综述：从被动应对到预测性储藏产品保护：面向智慧粮储的人工智能、数字孪生、生物传感器与多组学

《Journal of Stored Products Research》：From reactive to predictive stored-product protection: AI, digital twins, biosensors, and multi-omics for smart grain storage

　　

人工智能赋能智能储粮的预测性决策，实现韧性管理
数字孪生将被动式储粮转变为智能预测性防护系统
生物传感器实现实时监测，用于早期污染检测与控制
多组学识别分子标志物，精准预测品质劣变
信息物理系统实现自主、可持续、气候韧性储粮防护

引言

粮食储存在全球粮食系统中具有关键作用，因为收获后对谷物、豆类和油料的保存直接影响食物的可获得性、安全性、营养质量和经济价值（Guru等人，2022）。然而，储存中的商品仍然容易受到昆虫、螨虫、啮齿动物、真菌和微生物腐败的侵害，导致数量损失、营养退化、市场竞争力下降和真菌毒素污染（Tushar等人，2023）。重要的储粮害虫，包括象甲属（Sitophilus spp.）、赤拟谷盗属（Tribolium spp.）、大谷蠹（Rhyzopertha dominica）和谷蠹（Trogoderma granarium），以及产毒真菌如曲霉属（Aspergillus）、镰刀菌属（Fusarium）和青霉属（Penicillium），可在有利的储存条件下大量繁殖，损害粮食质量和安全性（Ikegwu等人，2022）。气候变化、粮食贸易全球化、农药抗药性增加、食品安全要求趋严以及消费者对无化学残留食品的需求，进一步增加了储粮保护的复杂性（Nath等人，2024）。因此，粮食储存越来越被视为一个复杂的动态系统，需要持续监测、预测和适应性管理，而不仅仅是一个害虫防治问题。

传统储粮保护历来依赖于被动式管理，包括定期检查、人工采样、预防性处理、熏蒸和杀虫剂施用（Hagstrum等人，2012）。尽管这些方法仍然重要，但它们经常受到延迟检测的限制。隐藏的虫口群体、局部湿度积聚、真菌发展和品质劣变可能在传统检查发现之前就已经形成。反复的化学处理还可能助长杀虫剂抗性、环境污染、职业暴露和化学残留（Albajes，2012；Scheff和Phillips，2022）。传统监测产生的是间歇性观察，而非储存条件的连续表征，这限制了预测快速变化的生物和环境风险的能力。因此，主要挑战正从确定已经发生了什么，转向预测接下来可能发生什么，以及应采取何种干预措施。

数字农业、人工智能（AI）、物联网（IoT）、先进传感、计算机视觉、机器人和信息物理系统的出现，为这一转变创造了机遇。人工智能和机器学习可以分析来自传感器、历史储存记录、气象数据和操作参数的多维信息，识别模式并预测虫害感染、真菌生长、水分迁移和品质劣变（Sun等人，2026；Duguma和Bai，2025）。物联网网络提供温度、湿度、水分、气体成分和其他储存变量的连续测量，实现实时监测和预警系统。这些能力支持及时和有针对性的干预，同时可能减少不必要的农药使用、能源消耗和运营成本。这一转变与农业5.0相一致，在农业5.0中，数字智能支持人类专业知识，以提高农业价值链的精准性、可持续性和韧性（Abedalrhman和Alzaydi，2025）。

数字孪生代表了这一技术转变的重要延伸。数字孪生是物理储存环境的持续更新的虚拟表示，它将实时观测与计算模型相结合，以模拟储存过程并预测未来条件（Awais等人，2025；Pereira等人，2026）。在粮食储存中，数字孪生可以模拟水分和温度动态、预测害虫或真菌发展、评估替代通风或熏蒸策略，并在物理干预实施前评估不同气候情景下的储存性能。与物联网、边缘计算、云分析和自动化控制的整合，可以将单个储存设施转变为响应式信息物理生态系统（Escribà-Gelonch等人，2024）。

先进生物传感器为环境监测提供了互补的生物维度。现代生物传感器可以高灵敏度和高特异性地检测挥发性有机化合物、二氧化碳释放、真菌代谢物、昆虫信息素、核酸、酶和真菌毒素（Bharti等人，2024；Grasso，2026；Salam等人，2026）。其快速且可能非破坏性的操作方式，使得能够早期检测到通过传统检查尚不可见的生物变化。当生物传感器的输出与人工智能和物联网网络整合时，生物信号可以成为持续预测性风险评估的一部分，而非孤立的实验室测量。

多组学进一步将预测性储存从环境观测扩展到机制理解。基因组学、转录组学、蛋白质组学、代谢组学、微生物组学和表观基因组学可以揭示昆虫适应性、真菌致病性、微生物演替、谷物生理响应以及与腐败和真菌毒素产生相关的分子途径（Younas等人，2025；Duan等人，2025）。这些数据集可以促进生物标志物发现，并加强人工智能模型的生物学解释。因此，系统生物学和计算智能可能共同为理解为何劣变发生提供更全面的认识，而不仅仅是检测到劣变已经发生。

近期的综述已经为智能储粮管理建立了重要的基础，但其重点通常仍然是针对特定技术的。基于物联网的粮食储存综述主要关注实时环境监测、预警系统、能源优化、库存管理和连接性。近期关于人工智能和机器学习的综述考察了虫害检测、粮食质量评估、真菌毒素监测、计算机视觉、自动化和预测分析方面的应用。其他综述则集中在监测技术、气调储存或粮食加工和储存中的更广泛技术创新上。这些贡献展示了巨大进展，但通常将人工智能、物联网、传感、数字孪生、自动化和生物技术作为独立的或松散连接的领域来处理。

因此，主要差距不在于单一技术的缺乏，而在于如何将这些技术相互作用以创造预测性储粮保护的有限系统级综合。以往的综述未能充分将连续环境传感、生物传感、AI预测、多组学机制信息、数字孪生模拟、自主决策支持和物理干预纳入单一框架。本综述通过提出以下问题来弥合这一差距：这些技术的融合能否提供一条从危害检测→风险预测→生物学解释→情景模拟→定向干预→反馈学习的更完整路径。

本综述的假设是，下一代粮食储存保护的有效性将越来越取决于互补技术的整合和互操作性，而非单一技术平台的孤立性能。AI提供预测分析；IoT提供连续连接性；生物传感器提供生物智能；多组学提供机制信息；数字孪生提供模拟和预测；机器人和信息物理系统提供自动化或半自动化干预的机会（图1）。

连续的环境和生物传感产生数据；AI和机器学习将这些数据转化为风险预测；多组学贡献机制生物学信息；数字孪生模拟储存轨迹和干预情景；信息物理系统支持定向干预和反馈学习。尽管存在这种潜力，实施仍受到数据互操作性、传感器校准、训练数据集不足、AI可解释性、网络安全、基础设施成本、监管不确定性、数据治理以及在不同商品、气候和储存系统中验证有限的制约（Rashid等人，2025；Manono等人，2026）。有效的整合还需要收获后技术专家、昆虫学家、微生物学家、工程师、计算机科学家、数据科学家和系统生物学家的协作。

因此，本综述综合了已发表的证据，涉及人工智能和机器学习、物联网、生物传感器、计算机视觉、机器人、数字孪生、信息物理系统和多组学在预测性储粮保护中的融合。批判性地考察了它们在连续监测、早期预警检测、预测建模、生物学解释、情景模拟、适应性决策和定向干预方面的贡献。特别关注气候韧性储存、可持续性、监管和伦理考量、互操作性、网络安全、可扩展性和未来研究优先事项。通过连接先前碎片化的技术领域，本综述提出了一个系统级视角，推动粮食储存从定期检查和治疗性处理转向连续传感、预测性风险评估、智能决策支持和适应性保护，从而支持更安全、更可持续、气候韧性和资源高效的储粮管理。

分节摘要

研究设计与综述框架

本系统综述按照PRISMA 2020指南进行，以确保方法论透明度、可重复性和全面报告（Page等人，2021）。本综述综合了预测性储粮保护的最新进展，重点关注人工智能（AI）、机器学习、物联网（IoT）、数字孪生、生物传感器、多组学、计算机视觉、机器人和信息物理系统的整合。鉴于现有的

粮食储存系统的当前瓶颈：弥合市场成熟技术与实施之间的差距

传统物理工程——如通风、筒仓设计、密封和合成熏蒸——已为收获后粮食保存提供了基础框架（表2）。商业智能技术，包括物联网多传感器阵列、机器学习微气候预测和光学计算机视觉，已经成熟并在市场上广泛可用（Ahmad等人，2026；Wu和Zhong，2025）。根本性瓶颈不再是缺乏

人工智能和机器学习在储粮管理中的应用

人工智能（AI）和机器学习（ML）正越来越多地应用于储粮管理，但其主要贡献应被理解为预测、推理和决策支持，而非传感、模拟或物理自动化的替代品（表4）（Fisher，2025；Yaiprasert和Hidayanto，2024）。传统储粮管理通常依赖定期采样和基于阈值的响应，而机器学习可以学习

物联网赋能的智能储存基础设施

物联网（IoT）技术提供了将粮食储存从定期检查转变为连续、数据驱动管理所需的传感和连接层（图5）。其主要价值不在于连接设备的数量或通信协议，而在于将空间分布的测量转化为及时信息，以预测劣变和控制储存条件。在散装谷物中，温度、水分、呼吸、昆虫

粮食储存的数字孪生技术

数字孪生技术正成为收获后粮食管理中最具变革性的创新之一，提供物理储存系统的虚拟实时表示（图6）（Subeesh和Chauhan，2026）。数字孪生最初为航空航天和先进制造而开发，已演变为智能信息物理系统，持续整合传感器数据、计算模型、人工智能（AI）和预测分析，以模拟、监测，

多组学用于理解粮食-害虫-微生物相互作用

储存粮食应被视为一个动态的生物生态系统，而非惰性商品，其中谷物生理、昆虫、真菌、细菌、螨虫和环境条件持续相互作用（图7）。多组学——包括基因组学、转录组学、蛋白质组学、代谢组学、宏基因组学、宏转录组学、脂质组学和微生物组学——提供了这些相互作用的互补视图，可以揭示先于传统劣变指标的分子变化。

生物传感器用于早期检测害虫、真菌和真菌毒素

生物传感器为更早检测到储存粮食中的生物劣变提供了一条重要途径，但其当前成熟度远低于广泛流传的"实时监测"叙事所暗示的水平。大多数报道的系统仍处于实验室或受控试点阶段，相对较少的系统在商业筒仓或仓库中进行了长期验证。其主要优势在于能够测量生物标志物——挥发性化合物、气体、代谢物、核酸

计算机视觉和机器人用于自动化检查

计算机视觉目前是自动化粮食检查中更成熟的组成部分，而机器人部署仍相对有限，主要处于实验或试点规模（表6）。因此，主要机会不仅仅是替代人工检查，而是将基于AI的成像与移动传感平台相结合，能够反复采样空间异质性的储存环境。传统检查依赖人工采样、目视评估、诱捕器和

气候变化与预测性储存模型

气候变化正将粮食储存从维持固定环境阈值的问题转变为管理随时间和地点变化的风险问题。气温升高、湿度不规律、热浪、降雨模式改变和害虫分布变化可以同时加速昆虫发育、谷物呼吸、真菌生长和真菌毒素形成（Gottlieb等人，2018；Kos等人，2023；Labudda等人，2025）。因此，预测性储存的价值

信息物理系统用于精准储存

信息物理系统（CPS）将智能粮食储存扩展到监测之外，在物理储存过程和计算决策之间建立闭环控制（An等人，2017；Kumar等人，2024）。其独特贡献不在于单独使用物联网传感器、AI或数字孪生——这些在其他地方已有讨论——而在于将这些组件连接到物理执行器的能力，使预测的风险能够触发受控干预。这创造了从

智能粮食储存的国际监管框架

AI赋能粮食储存的监管挑战正从食品安全本身转向自动化、数据密集型决策系统的治理。人工智能、数字孪生、物联网网络、生物传感器和多组学可以影响害虫检测、熏蒸、环境控制、分级和粮食储存释放的决策，但大多数现有的食品安全框架并未设计用于验证此类系统（Balta等人，2025；Uzunov和Angeleska，2026）。食品法典

研究差距与未来展望

文献表明向智能粮食储存管理取得了重大进展，但主要限制已不再是单一技术的缺失。相反，证据基础仍然碎片化、缺乏标准化，并且在真实储存环境中的验证不足。

AI、数字孪生（DTs）、生物传感器、物联网（IoT）以及多组学技术各自都展现了早期检测和预测的潜力，然而鲜有研究展示这些技术的实际表现。结论：从被动反应式向预测性粮储管理的转变，代表着收获后食品安全实践的一项重要变革。基于定期检查、人工抽样和纠正性处理的传统系统，只能在劣变已经发展之后才能识别虫害侵染、真菌生长或真菌毒素积累。AI、物联网传感器网络、计算机视觉、生物传感器、数字孪生、机器人技术以及信息物理系统提供了互补的能力，以实现更早的AI披露声明：作者声明图1和图6是使用AI工具生成的概念性插图，仅用于可视化目的。作者还声明AI被用于论文的语法编辑。作者已审查并验证了图表和语法编辑的科学准确性。利益冲突声明：作者声明不存在利益冲突。Samuel Ayofemi Olalekan Adeyeye