靠性、互操作性、部署成本和国际标准法规指导。未来研究需开发可扩展、可解释和互操作的AI生物传感系统，从实验演示转换到实际应用。
9.1 Commercialization and industrial translation：AI驱动生物传感技术商业化面临挑战，许多实验室高分析性能，少数推进到商业化。需关注制造可扩展性、长期稳定性、标准化制造工艺。科研、技术开发者、监管机构和食品工业需密切合作。监管接受、成本可行性和与现有食品生产集成是关键。生物传感器需满足严格验证标准，对多种食品基质可重复，符合国家和国际标准。简化设备操作和降低制造成本对中小企业和资源受限农业系统至关重要。
