人工智能赋能质量农业发展：农产品智能检测与质量保障研究进展

Artificial intelligence empowering quality agriculture: Advances in intelligent detection and quality assurance of agricultural products

摘要

为梳理人工智能在质量农业中的应用基础与发展方向，系统总结农产品智能检测与质量保障研究进展，本研究围绕机器视觉、近红外/高光谱、拉曼/表面增强拉曼、电子鼻/电子舌、质谱组学、柔性传感、物联网和知识图谱等技术，归纳其在外观分级、内在品质、营养功能、危害筛查、真实性溯源、贮藏加工监测和标准化监管中的应用。结果表明：现有研究已由单一模态识别逐步转向多源感知、模型融合、可解释分析和边缘部署；但可信数据集不足、模型跨场景泛化有限、证据链不完整以及标准衔接不足仍制约其应用。未来应围绕“数据—模型—标准—监管”建立协同体系，加强可信数据空间、可解释模型、外部验证和标准映射，推动智能检测由算法验证走向质量保障应用。

Abstract

To clarify the application basis and future direction of artificial intelligence in quality agriculture， this review summarizes recent advances in intelligent detection and quality assurance of agricultural products. The review focuses on machine vision， near-infrared/hyperspectral spectroscopy， Raman/surface-enhanced Raman spectroscopy， electronic nose/electronic tongue， mass spectrometry-based omics， flexible sensing， the Internet of Things， and knowledge graphs， and analyzes their applications in appearance grading， internal quality evaluation， nutritional and functional component detection， hazard screening， authenticity and origin traceability， storage and processing monitoring， and standardization-based regulation. The results show that current research has shifted from single-modality recognition to multi-source perception， model fusion， explainable analysis， and edge deployment. However， insufficient trustworthy datasets， limited cross-scenario generalization， incomplete evidence chains， and weak linkage with standards still restrict practical application. Future studies should establish a coordinated “data-model-standard-regulation” framework， strengthen trusted data spaces， model explainability， external validation， and standard mapping， and promote the transition of intelligent detection from algorithm verification to quality assurance applications.

Graphical abstract

关键词

质量农业 / 人工智能 / 农产品智能检测 / 多模态融合 / 质量保障 / 智能监管

Key words

quality agriculture / artificial intelligence / intelligent detection of agricultural products / multimodal fusion / quality assurance / intelligent regulation

《中华人民共和国农产品质量安全法》^［1］将农产品质量安全界定为农产品质量达到农产品质量安全标准、符合保障人的健康和安全要求。与这一安全底线相比，质量农业更强调优质、安全、稳定、可追溯和可验证等综合属性，其核心在于以标准化生产和数据化治理为支撑品质价值实现。在质量农业框架下，研究对象不仅包括安全风险，还包括商品性状、成熟度、风味、营养组分、功能成分、真实性、产地属性、贮运稳定性和品牌一致性等维度。对于高值特色农产品而言，这些属性往往决定市场分级、消费者支付意愿和区域公共品牌公信力。因此，质量农业所需的检测体系既要保安全底线，也要为品质评价、真实性识别、来源判定和稳定性评价提供依据^［1-3］。

传统实验室检测在准确性和法定判定中仍具有不可替代作用，但其应用方式难以完全满足质量农业的过程化需求。首先，单点抽样与破坏性检测难以同时兼顾批次代表性、过程连续性与检测通量；其次，多数质量属性由外观、内部成分、环境条件和流通过程共同决定，单一模态数据往往难以完整反映真实质量状态；此外，市场分级、品牌认证和监管预警所需要的并不只是孤立检测数值，而是能够支撑判断、追溯和复核的结构化证据。人工智能与多模态感知技术的结合，正是在这些环节体现出应用潜力^［4］。

近10年来，农产品智能检测研究已由早期的机器视觉分级，逐步扩展到多模态感知、深度学习、知识表征和边缘部署等方向。高光谱和近红外技术加强了对内部品质和化学组分的无损测量，拉曼和SERS提高了痕量危害物与真实性识别能力。电子鼻和电子舌更适合捕捉挥发性、味觉和风味相关特征；柔性传感、智能包装和物联网则把检测边界延伸到物流、贮藏和消费前环节。在此基础上，可解释AI、知识图谱和农业垂直大模型开始参与模型解释、标准映射、知识检索与辅助决策^［4-9］。

1　人工智能驱动农产品质量检测的技术基础

1.1　多模态感知正在重塑农产品检测的观测边界

农产品质量本质上是多维属性的叠加结果，单一传感方式通常都只能捕捉其中一部分信息。近年来形成较为清晰的感知谱系主要包括：RGB/深度视觉用于外部性状识别；高光谱、近红外、拉曼和太赫兹用于内部成分与结构感知；电子鼻/电子舌用于挥发性或味觉指纹感知。此外，色谱/质谱及高分辨质谱可用于靶向或非靶向化学识别；温度、湿度、气体、pH、电阻抗等柔性或嵌入式传感器则适合过程状态监测。与传统检验相比，这些技术共同推动农产品检测从实验室化验向产地、流通、加工、零售等环节延伸^［4］。表1依据近年高光谱、光谱学、电子鼻/电子舌、质谱组学和柔性传感相关综述归纳常见感知模态的优缺点与适用场景。

高光谱成像之所以在农产品质量领域格外重要，是因为它在单次扫描中同时获得空间与光谱信息，这一特点使表面差异与化学差异可以在像元层面关联分析。已有研究将高光谱成像用于病害识别、理化指标预测、农药残留识别、产地判别、掺假鉴别和损伤检测等任务。但同时也面临设备成本高、数据维度大、建模复杂和跨设备标准化不足等问题^［4］。相比之下，电子鼻和电子舌更适合处理挥发性组分、气味指纹、风味差异和贮藏状态变化。这类多传感器系统已经被用于水土分析、病虫害识别、农药/杀菌剂残留检测、贮运条件监测和疾病诊断^［6］。柔性传感器、智能包装与物联网则把质量观测从单次测量扩展为连续监测，可结合温湿度、气体、pH和阻抗等时序信号开展质量演化预测与异常预警^［5］。

1.2　从化学计量学到深度学习，再到知识驱动AI

从算法演进看，农产品质量检测领域并不是传统方法被深度学习简单替代，而是呈现分层互补关系。在具体任务中，不同算法仍有较清晰的分工。对于样本量有限、变量相关性强的光谱或表格数据，PLS、SVM、随机森林和 XGBoost 仍常作为稳健基线。图像缺陷识别、在线分选和高光谱特征提取更依赖 CNN、YOLO、ResNet 等深度模型。对于长序列光谱、贮运时序和多源数据，Transformer 及其变体开始发挥作用。知识图谱、GNN、RAG 和农业垂直大模型则更适合连接检测结果、标准规则和知识问答^［7］。表2为主要AI算法家族与其适配的数据类型、优势和局限。

多模态融合是质量农业智能检测中的重要方法学方向。已有食品与农产品数据融合研究通常将融合策略归纳为数据层、特征层、模型层和决策层4类。数据层融合保留原始信息较多，但维度高、噪声多；特征层融合通过特征筛选、降维和表征学习提高有效性与效率；模型层和决策层融合则更适合异构传感器和异构模型之间的协同。实际检测系统并不一定追求“融合越多越好”。更合理的做法是在成本、通量、可迁移性和部署场景之间寻找平衡^［5］。可解释人工智能在该领域的重要性也在上升。面向光谱质量评价的系统综述指出，XAI不仅有助于提高模型可信度，也直接关系到特征波长筛选、便携仪器设计和专家理解模型依据的能力。对于质量农业而言，可解释性是算法进入标准、监管和产业流程的重要前提^［7］。

农业垂直大模型的合理定位也需要界定清楚。以“神农大模型”等农业知识服务系统以及农业大语言模型、果蔬农技知识问答系统为代表，农业垂直模型已经能够结合知识图谱、向量数据库和场景知识，提供农技问答、生产决策推理和离线部署能力。对于质量农业研究而言，大模型更适合承担文献和标准检索、检测报告解释、知识问答、方案推荐和多源信息编排，而不宜取代仪器测量与可验证的定量模型。它应当是“知识组织者”和“解释接口”，而不是“凭空给结论的黑箱判断器”^［9］。

1.3　可信数据集、数据空间及开源工具

数据资源是人工智能驱动农产品质量检测的基础。当前，该领域公共数据仍不充足，尤其缺少与标准化检测、真实流通场景和监管应用直接对应的可信数据集。因此，研究实践中往往需要“通用农业数据集+特定商品自建数据集”并行使用：前者可用于模型预训练、算法比较和方法验证，后者则更适合围绕具体品类、具体质量指标和具体检测标准开展模型构建。表3为若干适合农产品智能检测研究的数据集^［10-17］。从适用边界看，Fruits-360和Rice Cammeo/Osmancik主要面向果蔬图像或形态特征分类，可用于轻量模型验证和基线算法比较；PlantVillage 侧重作物健康/病害图像识别，更适合作为迁移学习和表型识别的预训练资源；DeepHS-Fruit、SpectroFood和Hyperspectral-Fruit以高光谱或反射谱数据为主，适合成熟度判别、干物质预测、光谱分类和成分回归方法验证；GrapeCS-ML同时提供葡萄图像与pH、Brix等真值指标，更适合开展视觉特征与品质属性关联分析；Fresh-Rotten-Fruit或 Fruit-Ripeness类数据集可用于新鲜度、腐败或成熟状态的边缘模型验证。总体而言，这些公共数据集主要服务于算法开发、模型预训练和方法验证，尚不能直接替代包含标准方法测定值、采样元数据、外部验证和监管规则映射的质量农业可信数据资源。

与一般任务相比，质量农业对数据可信度的要求更高。农产品质量数据首先包括图像、光谱、传感器响应和质谱特征。除此之外，还应记录样品来源、品种、产地、采收期、成熟度、贮藏条件、前处理方式、检测仪器、采集参数、标准方法测定值和标注依据等元数据。只有将样品、检测、标签、模型、标准完整关联，才能判断模型输出是否具有可重复性和可解释性。对于可溶性固形物、硬度、农药残留、功能成分、产地属性等任务，若缺少标准方法或权威标签作为参照，即使模型分类精度较高，也难以进一步转化为质量评价、认证或监管依据。因此，可信数据集不应只追求样本量和算法精度，还应强调数据来源清晰、标注规则明确、检测方法可追溯、训练集和外部测试集划分合理，以及跨品种、跨产地、跨季节和跨仪器条件下的验证。

在此基础上，质量农业数据空间可被视为连接多源检测数据、标准规则和监管应用的基础设施。与单一数据库不同，数据空间强调在统一语义框架和权限规则下实现数据共享、数据治理和模型复用。面向农产品质量保障，数据空间应至少包括三类内容：一是样品与检测数据，包括图像、光谱、质谱、电子鼻/电子舌、环境传感和贮运过程数据；二是标准与规则数据，包括质量分级标准、限量标准、检测方法、追溯编码和合格证规则；三是模型与证据数据，包括模型版本、训练数据来源、特征贡献、验证结果和适用边界。通过数据空间建设，农产品智能检测可以从单个模型的“点状应用”，进一步转向跨机构、跨场景、跨标准的协同应用，为模型评价、标准映射、风险预警和追溯管理提供数据支撑。

可信数据空间还关系到人工智能应用中的安全风险。随着生成式人工智能被用于图像增强、文本标注、检测报告生成和知识问答，数据污染、数据投毒和生成内容污染传递问题需要引起重视。一方面，错误标签、低质量合成图像、未经验证的模型生成结论若进入训练集，可能导致模型学习到偏差特征；另一方面，针对训练数据或模型输入的恶意扰动，可能使模型在特定样品、特定产地或特定风险物质上产生错误判断。对于质量农业而言，这类问题不仅影响模型精度，也可能影响分级定价、品牌认证和监管决策。因此，未来数据集建设应加强数据来源记录、版本管理、异常样本识别、人工复核、外部验证和访问权限控制。生成式人工智能参与形成的数据或文本，也应进行明确标识和质量审核，避免其未经区分地进入训练、评价或标准知识库。

开源工具是提高研究可复现性和工程部署能力的重要支撑。表4为面向农产品质量智能检测与知识服务的代表性工具。总体来看，PyTorch、scikit-learn、XGBoost等工具适合模型构建和基线比较；Spectral Python、Ultralytics YOLO等工具更适合高光谱处理、目标检测和边缘部署；Neo4j、SHAP、Captum和Transformers等工具则可服务于知识图谱构建、模型解释、标准问答和多模态知识服务^［18-26］。但工具选择不应脱离数据质量和应用目标，对于科研验证，应重视数据划分、外部测试和模型可解释性；对于产业应用，应进一步考虑模型压缩、端侧部署、仪器校准和运行维护；对于监管场景，则需要保留数据来源、模型版本、判断依据和人工复核记录。由此可见，可信数据集、数据空间和开源工具并不是相互独立的环节，而是共同构成农产品智能检测从算法研究走向质量保障应用的基础条件。

图1为一个适用于质量农业研究的“多模态感知+AI”通用流程，其关键点不在于算法名称，而在于数据流如何最终映射到质量分级、风险预警和标准判定。

2　农产品智能检测与质量保障的应用进展

2.1　外观分级及表型缺陷识别

外观分级是农产品智能检测中最早成熟、也是最容易形成产业化价值的方向。相关综述表明，基于CNN的果实外观检测已覆盖颜色、形状、大小、表面缺陷和成熟度等关键表型参数，并且能够直接对接商业分级与自动分选流程。与传统人工分级相比，机器视觉具有通量高、主观偏差小、可集成到流水线的显著优势，因此是质量农业“提效率、稳一致”的最直接入口^［27］。

外观分级适合作为在线检测入口，但不宜被直接等同于完整质量评价。因为外观良好并不一定代表食味、营养或安全属性更优，仍需与光谱、理化或过程数据结合。针对特定场景的深度学习模型已显示出较强实用性。例如，油茶果成熟度检测研究提出的YOLO-LM在自然果园环境中实现了93.18%的mAP，并在参数量和模型尺寸上兼顾了可部署性。后熟香蕉分级研究则把同类思想推进到便携边缘设备，在Jetson Orin NX上实现97.8%的平均分级准确率和61 fps的实时检测^［28-29］。外观检测是商品性、标准化、一致性管理的起点，但必须与内部品质、营养和风险信息协同，才能支撑完整的质量评价体系^［27］。

2.2　内在品质及成熟度检测

内在品质是质量农业最具专业门槛的部分，也是传统感官分级最难覆盖的部分。可溶性固形物、含水率、硬度、油分、蛋白质、脂肪、淀粉等指标决定食味、加工性能和商品价值，但传统检测方式通常需要破坏样品、通量有限，难以适应大批量和在线需求。高光谱与近红外技术为此提供了无损、快速的基础^［4］。

多模态和便携化是内在品质与成熟度检测方向的重要趋势。油茶果便携式高光谱研究通过构造综合成熟度指数，将10项成熟度相关指标整合为统一目标变量，并采用SPA-CNNR和PLS-DA等模型进行回归与分类。结果表明田间条件下开展内部品质与成熟阶段识别具有可行性，其简化模型在预测集中达到88.6%的分类准确率。苹果可溶性固形物检测研究表明，高光谱成像与Vis-NIR 光谱进行低层或中层融合后，预测性能优于单一模态方案，其中低层融合模型的预测集相关系数R²达到0.927，RMSEP为0.529° Bx^［30-31］。除糖度外，酸度、硬度等指标也是果实风味和商品品质评价的重要内容。鲜食葡萄总酸检测研究采用Vis-NIR光谱结合Si-PLS筛选特征区间，建立了无核白葡萄总酸快速预测模型，说明近红外光谱不仅可用于糖度检测，也可扩展到酸度等风味相关指标^［32］。苹果硬度检测研究则进一步结合高光谱成像、特征波长筛选和BPNN模型，实现了对采后果实质构指标的无损预测，表明光谱成像与机器学习结合可支撑果实内部品质的多指标评价^［33］。

这一方向的现实瓶颈主要在于模型迁移。品种、产地、成熟阶段、采样位置、果面结构和设备的变化，都会改变光谱响应，从而使实验室模型难以直接跨场景推广。近期综述指出，光谱模型的跨仪器转移、校准一致性和在线部署仍是推广中的关键障碍^［34］。

2.3　营养及功能成分检测

质量农业的“质量”不仅表现为安全和商品优级，也包括营养密度与功能成分。对高值特色农产品而言，多酚、黄酮、花青素、多糖、类胡萝卜素、油脂组成等成分，往往决定其市场分层、加工用途和品牌价值。HPLC、UV-Vis和色谱质谱联用等方法具有较高的准确性，但在单果、单样和大批量快速分析方面成本较高，因此高光谱结合深度学习可以成为替代性技术路径^［35-36］。

黑果枸杞研究较早展示了这一方向的可行性。研究者利用近红外高光谱和CNN/深度自编码器对总花青素、总黄酮和总酚进行预测，表明深度学习可同时用于建模和特征提取。后续枸杞成分预测研究进一步引入通道注意力和光谱注意力，并采用多任务1DCNN同时预测多糖、多酚和类胡萝卜素，平均R²达到0.943 5，说明相关成分之间的协同信息可被多任务学习有效利用^［35-36］。

营养与功能成分检测拓展了质量农业的维度。传统监管更多关注风险物质是否超标，而功能成分检测可以进一步回答产品优在何处、优级是否稳定以及是否具备差异化价值。该方向有助于把智能检测从安全筛查延伸到品质表达和品牌支撑，这恰恰是质量农业区别于单纯安全治理的重要标志^［3］。

2.4　危害筛查及非靶向检测

如果说营养与功能成分回答的是“有多好”，那么危害筛查回答的则是“有没有风险”。农药残留、真菌毒素、兽药残留、非法添加物和未知污染物仍然是质量农业必须守住的底线。AI在这一方向上的价值主要体现在三类任务：靶向快速筛查、过程预警和非靶向发现^［1］。

在靶向快速筛查方面，SERS和光谱结合深度学习已显示出应用潜力。SERS全过程监测研究将农药残留从表层到内部的空间分布可视化，并给出低于1 pg/mL的检测下限。这说明快速筛查、空间成像、算法解混可以组合形成残留分析方案。近期研究还将Vis/NIR与1D-CNN用于小白菜农药残留检测，显示光谱深度学习在便携快速筛查中的应用空间^［37-38］。

在过程预警方面，研究已不满足于“污染后检测”，而是尝试“风险形成前预测”。例如，欧洲小麦多真菌毒素研究将作物物候、气象数据和卫星图像输入机器学习模型进行区域风险预测；存储小麦早期真菌毒素污染研究则用 CCT 模型区分健康、初期污染和污染三类样本，表明AI能够参与储藏阶段的早期预警，而不是只在终端实验室做确认检测^［39-40］。

非靶向检测是危害筛查中的重要发展方向。AI驱动的非靶向筛查、LC-MS非靶向分析机器学习和兽药残留非靶向 LC-HRMS 工作流等研究都指出，未知污染物、已知未知物和复杂基体使高分辨数据解析难度显著增加。机器学习正在进入峰提取、特征筛选、结构注释和模式发现各环节。对于质量农业而言，这意味着检测体系可以从围绕标准限量物质逐一查找，逐步扩展到围绕风险特征与异常模式主动发现，从而提高风险治理的前瞻性^［41］。

2.5　真实性识别及产地溯源

质量农业要形成品牌溢价，真实性和来源可信是必要条件。仅靠纸质追溯和人工记录，虽然可以构建信息链，但很难独立证明产品本体是否与标签相符。在信息追溯方面，知识图谱可用于整合农产品质量与追溯信息^［42］；在产品本体验证方面，基于成分、光谱、挥发物特征和多模态数据的“物质指纹型溯源”正在成为追溯体系的重要补充^［43-46］。

在光谱深度学习方面，农业产地溯源LC-Net研究以花生和大米为例，通过局部与全局光谱特征协同提取，实现了99.33%和99.76%的分类准确率。普洱茶研究则把拉曼与近红外双光谱进行通道注意力融合，产地分类准确率达到了95.05%。这些结果表明双模态互补可显著增强复杂来源识别能力^［43-44］。

在弱结构化感知方面，电子鼻与电子眼融合也可用于来源识别。不同产地菊花研究表明，单一传感器难以清晰区分样本，而中层融合结合XGBoost后，测试集准确率提高到94%。便携式质谱与机器学习对当归掺伪的研究提示，非靶向化学图谱与机器学习结合，有能力在中药材与特色农产品领域承担真实性快速鉴别任务^［45-46］。

因此，质量农业中的“溯源”不宜只理解为信息平台建设，而应理解为信息追溯+物质验证的双证据体系：前者回答“流转路径是什么”，后者回答“产品本体是否真实”。二者结合，才足以支撑质量农业中的品牌信任与区域公用品牌建设^［42］。

2.6　贮藏、加工及流通过程监测

质量农业的保障对象并不止于采后初始状态。大量品质损失发生在预冷、仓储、加工、冷链和零售阶段。因此，质量保障必须从静态检测转向动态监测。近期综述认为，AI驱动的货架期预测、智能包装和冷链物流技术，已经把实时环境信号、品质响应和时间维度统一到一个动态系统中^［47］。

这一方向的一个重要变化，是从事后判断是否变质转向事前估计还能保持多久。在水产品冷链场景中，荧光光谱与时序模型的结合显示出应用潜力。有研究基于激发-发射矩阵荧光光谱提取与色氨酸、NADH等相关的荧光组分，并结合LSTM网络同时预测TVB-N、TBARS、K值和菌落总数等新鲜度指标。该类研究说明，贮藏与流通过程监测不应只关注环境温度记录，还应进一步关联产品本体的品质响应，从而为冷链条件下的新鲜度预测和货架期管理提供依据^［48］。

柔性传感器综述指出，多模态柔性监测可实时获取温度、湿度、气体和质量参数；智能包装综述则提示，AI可以基于这些时序信号生成新鲜度评分、货架期估计和异常检测结果。绿甜椒储藏新鲜度研究利用RGB图像和机器学习对储藏天数与新鲜度进行预测，神经网络分类准确率可达100%，说明以“储藏进程”为目标变量的AI建模正在快速发展^［5，47］。

对于粮食和种子等耐储型农产品，电子鼻正在成为监测虫害、霉变和新鲜度的重要工具；对于果蔬等易腐产品，边缘计算设备与便携分级系统则使在线质量监测更具可部署性。质量农业因此不再只是“把不合格剔除出去”，而是通过对时间维度的感知，实现更低损耗、更优周转和更稳定品质^{［29，49］}。

2.7　综合质量评价、标准化及智能监管

综合质量评价体现了质量农业区别于单点检测的应用需求。现实中的农产品质量由安全、外观、内部品质、营养功能、真实性、贮运稳定性和标准符合性共同决定，因此需要构建多层指标体系，而不能依赖单一检测结论。国家层面已明确提出实施农业标准化提升计划，建立健全农产品品质评价和认证制度，完善质量安全监管监测体系，并持续推进承诺达标合格证制度和追溯管理。这些制度需求为AI模型输出进入质量评价和监管流程提供了应用场景^［3］。表5为近年来具有代表性的原始研究，涵盖外观分级、内部品质、营养成分、危害筛查、溯源、掺假和贮运监测等场景。

在标准数字化方面，种子质量标准知识图谱的最新研究提供了直接启发：标准文本并非不可计算。通过本体建模、规则抽取和深度学习信息抽取，标准中的技术要求、检测方法、规则条款和实体关系就可以转化为机器可检索、可推理、可视化的结构化知识。该研究构建了7类核心本体、12类关系，NER的F1值达91.61%，最终在Neo4j中组织成可查询图谱。对农产品质量标准与检测研究而言，类似路径可推广到残留标准、质量分级标准、产地环境标准、合格证规则和追溯规则的数字化^［50］。

在质量追溯与全链治理方面，胡萝卜“从田间到餐桌”的知识图谱研究进一步说明，多源异构信息融合并非停留在理论层面，而可以对接农药残留结果、追溯节点和质量安全管理；国家追溯平台及相关编码与术语标准的推进，则为AI模型输出进入监管与社会查询场景提供了制度接口。由此可见，综合质量评价的终点不是给出一个抽象得分，而是形成可映射到“等级、风险、证书、追溯码、预警”和“执法检查”的可操作结果^{［42，50-52］}。

3　现实瓶颈与未来展望

3.1　现实瓶颈

尽管近年进展明显，但该领域仍面临若干瓶颈。

1）数据与标准样本不足。很多研究仍局限于小样本、单品类、单产区、单设备和封闭条件，公开数据集相对稀缺。更关键的是，现有数据资源很少同时关联标准条款、检测规则和真实流通场景。标准知识图谱研究表明，标准文本结构化和相关数据集公开程度仍不足；果实外观检测综述也提示公开数据、合成图像和数据规模仍是制约模型泛化的重要因素^{［27，50］}。

2）模型泛化与迁移不足。不同仪器、品种、季节、成熟阶段、产地环境以及采样位置差异，都会造成模型在跨场景使用时性能下降。光谱研究长期面临校准迁移、预处理依赖和标准化不足问题；果园场景检测则面临遮挡、逆光、背景复杂和边缘设备算力约束等挑战。这些问题意味着，研究中“实验精度很高”并不自动等于“可落地部署”^{［28，34］}。

3）可解释性与可采信性不足。如果模型无法说明为什么判为某等级、为什么判断存在某种残留或为什么推断来自某地，那么它在监管、仲裁、认证和标准制定中的使用空间就会受限。XAI综述已将这一问题明确为农业光谱应用的关键前沿；普洱茶多光谱融合研究也指出，将谱学特征与具体化学标记建立更清晰联系，是提升可解释性的重要方向^［7，44］。

4）多模态融合的工程难度。多模态理论上更优，但在实际系统中涉及样本同步、时间同步、空间配准、标定一致性、缺失模态补齐和成本控制等一系列复杂问题。柔性传感与多模态融合相关综述表明，低层融合虽信息充分但容易受维度与噪声拖累，中高层融合则更适合工程化，但会损失部分原始信息。如何在实验可比性与系统可实施性之间取得平衡，是下一阶段系统研究的关键^［5］。

5）标准衔接与制度转化不足。许多论文把任务定义为“分类精度”或“回归相关系数”，却较少继续追问：模型输出如何映射到国家标准、行业标准、企业内控标准、合格证制度、追溯编码和监管预警规则？从质量农业的角度看，这正是最重要的“最后一公里”。没有制度衔接，算法再先进也很难真正成为质量农业基础设施的一部分^［3］。

图2为一个“AI+标准化+监管”生态图，该领域未来应从单点模型走向制度化协同^{［3，42，51-52］}。

3.2　未来展望

面向未来，质量农业中的AI研究将呈现几个较为确定的方向。其一是从单模态向多源协同演进。不是某一类仪器会“统一天下”，而是视觉、光谱、嗅觉、环境、组学和过程数据将按任务需求动态组合。未来高价值方向不在于继续重复“单一模态+单一商品”的模型竞赛，而在于研究可迁移的多模态协同框架、缺失模态鲁棒建模和不确定性量化^［5］。

其二是从纯数据驱动向知识驱动AI转变。农产品质量研究不仅有实验数据，还有标准、法规、检测方法、工艺规范、经验规则和追溯信息。知识图谱和规则约束可为模型提供可追溯、可验证的语义骨架；农业垂直大模型则可成为标准检索、结果解释、报告生成和智能问答的接口层。未来更具竞争力的系统很可能不是“一个更深的神经网络”，而是“检测模型+知识图谱+标准规则+RAG服务”的复合体^［8，50］。

其三是从实验室走向边缘与便携。质量农业需要的是能够在田间、分选线、仓储端、物流端和基层监管场景中稳定运行的技术。油茶果、香蕉和农业垂直大模型离线化案例均提示，轻量模型、嵌入式部署、边缘协同和本地推理将越来越重要。对于检测机构来说，研究重点应从“构建一个最高精度模型”逐渐转向“构建一个可复制装备或平台方案”^{［9，28-29］}。

其四是从检测技术走向质量治理基础设施。随着标准数字化、追溯平台、承诺达标合格证和品质评价制度持续推进，AI的目标不应止于完成某项识别任务，而应努力进入质量治理流程：能否支撑抽检计划优化，能否支持异常批次快速锁定，能否与合格证和追溯码自动关联，能否把检测结果翻译为执法和产业都能理解的语言。这一方向本质上是“AI+标准化+监管”的融合创新^{［42，51-52］}。

综上所述，人工智能赋能质量农业，不应被理解为“用算法替代检测”，而应被理解为“以智能方法增强检测、连接标准、延伸监管、放大价值”。在质量农业由“保安全”迈向“优品质、强品牌、稳供给”的过程中，智能检测与质量保障体系将成为关键基础设施。真正值得持续推进的研究，不是孤立追求某一个模型指标领先，而是在多模态感知、可信建模、标准衔接、装备便携化与全链治理之间形成协同闭环。只有如此，AI才能真正从“技术亮点”转化为质量农业发展的长期支撑^{［3，42，51-52］}。

参考文献

[1] 全国人民代表大会常务委员会. 中华人民共和国农产品质量安全法［EB/OL］. （--）［--］.

[2] Standing Committee of the National People’s Congress. Law of the People ’ s Republic of China on Quality and Safety of Agricultural Products ［EB/OL］. （--）［--］. in Chinese）

[3] 农业农村部办公厅. 农业农村部办公厅关于印发《农业生产“三品一标”提升行动实施方案》的通知： 农办规〔2021〕1号［EB/OL］. （--）［--］.

[4] General Office of the Ministry of Agriculture and Rural Affairs. Notice of the General Office of the Ministry of Agriculture and Rural Affairs on issuing the implementation plan for the promotion action of “three products and one standard” in agricultural production： Nong Ban Gui ［2021］No.1［EB/OL］. （--）［--］. in Chinese）

[5] 中共中央， 国务院. 加快建设农业强国规划（2024—2035年）［EB/OL］. （--）［--］.

[6] Central Committee of the Communist Party of China， Council State. Plan for accelerating the construction of an agricultural power （2024—2035）［EB/OL］. （--）［--］. in Chinese）

[7] Liang Y T， Li Z H， Shi J Y， Zhang N， Qin Z， Du L Z， Zhai X D， Shen T T， Zhang R J， Huang X W. Advances in hyperspectral imaging technology for grain quality and safety detection： A review［J］. Foods， 2025， 14（17）： 2977. DOI：10.3390/foods14172977

[8] Wang Z X， Jia C Y， He W Z， Zhang X S， Feng H H. Integrated multi-modal flexible sensors and AI-driven fusion modeling for internal and external quality detection of agricultural products ［J］. Trends in Food Science & Technology， 2025， 166： 105401. DOI：10.1016/j.tifs.2025.105401

[9] Wesoły M， Przewodowski W， Ciosek-Skibińska P. Electronic noses and electronic tongues for the agricultural purposes［J］. TrAC Trends in Analytical Chemistry， 2023， 164： 117082. DOI：10.1016/j.trac.2023.117082

[10] Ahmed M T， Ahmed M W， Kamruzzaman M. A systematic review of explainable artificial intelligence for spectroscopic agricultural quality assessment［J］. Computers and Electronics in Agriculture， 2025， 235： 110354. DOI：10.1016/j.compag.2025.110354

[11] 侯琛， 牛培宇. 农业知识图谱技术研究现状与展望［J］. 农业机械学报， 2024， 55（6）： 1-17

[12] Hou C， Niu P Y. Review of research status and prospects of agricultural knowledge graphs［J］. Transactions of the Chinese Society for Agricultural Machinery， 2024， 55（6）： 1-17 （in Chinese）

[13] 北京日报. 中国农大推出“神农大模型3.0 ”［EB/OL］. （--）［--］.

[14] Daily Beijing. China Agricultural University launches "Shennong Large Model 3.0"［EB/OL］. （--）［--］. in Chinese）

[15] Project Fruits-360. Fruits-360 dataset［DB/OL］. ［--］.

[16] Mohanty S P. PlantVillage dataset［DB/OL］. ［--］.

[17] Tübingen CogSys. DeepHS-Fruit dataset［DB/OL］. ［--］.

[18] Malounas I， Vierbergen W， Kutluk S， Zude-Sasse M， Yang K， Zhao M， Argyropoulos D， Van Beek J， Ampe E， Fountas S. SpectroFood dataset： A comprehensive fruit and vegetable hyperspectral meta-dataset for dry matter estimation ［J］. Data in Brief， 2024， 52： 110040. DOI：10.1016/j.dib.2024.110040

[19] Optics Living. Hyperspectral-Fruit dataset［DB/OL］. ［--］.

[20] Charles Sturt University. GrapeCS-ML： Grape image database ［DB/OL］. ［--］.

[21] Machine Learning Repository UCI. Rice （Cammeo and Osmancik）［DB/OL］. ［--］.

[22] Densu 341. Fresh-rotten-fruit dataset［DB/OL］. ［--］.

[23] Paszke A， Gross S， Massa F， Lerer A， Bradbury J， Chanan G， Killeen T， Lin Z M， Gimelshein N， Antiga L， Desmaison A， Köpf A， Yang E， DeVito Z， Raison M， Tejani A， Chilamkurthy S， Steiner B， Fang L， Bai J J， Chintala S. PyTorch： An imperative style， high-performance deep learning library ［C］. In： Advances in Neural Information Processing Systems 32. Red Hook： Curran Associates， 2019： 8024-8035

[24] Pedregosa F， Varoquaux G， Gramfort A， Michel V， Thirion B， Grisel O， Blondel M， Müller A， Nothman J， Louppe G， Prettenhofer P， Weiss R， Dubourg V， Vanderplas J， Passos A， Cournapeau D， Brucher M， Perrot M， Duchesnay É. Scikit-learn： Machine learning in Python ［J］. Journal of Machine Learning Research， 2011， 12： 2825-2830

[25] Chen T Q， Guestrin C. XGBoost： A scalable tree boosting system［C］. In： Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016： 785-794. DOI：10.1145/2939672.2939785

[26] Boggs T. Spectral Python （SPy）［CP/OL］. ［--］.

[27] Ultralytics. Ultralytics YOLO［CP/OL］. ［--］.

[28] Neo 4j， Inc. Neo4j Community Edition［CP/OL］. ［--］.

[29] Lundberg S M， Lee S I. A unified approach to interpreting model predictions［C］. In： Advances in Neural Information Processing Systems 30. Red Hook： Curran Associates， 2017： 4765-4774

[30] Meta AI. Captum： Model interpretability for PyTorch［CP/OL］. ［--］.

[31] Hugging Face. Transformers［CP/OL］. ［--］.

[32] Chuquimarca L E， Vintimilla B X， Velastin S A. A review of external quality inspection for fruit grading using CNN models［J］. Artificial Intelligence in Agriculture， 2024， 14： 1-20. DOI：10.1016/j.aiia.2024.10.002

[33] Zhu X Y， Chen F J， Zheng Y L， Chen C， Peng X D. Detection of Camellia oleifera fruit maturity in orchards based on modified lightweight YOLO［J］. Computers and Electronics in Agriculture， 2024， 226： 109471. DOI：10.1016/j.compag.2024.109471

[34] Chen L Y， Zhu J K， Gui Y S， Liu W H， Zeng S. Real-time banana freshness grading： A portable end-to-end detection system with high precision ［J］. Postharvest Biology and Technology， 2026， 231： 113904. DOI：10.1016/j.postharvbio.2025.113904

[35] Yuan W D， Zhou H P， Zhou Y， Zhang C， Jiang X S， Jiang H Z. In-field and non-destructive determination of comprehensive maturity index and maturity stages of Camellia oleifera fruits using a portable hyperspectral imager ［J］. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2024， 315： 124266. DOI：10.1016/j.saa.2024.124266

[36] Lin Y， Fan R S， Wu Y L， Zhan C Y， Qing R， Li K Y， Kang Z L. Combining hyperspectral imaging technology and visible-near infrared spectroscopy with a data fusion strategy for the detection of soluble solids content in apples［J］. Journal of Food Composition and Analysis， 2025， 137： 106996. DOI：10.1016/j.jfca.2024.106996

[37] Xing J F， He X W， Sun X Y， Liu W Z， Li J， He K， Su Y. Feasibility quantitative analysis of NIR spectroscopy coupled with Si-PLS to predict total acidity of Seedless White table grapes［J］. Food Innovation and Advances， 2025， 4（2）： 183-190. DOI：10.48130/fia-0025-0018

[38] Li S P， Chen Y Y， Zhang X B， Wang J B， Gao X X， Jiang Y H， Ban Z J， Chen C K. Back Propagation Neural Network model for analysis of hyperspectral images to predict apple firmness［J］. Food Innovation and Advances， 2025， 4（1）： 1-9. DOI：10.48130/fia-0025-0004

[39] Hadiwijaya Y， Putri I E. Spectroscopy in food and agriculture： A critical review of applications and adoption challenges［J］. Food and Humanity， 2025， 5： 100800. DOI：10.1016/j.foohum.2025.100800

[40] Zhang C， Wu W Y， Zhou L， Cheng H， Ye X Q， He Y. Developing deep learning based regression approaches for determination of chemical compositions in dry black goji berries （Lycium ruthenicum Murr.） using near-infrared hyperspectral imaging ［J］. Food Chemistry， 2020， 319： 126536. DOI：10.1016/j.foodchem.2020.126536

[41] Hu H Q， Mei Y L， Wei Y P， Xu Z Y， Zhao Y P， Xu H X， Mao X B， Huang L Q. Chemical composition prediction in goji （Lycium barbarum） using hyperspectral imaging and multi-task 1DCNN with attention mechanism ［J］. LWT-Food Science and Technology， 2024， 204： 116436. DOI：10.1016/j.lwt.2024.116436

[42] Sun X M， Zhao Y， Liu L， Qiao Y X， Yang C J， Wang X T， Li Q， Li Y. Visual whole-process monitoring of pesticide residues： An environmental perspective using surface-enhanced Raman spectroscopy with dynamic borohydride-reduced silver nanoparticles ［J］. Journal of Hazardous Materials， 2024， 465： 133338. DOI：10.1016/j.jhazmat.2023.133338

[43] Zhang J H， Bai X Y， Wu W D， Zhou B. Pesticide residue detection on pakchoi using a one-dimensional convolutional neural network enhanced by data augmentation and spectral attention［J］. Journal of Food Composition and Analysis， 2026， 154： 109182. DOI：10.1016/j.jfca.2026.109182

[44] Wang X X， Liu C， van der Fels-Klerx H J. Regional prediction of multi-mycotoxin contamination of wheat in Europe using machine learning［J］. Food Research International， 2022， 159： 111588. DOI：10.1016/j.foodres.2022.111588

[45] Kim Y G， Kang S， Ajani O S， Mallipeddi R， Ha Y. Predicting early mycotoxin contamination in stored wheat using machine learning［J］. Journal of Stored Products Research， 2024， 106： 102294. DOI：10.1016/j.jspr.2024.102294

[46] Liu Q R， Zhu P B， Sun H， Shao B. Artificial intelligence-driven non-targeted screening for food safety： Recent advances and prospects ［J］. Trends in Food Science & Technology， 2026， 170： 105632. DOI：10.1016/j.tifs.2026.105632

[47] Jing R Z， Li P. Knowledge graph for integration and quality traceability of agricultural product information［J］. Frontiers in Sustainable Food Systems， 2024， 8： 1389945. DOI：10.3389/fsufs.2024.1389945

[48] Shi Y， Yu Y， Zhang J Y， Yin C B， Chen Y Z， Men H. Origin traceability of agricultural products： A lightweight collaborative neural network for spectral information processing［J］. Food Research International， 2025， 208： 116131. DOI：10.1016/j.foodres.2025.116131

[49] Chen X， Zhang T， Wu R Q， Yang H， Liu Y， Shi Y L， Li Y H， Zhu Y. Intelligent geographical origin traceability of Pu-erh tea based on multispectral feature fusion［J］. Food Chemistry， 2025， 492： 145375. DOI：10.1016/j.foodchem.2025.145375

[50] Li M M， Wang J J， Guo L N， Yang X X， Zhang M Y， Chen Y， Sun S J， Liu Y， Wang Y J. Machine learning-based fusion of E-nose and E-eye for discrimination of chrysanthemum （Chrysanthemum morifolium） from different geographical origins ［J］. LWT-Food Science and Technology， 2025， 223： 118662. DOI：10.1016/j.lwt.2025.118662

[51] Zhang Y J， Zhang J Y， Qian J H， Yan Z X， Zhang J C， Zhao L， Wen L H， Li W L. Portable mass spectrometry and machine learning for detecting Angelica sinensis adulteration［J］. Journal of Food Composition and Analysis， 2025， 147： 108115. DOI：10.1016/j.jfca.2025.108115

[52] Rashvand M， Ren Y Q， Sun D W， Senge J， Krupitzer C， Fadiji T， Sanzo Miró M， Shenfield A， Watson N J， Zhang H W. Artificial intelligence for prediction of shelf-life of various food products： Recent advances and ongoing challenges ［J］. Trends in Food Science & Technology， 2025， 159： 104989. DOI：10.1016/j.tifs.2025.104989

[53] You J， Sun Z Q， Li X T， Ying X G， Shi C， Fan H B. Noninvasive freshness evaluation of bighead carp heads based on fluorescence spectroscopy coupled with long short-term memory network： Simulation of cold chains ［J］. Food Innovation and Advances， 2024， 3（4）： 405-415. DOI：10.48130/fia-0024-0037

[54] Akimsha R， Basuru P， Sharmilan T， Wanniarachchi D. Advanced applications of electronic nose technology in grain storage and cereal product quality： A comprehensive review of freshness monitoring and mycotoxin detection［J］. Food Control， 2026， 187： 112093. DOI：10.1016/j.foodcont.2026.112093

[55] Yang Z W， He Q， Zhang J. Construction and application of knowledge graph for seed quality standard documents［J］. Scientific Reports， 2026， 16： 5997. DOI：10.1038/s41598-026-37084-y

[56] 农业农村部农产品质量安全监管司. 国家农产品质量安全追溯管理信息平台上线运行［EB/OL］. （--）［--］.

[57] Department of Agricultural Product Quality and Safety Supervision， Ministry of Agriculture and Rural Affairs. National agricultural product quality and safety traceability management information platform launched［EB/OL］. （--）［--］. in Chinese）

[58] 农业农村部法规司， 农业农村部农产品质量安全监管司. 农业农村部法规司、农产品质量安全监管司负责人就《农产品质量安全承诺达标合格证管理办法》答记者问［EB/OL］. （--）［--］.

[59] Department of Laws and Regulations， Ministry of Agriculture and Rural Affairs， Department of Agricultural Product Quality and Safety Supervision， Ministry of Agriculture and Rural Affairs. Heads of the Department of Laws and Regulations and the Department of Agricultural Product Quality and Safety Supervision answer reporters’ questions on the Administrative Measures for Commitment Certificates of Compliance for Agricultural Product Quality and Safety ［EB/OL］. （--）［--］. in Chinese）

[60] Ferrari V， Calvini R， Menozzi C， Costi E， Giannetti D， Hoffermans P， Maistrello L， Ulrici A. NIR hyperspectral imaging to identify damage caused by Halyomorpha halys on pears： Automated identification of Regions of Interest related to punctured areas［J］. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2025， 343： 126543. DOI：10.1016/j.saa.2025.126543

基金资助

中国科学技术协会青年人才托举工程项目(YESS20240614)