综述：食品检测与安全评估中多源异构数据的仿生融合策略最新进展：批判性综述

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Recent advances in biomimetic fusion strategies for multi-source heterogeneous data in food detection and safety assessment: A critical review

　　

摘要背景：全球食品安全危机和严格的追溯要求需要将供应链中通过多种传感器获得的复杂数据进行集成。虽然人工智能推动了多源融合的发展，但传统模型往往难以适应动态的现实环境。为了应对这些挑战，仿生融合策略提供了一种高度灵活且稳健的解决方案。通过模拟生物过程并不断从新信息中学习，它们有效地整合了来自各种检测技术的复杂数据。

范围与方法：本文综述了近期在食品检测中获取多源异构数据的仿生融合策略方面的进展。我们首先将传感数据分为结构化数据和维非结构化数据。在计算智能演化的指导下，我们分析了三种融合模式（即固定模式融合、动态模式融合和主动模式融合）的互补进展、数据集适应性。具体而言：（i）固定模式融合能够实现高效且稳定的集成，但灵活性有限；（ii）动态模式融合能够实现上下文感知适应，但计算复杂度更高；（iii）主动模式融合支持自主的、目标导向的探索，但面临训练不稳定和环境依赖的问题。这三种机制突出了从被动聚合到智能探索的协同演化。最后，通过总结代表性的食品应用，我们强调了未来克服任务导向传感器协调、复杂基质适应性、资源高效主动感知、闭环检测、现实世界域偏移以及可解释融合决策等关键瓶颈的研究方向。

主要发现与结论：仿生融合策略在提高食品检测准确性和决策自主性方面显示出巨大潜力。通过利用互补的固定、动态和主动模式，这些策略推动了从被动聚合向主动信息获取的范式转变。它们的适用边界主要取决于任务稳定性、对自适应表示的需求以及交互感知的可行性：在采集条件稳定的标准化检测任务中首选固定模式融合；当融合关系必须适应样本、传感器或环境变化时，动态模式融合更为合适；而在系统能够迭代获取额外信息以支持决策的开放或不确定的场景中，主动模式融合是适用的。在这些应用边界中，复杂食品基质、传感器漂移、微弱或局部危害以及模型可解释性有限等挑战依然存在。未来在不确定性驱动的主动感知、闭环反馈、边缘计算、数字孪生和轻量级算法方面的进展，预计将支持更值得信赖的食品安全监管。

引言
食品质量与安全对于保障公共健康和支持全球经济稳定至关重要。据统计，全球每年约有 6 亿人因受污染的食品而患病，导致约 42 万人死亡（世界卫生组织，2022 年）。此外，食品欺诈每年给全球造成约 300 亿欧元的经济损失（粮农组织，2021 年）。在现代食品生产系统中，质量与安全评估在确保产品合规性和市场信誉方面发挥着关键作用。目前，全球供应链日益复杂，病原体、微生物污染和农药残留等问题频发，对公共健康和消费者安全构成严重威胁。与此同时，消费者对食品信息透明度的期望稳步提高，超过 70% 的全球消费者更倾向于购买可追溯的食品产品（IBM，2023 年）。为了满足消费者对透明度和全面安全保障的双重需求，快速、实时且无损的检测作为透明监管和供应链质量控制连续性的关键技术基础。因此，这一总体趋势推动了开发高效、准确且广泛适用的无损检测技术的迫切需求。

多源数据的深度集成构成了智能食品检测系统生命线的核心，旨在设计一个高效可靠的评估框架（H. Zhang 等，2025 年）。然而，随着传感硬件的快速发展，现代食品检测系统采用了多种传感技术，包括用于成分分析的红外光谱仪、用于气体和味觉感知的电子鼻（E-nose）和电子舌（E-tongue）、用于空间 - 光谱成像的高光谱相机以及用于内部结构分析的计算机断层扫描（CT）扫描仪（图 1）。这些传感器捕获跨多种模态的多样化信息，包括光谱、视觉、嗅觉、声学和纹理数据。这些传感器在格式、规模和语义上的异质性给数据融合带来了相当大的挑战，严重阻碍了稳健且可推广的检测模型的发展（Xiao 等，2025 年）。

为了克服这一瓶颈，多源异构数据融合技术正在逐步重塑食品检测的范式。它们的发展可以解释为从预定的感觉集成到依赖上下文的自适应融合，最终到目标导向的主动信息获取的概念性仿生进展。这一进展构成了本综述的总体框架，包括固定模式、动态模式和主动模式融合。固定模式融合借鉴了相对硬接线的馈前收敛和预定的感觉集成，这体现在视网膜信号收敛、皮层特征池化和上丘的多感觉集成中，从而在标准化条件下提供稳定高效的集成。动态模式融合受群体行为层面的局部交互、自适应协调和自组织启发，以及神经和认知层面的选择性注意、非线性多感觉集成、基底神经节门控和可靠性加权贝叶斯线索集成启发。这些机制能够根据数据质量、上下文变化和传感器可靠性调整模态贡献。主动模式融合进一步纳入了受大脑启发的主动认知，其中信息增益驱动的主动寻求、奖励预测误差和跨模态空间注意支持“目标导向的感知 - 决策 - 反馈”循环和顺序信息获取。图 1 总结了三种仿生融合模式、其技术方法及其相关的生物神经/认知机制之间的对应关系。

在这些范式的指导下，当前的基础研究展示了从固定模式到动态模式集成的转变，这已广泛应用于食品真实性、质量分级和安全监测。早期的应用主要依赖固定模式方法，包括数据级融合、基于主成分分析（PCA）等方法的特征级融合以及决策级融合。作为固定模式集成的近期代表，Wei 等（2025 年）应用 PCA 从成像、电子鼻和电子舌数据中提取稳定的基线特征，实现了绿茶的高精度质量预测。同样，预定义的光谱融合规则已被有效用于掺假油样品的精确量化（Ahmmed 等，2022 年）。然而，随着检测任务变得越来越复杂，研究逐渐转向动态模式方法，使用注意力机制或深度学习（DL）架构来实现上下文感知适应性。突出这种动态能力的是，Su 等（2024 年）开发了多模态 FoodFlavorNet，它动态捕获图像和文本模态之间的语义相关性，将风味识别准确率从 48.76% 显著提高至 64.28%。这种从刚性基线集成向上下文感知网络的转变，大幅提高了这些系统的检测准确率、鲁棒性和可解释性。

尽管应用广泛，但食品供应链数据集的持续演化暴露了固定和动态模式的固有局限性。现代食品检测数据集日益具有超高维度、极端多源异质性和动态不可预测性（例如，巨大的样本变异性、环境噪声和长期传感器漂移）。面对这种数据演化，传统方法面临严重瓶颈。固定模式方法严重依赖预定义的数学规则，缺乏适应数据分布变化的灵活性。此外，虽然动态模式方法可以根据输入变化在模型推理期间调整权重，但它们是在被动处理范式下运行的。它们完全依赖于预先收集的完整数据集和预设的反馈路径，使得它们无法检测缺失信息或决定激活特定传感器的时间以最小化冗余和成本。因此，为了满足现代监管框架的严格要求，过渡到主动模式（自主融合）成为不可避免的未来趋势。受生物群体中的集体智能和自适应决策启发，主动模式利用强化学习和主动学习，从被动聚合过渡到主动信息获取，使能够实时优化传感资源配置。最终，实现异构数据的全部潜力需要将固定模式的稳定性、动态模式的适应性和主动模式的决策自主性综合成一个针对整个食品供应链的综合智能评估框架。

总之，食品检测中的多源异构数据融合策略已从传统的固定模式方法转向包含自适应调节和决策自主性的动态和主动架构。虽然现有的综述为多模态融合奠定了坚实的基础，但它们主要关注已建立的被动特征堆叠范式。为了补充这些工作，我们系统地考察了这些数据融合范式（分为固定、动态和主动模式）在食品质量与安全监测中的发展和近期应用。我们分析了结构化、非结构化和高光谱传感数据的表示，这些融合范式的潜在机制，以及它们在包括谷物、水果、蔬菜和基于蛋白质的食品在内的关键农业和食品部门的性能。我们进一步讨论了关键的技术挑战，包括任务导向的传感器协调、基质诱导的变异性、传感器漂移、资源高效的主动感知、微弱或局部危害的闭环检测、现场条件下的域偏移以及融合决策的可解释性和可追溯性。通过建立固定、动态和主动模式融合的系统框架，本综述为多源信息处理提供了方法论指导，并为将智能食品检测系统从实验室环境扩展到实际应用提供了实践见解。

章节片段
结构化传感器数据
结构化数据是指具有预定义模式的信息，其特征是高度组织化，允许其在二维表（行和列）中进行系统存储、管理和访问。在食品检测中，各种定量传感器测量属于此类，例如反映食品加工和储存条件的参数、气体成分测量、物理化学指标和微生物测试指标。其根本原因在于

仿生融合策略
传统单一检测技术（如色谱和质谱）存在局限性，使其越来越难以满足现代对快速、无损和高通量分析的需求。为了应对这一挑战，多源异构数据融合技术应运而生。通过协同集成包括图像、光谱、视频/音频、传感器数据、物理化学指标和文本信息在内的多样化数据源，它使能够

食品检测与安全评估中的应用
随着人工智能（AI）、深度学习（DL）和智能传感技术的快速发展，仿生多源融合方法已广泛应用于食品供应链的多个环节。鉴于不同农产品在质量评价标准、安全评估标准以及储存和运输条件方面的多样性，数据融合策略的技术要求和应用场景也随之不同。按...分类

挑战与未来展望
尽管食品质量与安全监测中的多源异构数据融合取得了近期进展，但仿生融合策略的实际实施仍受到几个未解决挑战的限制。这些挑战不仅限于数据量或模型准确率，而是与食品测试的独特特征密切相关，包括复杂食品基质、局部和痕量污染、传感器漂移、现场级资源限制以及对...的需求

结论
我们提出了一种用于监测食品质量与安全的仿生多源异构数据融合框架。该框架将食品相关数据源、传感器模态、融合策略和应用联系起来。它解释了多模态食品检测从简单的数据聚合向感知、适应性和主动决策转变的过程。一个关键结论是，三种仿生融合模式具有不同的实际作用：（i）固定仿生融合适用于

CRediT 作者贡献声明
Zhijun Chen：概念化，撰写 – 初稿。Jingwen Yang：形式分析，撰写 – 初稿。Kang Du：撰写 – 审查和编辑，验证。Keke Zhang：调查，验证。Yuan Yang：调查，监督。Chunmeng Chen：形式分析，数据整理。Wuyi Ming：调查，监督，资金获取。

资助
本研究由河南省重大科技项目（编号：241100220100）、广东省基础与应用基础研究基金（编号：2022A1515140066）和河南省科技研究与发展项目（编号：262102221018）资助。

利益冲突声明
作者声明，他们没有已知的可能影响本论文所述工作的竞争性财务利益或个人关系。

Zhijun Chen|Jingwen Yang|Kang Du|Keke Zhang|Yuan Yang|Chunmeng Chen|Wuyi Ming
河南省高端装备智能制造重点实验室，郑州轻工业大学，郑州，450002，中国