综述：人工智能集成的多感官平台用于园艺作物采后生理变化的实时监测

《Sustainable Food Technology》：AI-integrated multisensory platforms for real-time monitoring of postharvest physiological changes in horticultural cropsOpen Access

　　

园艺作物（包括水果和蔬菜）的采后损失仍然是一个关键的全球性挑战，据估计，从收获到零售之间损失了总产量的13.2%至15%，而在发展中地区损失经常超过40%。这些损失主要由活跃的生理过程驱动，包括呼吸作用、蒸腾作用和乙烯生物合成，这些过程共同导致品质快速退化、组织软化和微生物腐败。传统的采后品质评估方法大多是破坏性的、劳动密集型的，并且无法提供动态供应链管理所需的连续、操作实时数据。近年来，人工智能（AI）与多感官平台的集成已成为一种非破坏性解决方案，用于近实时和连续地监测采后生理变化。本综述提供了三个新颖的贡献，使其区别于先前的综述：第一，对实时能力水平（0-4级）进行了系统分类，区分了离线分析、连续监测、在线分选、近实时批次分析和边缘推理；第二，通过验证成熟度框架（1-3级）对模型泛化证据进行了结构化评估，将概念验证研究、试点规模验证和商业部署区分开来；第三，对新兴方法（包括柔性传感器、可解释人工智能（XAI）、数字孪生和区块链）的技术成熟度进行了平衡评估，区分了经过验证的应用和推测性概念。本综述涵盖了光学传感器（高光谱成像、近红外光谱、计算机视觉）、气体传感器（电子鼻、金属氧化物半导体阵列、乙烯特异性传感器）和环境物联网传感器。详细研究了先进机器学习和深度学习算法（包括支持向量机（SVM）、随机森林（RF）、卷积神经网络（CNN）和多传感器融合架构）在处理复杂、多维传感器数据中的应用，重点在于预测硬度、可溶性固形物含量（SSC）、成熟阶段和货架期。本综述进一步探讨了边缘计算和物联网架构在冷链物流中的集成，实现了真正的实时决策和自动气候控制。尽管取得了显著进展，但传感器漂移、模型在品种、季节和仪器之间的泛化能力差以及硬件成本等挑战仍然存在。这些技术的可持续性效益，包括减少食物浪费、资源使用和温室气体排放的潜力，必须与传感器生产、电子废物、基础设施要求的生命周期影响以及发展中地区仍然特别突出的采用障碍进行权衡。涵盖了包括柔性可生物降解传感器、可解释人工智能（XAI）、数字孪生和基于区块链的可追溯性在内的未来展望，为下一代智能采后管理系统提供了研究议程。

**1 Introduction**
园艺作物包括水果、蔬菜和观赏植物，采收后仍进行呼吸、蒸腾和激素产生，导致衰老和腐败。采后损失严重，全球约13.2%至15%的粮食在收获至零售阶段损失，水果和蔬菜损失比例更高，在发展中国家某些价值链中近45%被丢弃。AI集成监测技术有潜力减少损失，但面临成本、基础设施和技术能力等障碍。采后劣化的主要生理过程包括呼吸作用（消耗底物并产热）、蒸腾作用（导致水分流失和萎蔫）以及乙烯生物合成（促进成熟和衰老）。传统评估方法如穿透计和折射仪为破坏性、劳动密集型且无法提供实时数据。本研究将“多感官平台”定义为结合两种或以上传感器模态（光学/成像、气体/挥发性有机物（VOC）、环境）与AI数据处理，实现非破坏性品质评估、生理状态监测或决策支持的系统。工业4.0技术（物联网（IoT）、大数据分析、AI）推动了采后管理范式转变，AI集成多感官平台通过深度学习与传感器融合可预测成熟度、检测腐败并估计剩余货架期。本综述为批判性叙事综述，采用系统性文献检索策略，重点分析2023-2026年最新进展，核心贡献包括对实时能力进行五级分类（0-4级），并评估技术成熟度。

**2 Literature search and selection strategy**
检索策略涵盖Scopus、Web of Science和Google Scholar，时间范围为2023年1月至2026年3月。纳入标准：同行评审原创研究或综述、英文、聚焦园艺作物采后品质监测、至少采用一种传感器模态结合AI方法、报告定量性能指标。排除标准：非英文、会议摘要、预印本、仅关注采前或田间应用、无验证传感器数据或AI模型性能报告、加工食品或非园艺商品。筛选流程包括标题/摘要筛选、全文审查、参考文献滚雪球，最终纳入210篇（178篇原创研究，32篇综述）。

**3 Postharvest physiological changes in horticultural crops**
理解采后生理变化是设计监测和保鲜策略的基础。不同作物类型（呼吸跃变型果实如香蕉、番茄、鳄梨；非呼吸跃变型果实如柑橘、葡萄、草莓；叶菜类；根茎类；鲜切产品）的生理过程差异显著，决定了传感器选择与监测策略。

**3.1 Respiration and energy metabolism**
呼吸作用是采后中心代谢过程，消耗有机底物产生二氧化碳（CO₂）、水（H₂O）和热量。呼吸速率是代谢活性和贮藏寿命的关键指标。温度每升高10°C，呼吸速率约加倍（Q₁₀≈2-3）。通过物联网（IoT）气体传感器连续监测CO₂和氧气（O₂）浓度可实时反映代谢速率，并动态调整气调贮藏（CA）条件。

**3.2 Transpiration and water loss**
蒸腾作用导致水分流失，引起萎蔫、硬度下降，5-10%的失重即可使商品失去市场价值。蒸腾速率受蒸气压差（VPD）调控，维持高相对湿度（RH，90-95%）至关重要。通过IoT湿度传感器连续监测RH，并通过称重传感器监测失重。

**3.3 Ethylene production and ripening**
乙烯（C₂H₄）是调控成熟和衰老的气体激素。呼吸跃变型果实成熟时乙烯和呼吸速率激增，触发叶绿素降解、色素合成、淀粉转化和细胞壁软化。非呼吸跃变型果实受外源乙烯影响。乙烯特异性传感器（电化学、金属氧化物半导体（MOS）或光学）可直接检测乙烯浓度，用于动态管理，如应用1-甲基环丙烯（1-MCP）抑制剂。

**3.4 Biochemical and textural changes**
细胞壁降解酶（如多聚半乳糖醛酸酶（PG）、果胶甲酯酶（PME））导致组织软化；淀粉水解增加可溶性固形物含量（SSC）。近红外光谱（NIRS）可预测SSC和干物质，高光谱成像（HSI）可进行空间化学映射，计算机视觉可监测颜色和表面特征。

**3.5 Comparative physiology across commodity types**
不同作物类别（呼吸跃变型、非呼吸跃变型、叶菜类、根茎类、鲜切产品）的生理主导过程、品质属性和劣化途径不同，对应推荐传感器模态各异，如表1所示（此处省略表格）。

**4 Multisensory technologies for postharvest monitoring**
现代监测平台采用多种传感器技术，包括光学/成像、气体/挥发性有机物（VOC）和环境传感器，各有优缺点和部署考量。

**4.1 Optical and imaging sensors**
**4.1.1 Computer vision (RGB imaging)** 基于红绿蓝（RGB）相机的视觉系统用于评估颜色、大小、形状和表面缺陷。深度学习（卷积神经网络（CNN）和YOLO）显著提升了实时高吞吐分选线上的准确性和速度。RGB系统成本低、吞吐量高（每通道每秒5-20个果实），但仅限于表面特征。
**4.1.2 Hyperspectral and multispectral imaging (HSI/MSI)** 高光谱成像（HSI）提供连续波长的空间和光谱信息，可检测内部缺陷和化学成分分布。实验室精度高（R² 0.85-0.97），但成本高（20,000-100,000+美元）、数据量大、采集速度慢，仍主要限于研究工具。
**4.1.3 Near-infrared spectroscopy (NIRS)** 近红外光谱（NIRS）基于有机分子对近红外光的吸收，用于预测可溶性固形物含量（SSC）、干物质和硬度。便携式可见-近红外（vis-NIR）光谱仪推动了现场实时评估，成本5,000-30,000美元，采集时间1-10秒，但需校准模型。

**4.2 Gas and volatile organic compound (VOC) sensors**
**4.2.1 Electronic noses (E-noses)** 电子鼻（E-nose）模拟嗅觉系统，采用金属氧化物半导体（MOS）传感器阵列结合模式识别。实验室条件下分类准确率90-98%，但存在传感器漂移、温度湿度依赖、交叉敏感性和校准负担等挑战，限制了商业部署。
**4.2.2 Ethylene-specific sensors** 乙烯传感器基于先进纳米材料（如钯掺杂二氧化锡（Pd-SnO₂）、铜基金属有机框架（MOF）），检测限低至ppb级。可实时监测乙烯浓度，触发乙烯清除系统或1-甲基环丙烯（1-MCP）应用。成本100-1,000美元/传感器，需定期校准。

**4.3 Environmental sensors (IoT)** 物联网（IoT）环境传感器连续监测温度（T）、相对湿度（RH）和气体浓度（O₂、CO₂），是智能物流基础设施的基础，为AI预测模型提供数据，触发自动警报和气候控制调整。成本低（50-500美元/节点），技术成熟度（TRL 8-9）。

**5 Artificial intelligence and machine learning in sensor data processing**
多感官平台的有效性依赖于从复杂噪声数据中提取有意义信息。人工智能，包括传统机器学习（ML）和深度学习（DL），提供了计算框架。

**5.1 Data preprocessing and feature extraction** 原始传感器数据需预处理消除噪声和漂移。对于光谱数据，常用多元散射校正（MSC）、标准正态变量（SNV）变换和Savitzky-Golay平滑。对于电子鼻（E-nose）数据，进行基线操作和归一化。降维和特征提取技术包括主成分分析（PCA）、偏最小二乘（PLS）和线性判别分析（LDA）。

**5.2 Traditional machine learning algorithms** 支持向量机（SVM）和随机森林（RF）用于分类任务（如成熟度分类），偏最小二乘回归（PLSR）和人工神经网络（ANN）用于定量预测（如硬度、可溶性固形物含量（SSC））。独立季节验证显示SVM对硬度预测R²=0.967，优于传统Arrhenius模型。

**5.3 Deep learning architectures** 卷积神经网络（CNN）主导图像数据处理，用于实时缺陷检测和品质分级。深度学习需大量标注数据，存在数据不平衡、过拟合、黑箱性质和计算需求高等问题。循环神经网络（RNN）和长短期记忆网络（LSTM）用于时间序列数据。**5.3.1 Attention mechanisms and transformer architectures** 注意力机制和Vision Transformer（ViT）在HSI分类中表现优于CNN，但需更多数据和计算资源。**5.3.2 Transfer learning and data augmentation** 迁移学习利用预训练模型在小数据集上实现高精度，数据增强（旋转、翻转、生成对抗网络（GAN））扩展训练多样性。

**5.4 Multi-sensor data fusion strategies** 多传感器融合整合互补信息（如电子鼻（E-nose）、近红外光谱（NIRS）、计算机视觉），分为低级（数据融合）、中级（特征融合）和高级（决策融合）级别。特征融合最常用。融合面临时间对齐、同步、缺失数据和计算复杂性等挑战。试点验证显示融合系统准确率超过97.74%。

**5.5 Performance metrics and validation strategies** 分类任务使用准确率、精确率、召回率、F1分数和AUC-ROC；回归任务使用决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）、残差预测偏差（RPD）和残差预测范围（RER）。验证策略包括随机划分、交叉验证、独立季节验证、独立品种验证和外部场地验证，后三者提供更强泛化证据。

**6 Applications of AI-integrated multisensory platforms**
**6.1 Real-time ripeness and maturity classification** 结合计算机视觉和电子鼻（E-nose）的AI平台在呼吸跃变型果实成熟度分类中准确率超过95%。在线分选系统（2级）在商业包装厂中处理速度达5-20个果实/秒。便携式可见-近红外（vis-NIR）光谱仪（3级）提供近实时批分析。
**6.2 Early detection of spoilage and disease** 高光谱成像（HSI）和近红外光谱（NIRS）结合深度学习可早期检测真菌病害（如灰葡萄孢菌），在症状出现前数天识别感染组织。电子鼻（E-nose）可检测病原体特定挥发性有机物（VOC）。商业部署仍待推进。
**6.3 Prediction of shelf-life and quality parameters** 多传感器融合（近红外光谱（NIRS）、电子鼻（E-nose）、环境传感器）预测硬度和可溶性固形物含量（SSC）表现优异，如SVM模型对‘库尔勒’梨硬度预测R²=0.967。**6.3.1 Firmness and textural quality prediction** 近红外光谱（NIRS）对苹果、梨、猕猴桃等硬度预测R² 0.85-0.97。**6.3.2 Soluble solids content and sugar prediction** 偏最小二乘回归（PLSR）对可溶性固形物含量（SSC）预测在柚子中R²=0.92，RPD=3.2。
**6.4 Cold chain logistics and smart packaging** 物联网（IoT）环境传感器（1级）连续监测温度、湿度、气体浓度，AI模型预测冷链偏差对货架期的影响。边缘计算（4级）实现本地推理和自动气候控制。智能包装集成比色传感器阵列（CSA）和射频识别（RFID）标签，结合智能手机AI图像分析提供近实时新鲜度指示。

**7 Edge computing and IoT integration for real-time monitoring**
**7.1 Architecture of IoT-based postharvest monitoring systems** 典型系统包括感知层（传感器阵列）、边缘/网络层（本地网关执行预处理和AI推理）和云/应用层（历史数据存储和模型训练）。通信协议包括Zigbee、LoRaWAN、低功耗蓝牙（BLE）和Wi-Fi。
**7.2 The role of edge computing in reducing latency** 边缘计算将轻量级AI模型部署在本地设备（如树莓派、NVIDIA Jetson），实现亚100毫秒推理延迟，带宽减少90-95%，能耗降低30-50%，不依赖云连接。
**7.3 Wireless sensor networks (WSN) in storage facilities** 无线传感器网络（WSN）实现大规模冷库高空间分辨率监测，识别局部热点，结合射频识别（RFID）记录器实现全面冷链监控。
**7.4 Defining real-time capability through a classification framework** 定义五级实时能力：0级（离线/回顾分析）、1级（连续环境监测）、2级（在线分选分级）、3级（近实时批分析）、4级（边缘推理与自动执行）。各级别操作要求和部署证据不同。
**7.5 Practical implementation constraints and edge device management** 实际部署需考虑功耗（10-100 mW主动模式）、连接性（LoRaWAN覆盖5-15 km）、互操作性、网络安全、模型更新、环境防护（冷凝、振动）和校准维护（电子鼻（E-nose）需每周至每日校准）。

**8 Challenges and limitations**
**8.1 Hardware limitations** 气体传感器漂移导致模型准确率5-15%下降，需频繁校准。先进光学传感器成本高，限制小中型农场采用。
**8.2 Data challenges and model generalization** 缺乏标准公开数据集，多数研究仅使用交叉验证，模型泛化差（跨品种性能下降8-12%，跨季节R²下降0.05-0.10）。存在校准传递、环境干扰、类别不平衡和不确定性估计不足等问题。
**8.3 Environmental interferences** 金属氧化物半导体（MOS）传感器响应受温度、湿度显著影响（每10°C变化5-15%响应变化），光学测量受表面冷凝和振动干扰。
**8.4 Implementation barriers in developing countries** 发展中国家损失最高但采用障碍最大：电力供应不稳定、技术专长缺乏、资本成本高、缺乏本地校准模型。解决方案包括智能手机分析、低成本比色指示剂、太阳能节点和共享基础设施。
**8.5 Regulatory and standardization gaps** 缺乏国际统一框架验证AI品质评估系统。欧盟AI法案将食品安全AI列为高风险，美国食品药品监督管理局（FDA）发布指南但具体要求待定。AI品质预测与食品安全合规测试不同，不可替代实验室检测。
**8.6 Validation-deployment gap** 概念验证（1级）、试点验证（2级）和商业部署（3级）之间存在巨大差距。多数研究停留在1级，仅少数达到2级或3级。
**8.7 Sustainability, lifecycle impacts, and adoption barriers** 成本（初始投资10,000-50,000+美元）、电子废物、数据基础设施要求和数字鸿沟构成障碍。可持续性效益需权衡生命周期影响，实际减排取决于能源来源和损失减少程度。技术需配合基础设施投资和政策支持。

**9 Future perspectives and emerging trends**
**9.1 Near-term opportunities (3–5 years)** 包括低成本柔性可生物降解传感器（技术成熟度（TRL）3-4，基于纳米材料）、边缘AI（TRL 6-7）和智能手机品质评估（TRL 5-6）。
**9.2 Medium-term opportunities (5–10 years)** 包括可解释人工智能（XAI，如SHAP、LIME，TRL 3-4）和数字孪生（TRL 2-3），用于提高模型透明度和供应链仿真。
**9.3 Longer-term ambitions (10+ years)** 包括基础模型（TRL 1-2）和完全自主供应链（TRL 1-2），需大量投资。
**9.4 Integration of blockchain for traceability** 区块链（TRL 5-7）增强可追溯性和数据完整性，但存在“垃圾输入垃圾输出”、成本、互操作性和隐私问题。AI预测集成仍处于早期。
**9.5 Strategies for improving model generalization and transferability** 包括域自适应（域对抗神经网络）、少样本学习（元学习）、校准转移（分段直接标准化）、混合建模（结合生理模型）和开放数据存储库。

**10 Comparative analysis of recent review papers**
与近期综述（如Fadiji等、Ahmed等、Gammanpila等、Valle-Lituma等）相比，本综述更全面整合了生理理解、传感器融合、边缘计算和实时监控，并提出了验证框架。

**11 Conclusion**
AI集成多感官平台在非破坏性预测品质方面能力显著，但模型泛化、传感器漂移、成本和技术壁垒限制了从概念验证到商业部署的过渡。未来发展需优先建立开放基准数据集、跨品种/季节验证、开发低成本传感器、改进漂移补偿、集成可解释人工智能（XAI）并在真实供应链中测试。这些行动将直接支持可持续性目标，减少采后损失，改善食品安全和温室气体排放。