DOI:10.12301/spxb202600026
中图分类号:TS201.1;|TS203
食品智能装备及其关键技术的发展现状与产业应用
刘东红， 刘鹏飞
| 【作者机构】 | 浙江大学长三角智慧绿洲创新中心； 浙江大学生物系统工程与食品科学学院 |
| 【分 类 号】 | TS201.1;TS203 |
| 【基 金】 | 浙江省“尖兵”“领雁”研发攻关计划资助项目(2023C01173)。 |
全文
文内图表
参考文献
出版信息
目录
文内图表
食品智能装备及其关键技术的发展现状与产业应用
工业4.0是以信息物理系统为核心,通过物联网、大数据、人工智能等新一代信息技术与制造业深度融合,实现生产过程智能化、柔性化、网络化的第四次工业革命。在工业4.0驱动产业深度变革的背景下,食品工业正经历从传统制造向智能制造的根本性转型[1]。随着消费者对食品品质安全、营养个性化和可追溯需求的爆发式增长,以数据驱动、智能感知、精准调控、全链协同为核心的智能化技术,已成为破解产业发展难题、重塑食品工业竞争力的关键引擎[2-3]。当前,食品工业正从食品原料的智能监测[4]、食品的智能分选[5]、柔性自动化生产加工[6]、智能餐品智造以及智能包装[7],构建了食品产业生产、加工、包装和销售的全新智能体系[8-9]。
传统食品装备依赖于经验驱动和规模化生产的模式,在生产品质、装备精度、效率成本、数据协同等方面存在相对短板,难以适配多品类、小批量的市场需求,且装备的灵活性与应变能力薄弱[10-11]。技术局限在于感知层、决策层和执行层体系的碎片化与低效能。在感知层面,传统模式依赖人工感官与单一刚性检测设备,感知维度有限且精度不足[12]。原料品质感知环节多依赖传统物理传感获取基础信息,缺乏对原料内在品质的精准检测技术[13]。在工艺和环境感知环节,装备搭载的传感器多为固定参数型,无法捕捉动态工艺波动[14]。在决策技术上,长期依赖人工经验替代系统化技术模型,缺乏数据驱动的决策算法与动态优化能力,导致决策结果主观性强、适应性差、可验证性低,难以应对生产过程中的动态变化[15]。在执行层面,传统装备以刚性机械结构为主,适配性与灵活性不足,无法适配多品类生产与动态参数调整[16]。此外,传统食品智能装备的技术短板相互影响、协同失效,间接限制了食品智能装备的发展。
智能技术的崛起,为破解传统食品产业的发展困境提供了全方位解决方案。随着机器视觉、光谱分析、柔性传感、电化学传感等多类型感知单元的兴起[17],通过多模态传感技术与物联网融合,可对食品原料的成熟度、加工过程的工艺参数、成品的安全指标进行全面监测。如近红外光谱可快速完成谷物水分[18]、蛋白质含量检测[19],柔性生物传感器贴附肉的表面能够实现致病菌的筛查,机器视觉被用于果蔬表面缺陷的自动识别[20-21]。这些技术的突破,为破解传统食品产业发展困境提供了关键基础。在决策层,人工智能与大数据技术解决了传统决策主观性强、适应性差的痛点,可有效构建实时分析、动态调整和提前预测的决策体系。机器学习、深度学习算法对海量感知数据的深度挖掘,可实现品质预判、工艺优化与风险预警[22-23]。如采用卷积神经网络,通过分析色泽和纹理数据,可监测烘焙产品的烘烤状态[24];采用强化学习算法在工艺参数决策中,可根据原料波动动态优化饮料糖酸比;采用遗传算法,可在天然产物的提取中寻求最优工艺参数[25]。在执行层,柔性自动化与智能装备实现了生产过程的精准调控与柔性适配。同时,融合了柔性传感、精密控制、机器人技术的智能装备,可根据感知数据与决策指令实现自适应调整。如3D打印食品装备可根据消费者的营养需求与口味偏好定制个性化膳食[26],分拣机器人的机械抓手可根据果实的软硬度自动调整抓取的力度。智能化技术的崛起不仅解决了传统食品装备感知维度窄、数据滞后、精度不足的核心困境,更是为决策层的智能判别和执行层动态调整提供了依据[27-28]。此外,工业互联网与区块链技术构建了全链条的数据共享与可信追溯体系。工业互联网平台实现了种植/养殖、加工、仓储、物流、销售等各环节数据的实时互通,实现了原料的精准供给;区块链技术凭借其不可篡改、全程可追溯的特性[29],为食品溯源提供了可信的解决方案,从根本上解决了食品安全信息不对称的问题。
本文拟对食品智能装备特征进行界定,并详细阐述智能化技术在食品分选、分切、杀菌、包装等典型场景的应用实践,结合具体案例量化技术的应用成效,并深入分析智能装备在多模态传感融合、AI与数字孪生深度集成、绿色智能装备研发、全链可信协同等方向的发展趋势与挑战,期望能够促进智能装备技术在食品工业领域更广泛的应用。
1 食品智能装备的定义与核心特征
食品智能装备是融合食品工艺、机械工程、大数据、人工智能、物联网、传感检测、自动控制等多学科技术,应用于食品生产全链条,能够实现自主感知、智能决策、精准执行与动态优化的食品工业装备。食品智能装备的核心特征是通过装备的智能化,提升食品加工生产效率、保障食品质量安全、降低资源浪费和人工依赖,推动食品工业的数智化、绿色化转型。
食品智能装备具有六大核心特征(图1)。1)多维感知与数据驱动。智能装备集成温度、湿度、压力、成分分析,图像识别等多种感知单元,实时采集食品生产全流程的物理、化学、生物特征数据及设备运行状态参数。基于这些数据构建数据库,为后续的智能决策提供数据支撑。2)智能决策与自主调控。依托机器学习、深度学习、专家系统等算法,对采集的数据进行分析、挖掘与建模,自主判断生产过程中的异常情况,并自动生成最优调控方案,驱动执行机构完成参数调整、工序切换、故障处置等操作。3)精准控制与高效生产。采用自动控制技术,对食品生产环节实现精准控制,降低生产误差,提升产品质量的稳定性与一致性;同时优化生产流程、减少生产间隙与物料浪费,提升生产效率,降低单位产品的能耗与成本。4)互联互通与协同运作。支持5G、Wi-Fi、LoRa、工业以太网等物联网通信协议,实现单台装备内部各模块、生产线内多台装备之间、车间与工厂管理系统之间的互联互通,形成装备-产线-供应链的全链路协同网络;同时根据生产任务需求进行柔性调度,实现多工序、多生产线的高效协同运作,提升生产组织的灵活性与应变能力。5)全生命周期追溯与安全保障。通过采用二维码、RFID标签等标识,结合生产过程数据记录,实现从原料采购、生产加工、成品检验到仓储物流、终端销售的全生命周期追溯,为食品安全监管与召回提供技术支撑,最大限度保障消费者健康。6)柔性生产与个性化适配。具备较强的柔性生产能力,可通过修改参数、更换模具或调整算法模型,快速适配不同品类、规格、口味的食品生产需求,无须大规模改造设备,有效降低多品种、小批量生产的成本,满足当前消费市场个性化、多元化的需求。
图1 食品智能装备核心特征
Fig.1 Core characteristics of intelligent food equipment
2 食品智能装备及其关键技术的发展现状与应用
2.1 智能分选装备及关键技术
智能分选作为食品加工的预处理环节,是保障食品质量安全、提升生产效率、降低成本损耗的核心手段。传统自动化分选技术具有单一刚性特征识别、适应性差、生产线柔性不足和缺乏智能决策能力的缺陷[30]。智能分选技术融合了AI视觉、深度学习、光谱分析和机器人柔性抓取等多维度检测手段,通过感知柔性化+决策智能化,可突破传统分选的刚性瓶颈,适配现代产业多品类、高精度、快响应的分拣需求。食品智能分选的典型应用包含果蔬分选、谷物分选和肉类分选。
2.1.1 果蔬智能分选装备及关键技术
果蔬智能分选装备融合了机械、电子、计算机、图像处理、传感器等多学科技术,能够依据果蔬的大小、形状、颜色、质量、内部品质等诸多特征,对果蔬进行精准、高效的自动化分选。机器视觉和人工智能的迅速兴起可实现对果蔬表面缺陷的识别,消除人工识别误差和主观性的影响,见图2。Xu等[31]开发了一个基于YOLOv8的计算机视觉管道,用于对输送线上行驶的每个红薯进行分割和跟踪,并实时分析样本质量状况。基于YOLOv8l的实例分割,红薯的长度和宽度估计准确率分别为96.7%和90.3%,而根据表面缺陷条件的3种红薯类别的实例分割整体准确率为82.6%,对4种红薯类别进行分级的整体准确率为91.7%[图2(a)]。Chakraborty等[32]开发并测试了一款适用于柑橘类水果的自动水果分级机,能够一次性完成水果的清洗、基于图像的分类和基于质量的分级。通过设计并开发SortNet轻量级神经网络模型,能够将新鲜柑橘正确分为两类,成功率为97.6%,并且能够将柑橘分为轻、中、重三个质量类别,准确率为91%[图2(b)]。 近年来,人工神经网络、线性判别分析等算法在果蔬分类中得到广泛应用,其中多层感知器作为典型的非线性模型,在处理外观特征与等级标准间的复杂映射关系上展现出更强的适应性。Mohi-Alden等[33]开发了一种用于甜椒识别的机器视觉算法并配备智能建模方法,能够预测理想甜椒的大小和其成熟度,准确率、精确度、灵敏度和特异性,分别为93.2%、86.4%、84%和95.7%[图2(c)]。 水果储存和包装中预分选可有效去除劣质水果,从而提高分拣效率和实现成本节约。Zhang等[34]开发了一种苹果内场分级和分拣系统,通过使用简单、紧凑的可变螺距螺旋输送器实现水果的排序、旋转和运输,利用低成本成像系统完成水果分级(针对大小和颜色),并通过使用桨式分拣机完成水果分拣。结果显示,系统的分级重复率对于内道和跨道分级分别高于90%和81%,苹果在分拣过程中没有损伤。果蔬外观特征与成熟度的关联,导致分选参差不齐,通过自动化提取果实外观特征并实现成熟度的分类,成为突破传统分选局限的主流方向[图2(d)]。Azarmdel等[35]采用图像处理和人工智能分类算法,将白色和红色桑葚按照成熟期进行分类,通过提取颜色、几何和纹理特征,经过图像处理、特征提取和降维处理后,利用人工神经网络(ANN)和支持向量机(SVM)将每个果实分为6个可能的类别[图2(e)]。结果表明,采用CFS子集特征提取方法的ANN分类模型在训练集、验证集和测试集上的准确率分别为100%、100%和99.1%;采用CONS子集特征提取方法的ANN分类模型在训练集、验证集和测试集上的准确率分别为100%、98.9% 和 98.3%。果蔬智能分选装备依托多学科技术融合,尤其借助机器视觉、人工智能等先进技术及各类算法实现了对多种果蔬多特征的精准分选与成熟度分类,显著提升了分选效率与准确性,同时兼顾了成本节约与果蔬无损保护。
图2 果蔬智能分选系统的类型和应用
Fig.2 Industrial application of intelligent equipment in fruit and vegetable sorting
2.1.2 谷物和坚果智能分选装备及关键技术
传统谷物分选方法主要依赖于人工和简单的机械分选,具有人力成本高、效率低且容易受到人为因素影响的特点。智能分选装备结合了现代计算机视觉、人工智能和机器学习技术,能够根据谷物的颜色、形态、大小、质量等特征进行高效、准确的分类,见图3。Wang等[36]通过深度学习算法并结合实验研究设计了一种核桃自动分拣机,选用了PSPnet、U-net和Deeplabv3+三种深度学习语义分割算法训练核桃模型。结果表明,U-net算法是最有效的,达到了96.71%的平均交并比和98.52%准确率[图3(a)]。深度学习的兴起突破了传统算法的局限,具有更强的抗干扰能力,适配复杂分拣环境,能够兼具精度与效率。Wonggasem等[37]引入了一套自动质量检测框架,并使用迁移学习技术训练了MobileNet、VGG16、ResNet50V2和EfficientNetB5网络。结果表明,深度学习模型的效果优于传统图像处理方法。采用EfficientNetB5 网络取得了99.06%的准确率,而传统图像处理方法的准确率为 95.28% [图3(b)]。Bhupendra等[38]开发了一个用于大米缺陷识别的机器视觉系统,采用了5种先进的、内存高效的深度卷积神经网络模型,即 EfficientNet-B0、ResNet-50、InceptionV3、MobileNetV2和MobileNetV3,并对其进行微调,以实现对碾磨大米颗粒的损伤分类。其中,EfficientNet-B0架构实现了98.37%的总体分类准确率,预测时间仅为0.122 s,可作为市场等交易场所对受损稻谷进行更准确、更客观质量评估的工具[图3(c)]。除机器视觉分选外,研究人员尝试开发了声信号分选系统,对坚果进行无损分选,突破了复杂环境干扰的局限。Hosseinpour-Zarnaq等[39]开发了一种通过声发射信号对开心果进行排序的一维卷积神经网络(CNN)模型,提出的基于CNN的模型直接从原始时域数据中学习特征,CNN分类器的整体准确率和均方误差分别为98.75%和0.01[图3(d)]。在某些特定场景下,谷物分选需要穿透外壳识别内部信息,传统光谱技术仅能获取目标物的平均光谱信息,无法区分同一样本不同区域的差异,普通成像技术仅能捕捉外观空间特征,难以反映内部成分。Chen等[40]提出并构建了一个整合了推扫式和快照高光谱成像技术与深度学习模型,以实现准确高效的花生缺陷检测,所开发的3D-CNN架构实现了98%的分类准确率[图3(e)]。谷物分选技术已形成机器视觉主导外观分选、声信号赋能无损检测、高光谱聚焦内部品质的多元化体系,有效解决了传统分选中效率低、精度差,样品易损伤的痛点。未来,随着模型轻量化与装备小型化的推进,谷物分选技术将进一步向全流程智能化、多场景适配化、成本可控化方向发展。
图3 智能装备在谷物分选产业中的应用
Fig.3 Industrial application of intelligent equipment in grain sorting
2.1.3 肉蛋类智能分选装备及关键技术
在肉类产业屠宰-分割-加工-流通全链条中,分选环节是连接上游屠宰与下游加工、消费的关键节点。智能装备在肉品分选领域已形成典型产业化应用,见图4。通过分选去除病变、微生物超标和异物污染等不合格肉品,或按照大理石纹、脂肪含量和嫩度划分等级,可直接提升肉类的商品价值。与传统均匀照明成像技术相比,结构化照明反射成像技术是一种评估肉类质量的有效方法。Cai等[41]结合深度学习和结构化反射照明成像提出了一种新的牛肉大理石纹评估方法。该研究结果表明,结构化反射照明提供的交流图像在分辨牛肉大理石纹特征方面具有更强的能力。利用最小冗余、最大相关性识别的相关特征集进行建模,大理石纹分类的准确率可达到90.85%[图4(a)]。牛肉胴体的筛选和分级具有复杂性,胴体质量和产量的评估通常由专业人士通过人为评估方式进行,以量化产量并为屠宰线上的每个胴体分配相应的等级。Wakhdi等[42]开发了一种新颖的图像分析系统,用于预测牛肉产量和质量。研究结果表明,采用140个牛肉胴体样本的图像数据开发出的模型,对牛肉中瘦肉比例及其他参数具有良好的预测性能(R2>0.86)[图4(b)]。 Nasiri等[43]提出了一种新颖且精确的深度VGG16模型,对未清洗的鸡蛋图像进行分类。通过5折交叉验证对VGG16模型的性能评估显示,该模型的准确率、精确度、灵敏度、特异性和受试者工作特征曲线下面积分别为96.55%、95.59%、94.92%、97.39%和96.16%,平均总体准确率为94.84%[图4(c)]。
图4 智能装备在肉蛋类分选产业中的应用
Fig.4 Industrial application of intelligent equipment in meat and egg sorting
水产品富含优质蛋白质、不饱和脂肪酸等营养成分。传统鱼类品质评估方法主要依赖人工视觉检测,该方法在精确评估上严重依赖人类的感官,导致准确性和效率容易受到外界变化的影响。FishNET-S和FishNET-T两种神经网络架构,被分别用于评估印度沙丁鱼和黄鳍金枪鱼质量等级。该评估结果表明,FishNET-S模型可获得84.1%的准确率,为深度学习模型用于鱼类质量评估提供了新思路[图4(d)]。 此外,水产品的感官评估、总挥发性碱氮、菌落总数和视觉图像存在着复杂的耦合关联,Hou等[44]开发了一种先进的YOLO-Shrimp模型,用于评估凡纳滨对虾新鲜度变化与视觉图像之间的关系。该研究结果表明,YOLO-Shrimp模型具有卓越的性能。该模型在5 000个训练周期后展示了最高的精度(95.23%)、召回率(89.05%)、F1分数(92.04%)、mAP50(92.32%)以及mAP50:95(70.2%)[图4(e)]。根据总可食性计数(TVC)和灰度值,在4 ℃条件下储存期间建立了凡纳滨对虾新鲜度变化与视觉图像之间的关系。Zheng等[45]开发了一种快速且非破坏性的评估大黄鱼新鲜度的方法,结合计算机视觉技术和卷积神经网络,应用修改后的ResNeXt架构自动提取特征并建立新鲜度分类模型。结果表明,卷积神经网络模型能够识别无法察觉的视觉变化,并在24 h和12 h的间隔内分别达到了84.0%和72.0%的分类准确率[图4(f)]。
2.2 智能切分装备及关键技术
智能切分技术融合了人工智能、机器视觉和智能控制等多学科技术,针对不同品类的物理特性实现精准高效的切割处理,广泛应用于果蔬加工、畜禽屠宰、水产处理、家禽切分等多个领域。目前食品智能切分装备正逐步取代传统人工与机械切割模式,成为提升生产效率、保障产品品质的核心支撑。智能切分系统基于感知、决策和执行的闭环控制系统,通过智能感知、智能决策、智能执行三大技术体系的协同运作,可实现复杂食品物料的精准切割。
2.2.1 智能感知系统及关键技术
由于食品种类、形状、尺寸和解剖特征存在显著差异,因此执行食品切割任务时,感知是最重要的步骤。视觉传感、力学传感、光电传感等组成的感知模块可实时获取食品物料特性和空间信息。视觉传感器是实现肉类切割机器人化的关键,可用于识别肉类空间方位、确定切割轨迹以及监测切割过程。Xie等[46]采用双摄像头进行绵羊胴体后腿分割,一个摄像头用于获取胴体图像,另一个用于控制机器人的切割轨迹。该研究结果表明,在二维图像中胴体后腿能够被良好识别,切割机器人可根据图像信息从绵羊胴体上切割下后腿,但二维视觉传感器仅能提供整体视图,缺乏深度信息。在二维视觉系统辅助猪腹部切割研究的基础上,Cong等[47]进一步采用双目视觉相机生成3维图像用于机器人加工,成功率提高了37.92%。Liu等[48]发现,激光传感器能够生成高精度的猪胴体三维点云,并优化机器人的切割轨迹。结合激光传感器的机器人能够适应不同品类的猪,对150头猪进行腹部切割的成功率达到90%。De Medeiros等[49]开发了猪胴体三维点云切割数据集,以提高机器人切割的智能化程度。此外,由于切割对象种类和材料特性不同,具有宽量程的力传感器在机器人切割中至关重要,可为机器人提供连续的力反馈和切割指导。Misimi等[50]提出了一种灵活自适应的机器人解决方案GRIBBOT,该研究结果表明,整合三维视觉传感器的机器人能够在 4.75 s内从鸡身上采收单个鸡胸肉,该机器人还可应用于其他复杂任务。
2.2.2 智能决策系统及关键技术
决策模块是智能切分技术的大脑,基于感知模块获取的物料数据,通过AI算法与预设模型生成最优切割方案,包括切割路径、切割力度、切割速度、刀具角度等参数的动态调整。深度学习算法通过海量切割数据训练,预测切割过程中可能出现的物料变形问题,可实现对不同品类食品切割参数的精准匹配。Subrin等[51]将 7 自由度机器人与力传感器结合用于火腿去骨操作,并通过分析机器人的运动学和动力学特性,设计了一种优越的力控制策略,以实现出色的切割性能。Maithani等[52]开发了一种阻抗控制系统,将力传感器与库卡KWR机器人结合,辅助工人进行切割。该系统为不同肉类提供了灵活的切割方法,并将所需的力减少了约30%。监测切割力的变化对于判断切割状态和选择最优切割参数以提升切割性能至关重要。Kato等[53]基于切割力信息开发了一种时延神经网络模型,用于识别切割过程中软质物体的材料类型和形变特征。类似地,Gemici等[54]设计了一种结合力传感器的机器人,用于研究复杂可变形食品的物理属性并优化切割策略。Mannaro等[55]针对传统撒丁岛扁平面包生产过程开发了一种基于支持向量机的图像采集系统,能够成功实现面包片图像的准确分割,确保所提取的尺寸参数能够代表来自生产过程的片状物,算法产生的最大误差相当于像素大小的2.2%。
2.2.3 智能执行系统及关键技术
执行模块负责将决策指令转化为具体的切割动作,通过高精度伺服电机、智能刀具系统、机器人手臂等,保障切割精度、切割速度及动作稳定性。与传统切割方法相比,超声振动辅助切割具有优异的自清洁能力,可减少污染和食品安全风险。Yildiz等[56]在使用超声振动辅助切割苹果时提出,超声振动辅助切割的苹果表面光滑、细胞损伤小,且保质期延长。此外,水射流切割是一种非接触、非热切割技术,特别适用于肉类切割,可消除污染、提高切割性能并提升卫生安全水平。目前,搭载水射流切割系统的机器人已逐步应用于中央厨房场景,且展现出优异的运行性能[57]。
2.3 智能发酵关键技术
食品智能发酵以智能传感、物联网、人工智能、云计算等现代信息技术为基础,融合生物工程、食品科学和控制工程技术,正在推动酿造发酵行业向数据驱动、快速响应的智能化生产模式转型。智能发酵的核心目标是通过数据驱动实现发酵过程的可量化、可解析、可控制,同时提升生产效率、保障品质稳定和降低资源消耗,通过物联网、人工智能等技术的深度融合,实现全流程数据的实时监测、智能分析与精准控制。
2.3.1 数据采集技术
数据采集是智能发酵的核心,有效的数据采集技术可为智能发酵提供基础数据支撑。发酵是利用微生物的发酵作用,将谷物、水果、乳类等产品转化为一系列香气、色泽和口感相关的化合物。该过程对温度、营养状况、氧气可用性和微生物生态极为敏感,关键参数的偏离可能导致发酵动力学不佳、腐败微生物滋生或异味化合物积累,从而影响产品的质量。针对发酵过程的复杂环境,传感器和执行器可为发酵过程的监测和控制提供技术基础,包含对温度、糖分、气体浓度、乙醇含量等成分的检测。工业物联网、多参数传感器和云连接技术的融合发展正开始改变这一格局。低功耗无线网络使密集的传感器阵列能够以最少的基础设施,从数百个储罐中实时传输温度、密度、压力和溶解气体数据。近红外光谱、拉曼光谱、电子鼻和电子舌阵列等光学和化学计量探头,能够原位估算糖分、乙醇、有机酸和关键香气物质,为发酵动力学和风味形成机制提供更丰富的数字特征。
2.3.2 人工智能技术
人工智能与机器学习技术是智能发酵的核心驱动技术,主要应用于发酵的过程控制、工艺评价、品质预测等关键环节。长期以来,线性和化学计量方法通过利用不同采样条件下传感器信号与成分变化之间的近线性校准关系,在追踪发酵方面被证明是有效的[58]。主成分分析、偏最小二乘回归以及深度神经网络、长短期记忆网络,通过对历史批次数据的学习,模型可识别影响产品质量的关键控制点,建立输入参数与输出品质之间的映射关系。然而,现代发酵系统产生的数据远远超出了传统的过程指标,成分复杂且难以评价。深度学习模型的出现弥补了这一缺陷,通过整合深度学习模型可以根据传感器采集数据映射为风味描述或成分参数。某些深度学习模型已应用于发酵过程,其对时间的依赖性特征和长程关联模式的捕捉能力,实现了对发酵动态的精确时间序列建模,能够提前预测关键变量并及时检测过程异常[59]。此外,在数字孪生技术层面,已有多项研究实现了数字孪生框架,将实时过程数据与先进的生物动力学模型相结合,实现对发酵参数的精确控制和优化[60]。在其他食品加工领域,类似方法已展示出数字孪生在减少变异性、提高产品质量和优化资源利用方面的潜力,为智能发酵管理提供了坚实基础[61]。
2.3.3 智能控制技术
食品发酵生产线的优化控制技术通过整合自动化、智能化、信息化手段,可有效实现产线全流程的精准感知、动态调控与全局优化。Zhao等[62]开发了一种基于数字孪生技术的控制系统,用于食品发酵预测方法,通过卷积特征融合建立碳源和细菌的PLSR预测模型,碳源和细菌浓度的PLSR预测均方根误差分别为0.553 8 mg/mL和0.055 8(Au),相对预测偏差分别为5.63和6.52。该研究结果表明,基于数字孪生技术的发酵预测与控制系统具有较好的鲁棒性和可靠性,有利于推进食品发酵工业数字化、智能化发展。葡萄酒发酵过程受酵母活性、原料成分、环境条件等多因素动态影响,易因酵母代谢异常、杂菌污染等问题引发发酵偏离预期。人工智能算法凭借其在小样本、高维数据分类中的优异性能,被广泛探索用于发酵过程异常识别。Urtubiq等[63]将支持向量机(SVM)作为异常发酵早期检测的工具,可实现对80%葡萄酒发酵过程的准确预测。
2.4 智能杀菌装备及关键技术
食品加工过程中的杀菌环节,是保障食品安全、延长食品保质期的关键步骤,其技术水平直接决定食品品质与消费者信任程度。传统热力杀菌、化学杀菌等技术存在过度处理,从而导致营养流失、杀菌效果不稳定、能耗高等问题,难以适配现代食品工业对安全、营养、高效、绿色的多元需求[64]。随着人工智能、物联网、传感器等技术的深度渗透,食品杀菌正从经验化操作向智能化精准控制转型。Li等[65]开发了一种用于天麻绿茶的脉冲光灭菌(PLS)方法,基于遗传算法支持向量回归构建杀菌效果预测模型。该研究结果表明,遗传算法支持向量回归模型的决定系数为0.97,均方根误差为27.33 CFU/mL。与传统的巴氏消毒相比,PLS对天麻绿茶质量的影响较小,在保持质量与经济效益之间达到了最佳平衡。王想等[66]设计了一种适用于生食水产品的紫外线杀菌强度智能调控系统,通过传感层实时采集生食水产品加工生产线的品类特征信息与环境参数,并完成数据的本地存储与云端数据库上传。系统基于云端杀菌工艺数据库开展数据比对分析,精准判定水产品所需的杀菌等级,继而自动调控紫外线杀菌装置的输出强度,最终可实现生食水产品自动化生产线的分类分级精准杀菌。
2.5 智慧厨房与智能食谱的关键技术与产业应用
2.5.1 智慧厨房关键技术及应用
厨房作为家庭饮食健康的核心区域,正在物联网、人工智能、大数据等技术的驱动下,经历根本性变革。在智慧厨房与智能食谱的深度融合中,烹饪过程的精准控制是实现食谱方案落地的核心环节,而食物生熟的动态监测与实时调整,更是决定菜品口感与营养的关键。传统烹饪中,生熟判断依赖人工经验,易因火候把控偏差导致过熟或夹生,尤其在批量烹饪场景下,一致性难以保障。为解决这一痛点,智能烹饪设备正逐步引入多技术协同的感知与决策方案。Lin等[67]采用机器视觉和人工智能算法快速检测食物的烹饪状态,采用智能电磁炉进行加热,通过图像处理程序自动识别食物烹饪前后的颜色变化,精准标记样品中过熟与未熟区域,并联动执行翻炒操作,单张图像的判别时间可缩短至0.2 s以内,误判率可降至 3% 以下。此外,厨房场景下的食材种类繁多、形态易受切割处理影响,且光线、摆放角度等环境因素常导致识别精度波动,传统识别模型难以兼顾效率与准确性。Rokhva等[68]利用预先训练好的MobileNetV2模型,并通过全面的微调、数据增强、超参数优化、动态学习以及使用不同质量的图像来进行自动、准确且实时的食物识别。所采用的方法在减轻过拟合、减少性能波动以及提高模型的整体性能和泛化能力方面效果显著。该研究结果表明,当输入图分辨率为256×256像素时,模型可实现图像的快速分类,分类准确率约为92.97%。在烘焙加工环节,传统品质评价模式多依赖成品离线检测,不仅存在显著的时效性滞后问题,更难以对烘焙过程中的工艺参数进行动态、精准的实时调控。Ye等[69]通过改进基线提出了一种实时的烘焙成熟度检测分类方法,通过小样本增强策略构建烘焙食品图像的数据集,并设计了一个嵌入式移动检测平台验证其优越性。结果表明,该分类方法的平均成熟度检测准确率达到了93.85%,在移动平台上实现了每张图片447 ms的检测速度,在各类食品成熟度检测中显示出较大的应用潜力。
2.5.2 智能食谱关键技术及应用
在物联网、人工智能、大数据等技术与智能家居深度融合的浪潮下,饮食场景正经历从经验驱动到数据驱动的根本性转变。食谱作为连接饮食需求与烹饪执行的核心载体,也逐步摆脱传统文字描述的局限,升级为具备个性化适配、标准化落地、健康化管控能力的智慧食谱。智慧食谱以用户需求为核心,整合多维度数据资源,依托智能算法,实现从被动查询到主动服务的跃迁,不仅成为智慧厨房生态的核心节点,更在家庭健康管理、餐饮行业标准化、特殊人群饮食保障等领域发挥着日益重要的作用。Jadhav等[70]设计并开发了基于视觉的智能食谱推荐系统(VBIRRS),该系统不仅智能地推荐了现有蔬菜可能制作的食谱,还记住了用户的偏好和选择,并智能地推荐食谱,实现了81.6%的准确率。科学合理的食谱能够激发用户的烹饪创意,并支持用户根据现有食材制定新的食谱。Kansaksiri等[71]开发了一种智能烹饪系统,该系统能够通过人工智能生成的食谱以及OpenAI完成聊天服务,为用户提供了用户友好的界面,并提供有关食物和营养方面的专业建议。Rodrigues等[72]提出通过食物成分的图像识别来开发食谱推荐系统,该系统识别用户提供的图像并推荐包含识别食材的食谱。通过构建卷积神经网络模型ResNet-50来进行图像识别,该模型在分类数据集图像时的准确率达到了96%。在智慧食谱的算法驱动方面,生成式人工智能尤其是大型语言模型为食谱创新提供了新路径,但其在复杂烹饪逻辑理解与个性化需求适配上的短板,成为制约食谱实用性的关键瓶颈。Tsolakidis等[73]利用脑电图(EEG)信号开发了一套个性化的膳食推荐系统,通过分析用户对食物的脑部反应来确定其可口度。该系统采用分层集成机器学习模型和TOPSIS方法,综合考虑用户偏好和营养需求,构建了个性化的膳食建议,并通过混淆矩阵、F1分数和曲线下面积评分等评估进行了验证。脑电图信号的引入增强了系统理解用户偏好的能力,而集成机器学习模型则通过结合多个模型的预测提高了其准确性。
2.6 食品加工机器人关键技术及应用
作为工业4.0的一部分,食品机器人可满足食品精准制造对灵活性、效率和质量稳定性的需求,提升生产效率并减少原料浪费。此外,食品机器人在某些场景下能够替代人类,在危险或易带来身心压力的环境中作业。例如在屠宰和鱼类加工过程中,机器人可以有效提升精度并解放人类劳动。尽管机器人已出现在许多工业领域,但它们在食品工业中的应用主要局限于拾取、放置、分拣或分级,以及肉类屠宰、包装和码垛等操作。但是在食品材料的形状、尺寸、质量、摩擦系数、流变学和机械性能等关键指标上的变异性与信息缺失等问题,仍未得到完全解决。智能机器人在食品工业中的关键应用见图5。
图5 智能机器人在食品工业中的应用
Fig.5 Application of intelligent robots in food industry
在食品加工处理环节,机器人在快速移动且对食品材料持续性抓取和放置操作中具有显著优势。JO等[74]开发了一种由圆形外壳组成的抓取系统。该系统由气动驱动,能够在低气压下产生提升力和扭矩[图5(a)]。该系统的圆形结构集成了4个气室,这些气室可以充气,使夹具能够抓取不同形状和尺寸的食品。切割机器人可以通过分离食品的可食用和不可食用部分,获取食品所需形状,在果蔬和肉类的切割中应用广泛。最近,Bao等[75]开发了一种双机器人系统,包括3D 扫描机器人和切割机器人系统[图5(b)]。扫描机器人生成羊胴体的3D点云,并规划切割轨迹以驱动切割机器人的运动。结果表明了使用机器人对羊胴体进行精准切割的可行性。此外,工人在食品包装过程中执行的重复性操作效率低下,是当前食品工业主要瓶颈问题。针对食品形状各异的状况,Kanegae 等[76]提出了一种气动外壳夹具,可同时包装多根黄瓜,并取得了良好的结果[图5(c)]。
表面场所和设备装置的精确清洁对食品安全至关重要,这一需求推动了机器人技术的应用探索。相关实践证实,面对多样的材料类型与加工条件,机器人清洁操作的效能与效率均实现显著提升。机器人系统不仅在速度方面具有优势,还能够根据不同的材料和 3D 复杂结构调整清洁条件。Yin等[77]提出了一种使用人工支撑机器人的桌子清洁和检查方法,并采用轻量级的深度卷积神经网络来识别餐桌上的食物垃圾。此项研究结果表明,该机器人可以在美食广场环境中正常运作[图5(d)]。Wang 等[78]开发了一种机器人手。该机器人手由柔性波纹管执行器组成,能够从一堆盘子中取出和抓取塑料和陶瓷盘子,并且这些盘子可以放置在不同的角度。这将是在餐饮服务行业或家庭环境中应用完整机器人洗碗系统的重要开端,尤其适用于对自动化需求日益增长的老龄化群体。
2.7 食品装备的其他关键智能技术及应用
智能系统是一个集感知、通信、计算、决策、控制于一体的复杂有机整体,其核心内涵在于通过技术融合实现物理世界的数字化重构与智能化驱动。相较于传统系统,智能系统具备三大典型特征:一是全域感知能力,通过多模态传感器网络实现对物理实体、环境、人的全维度数据采集;二是虚实协同能力,依托数字孪生技术构建高精度数字模型,实现物理与数字空间的实时同步与交互;三是自主进化能力,借助人工智能算法对海量数据进行挖掘分析,持续优化模型与决策策略,实现系统的自我迭代升级。
2.7.1 数字孪生技术的应用
数字孪生作为智能系统的核心技术,通过传感器、物联网、大数据、人工智能等技术,在虚拟空间中构建与物理实体高度相似的数字模型,能够实时映射物理实体的状态、行为与性能,并通过模拟分析与优化决策,实现对物理实体的全生命周期管理[79]。数字孪生技术凭借物理实体-虚拟模型-数据交互的核心架构,将食品智能装备的物理状态、运行数据、环境参数实时映射至虚拟空间[80]。数字孪生技术不仅能实现食品装备全生命周期的可视化监控,更可通过虚拟仿真预判故障、优化工艺参数,为食品智能装备突破经验依赖瓶颈提供关键技术支撑。随着物联网和人工智能技术的快速发展,数字孪生技术在食品行业的转型中发挥着关键作用,能够实现更智能、更高效的生产和供应链管理[81]。通过创建物理系统的虚拟镜像,数字孪生借助传感器、数据收集和计算机模拟将物理世界与虚拟世界相连接。这种集成不仅优化了生产流程,还提高了自动化水平、决策效率和实时问题预测能力,从而实现更智能的生产管理。
2.7.2 物联网和数字孪生技术的融合应用
物联网和数字孪生技术的融合可应用于食品加工、冷链运输监控和零售的诸多领域。针对杀菌、发酵、干燥等核心工艺,数字孪生系统可通过传感器实时采集温度、湿度、微生物含量等数据,构建多物理场耦合模型,有效实现动态参数的优化[82]。在冷链运输监控和零售中,数字孪生技术通过构建物理实体的动态虚拟镜像,融合物联网感知、AI分析与实时数据交互,可有效为食品全链条提供品质保障。通过在冷藏车上部署温度、湿度、振动、GPS定位传感器,数字孪生系统可实时采集数据并同步至虚拟模型,构建运输场景的动态镜像。此外,通过实时数据采集和深度学习算法,数字孪生系统能够模拟和预测食品质量的变化,优化存储条件等参数,并支持供应链中的主动决策。近年来,云平台为物联网设备提供了强大的数据处理和存储能力,嵌入式系统和云计算使得深度学习模型能够更切实地应用于现实世界,提高了食品可追溯性。嵌入式系统在现场快速处理数据,减少了数据传输的延迟,深度学习和计算机视觉技术能够准确识别食品产品的各种特征,而云计算强大的计算能力能够在短时间内处理大量数据,并做出准确的判断和决策。
3 食品智能装备发展与应用的挑战与解决方案
在消费升级与工业4.0产业变革的双重驱动下,食品工业正加速向智能化、精准化方向转型,而食品智能装备作为核心载体,其技术突破直接决定产业高质量发展的进程。当前,光学检测、柔性传感、数字孪生等前沿技术已成为食品装备升级的关键支撑。然而,智能化装备技术的落地仍面临多重现实挑战和关键痛点,这些挑战和痛点不仅限制了单一技术的应用深度,更制约了装备整体智能化水平的提升,亟须针对性的技术优化与系统性解决方案。
3.1 复杂场景下检测技术的挑战与解决方案
食品多组分干扰、物理形态异质性和工作环境动态波动影响智能装备的检测和加工效果,当前技术的精度和稳定性往往难以满足需求。通过合理决策优化方法可提升智能装备在复杂环境下的智能决策能力,保障食品智能装备的稳定性与精度。首先,传感器在复杂环境下会出现信号的噪声叠加、基线漂移和特异性识别不足等问题,严重抑制了噪声的准确性。因此,推动传感技术的定向突破与升级,通过高精度硬件选型和数字滤波算法融合协同策略提升传感器性能,可为复杂场景下技术瓶颈的突破提供有效支持。此外,柔性传感器具有可弯曲性、生物相容性及环境适配性的优点,突破了刚性传感器在食品智能装备中形态不匹配、操作易损伤和场景适配性差的缺陷,为复杂场景提供了全新的解决方案。然而,当前的材料体系难以实现柔性传感器的稳定-精度-寿命的最优平衡;同时,食品智能装备需同步处理柔性传感的力、化学、温度等多源数据,但当前融合技术存在明显短板。为此,可构建多源信息融合框架,通过特征层融合、决策层融合等方式,对柔性传感获取的力、化学、温度等多维信号进行统一表征与协同分析;结合深度学习算法实现多模态数据的自适应加权与降噪,提升数据融合的精度、鲁棒性与实时性,进而增强装备在复杂食品加工场景下的感知与决策能力。
3.2 数字孪生技术的挑战与解决方案
数字孪生的精准度依赖物理实体、环境和运行的高质量数据。然而,食品生产过程复杂,数据格式和传输协议的不统一导致多源异构数据融合困难。此外,食品加工过程复杂,受原料特性、工艺参数、环境因素等多种因素影响,构建能精确反映物理实体所有特性的数字孪生模型较为困难。食品加工、包装等环节需要实时监控和调整,要求数字孪生技术能够快速处理大量数据,并实时同步物理实体的状态,对计算能力和数据处理速度提出了较高挑战。因此,搭建统一的数据集成平台,采用标准化的数据接口和协议,可有效对来自不同系统的数据进行清洗、转换和标准化处理。同时,采用边缘计算和云计算相融合的混合架构,在靠近生产现场的边缘节点部署智能传感器和计算设备,可有效对数据进行初步处理和分析,实现数据轻量化传输,降低系统延迟。
4 结 论
系统梳理了食品智能装备的定义、核心特征、产业应用现状及关键技术进展,涵盖智能分选、智能加工、智慧厨房、食品机器人、智能系统与数字孪生等多个方向。研究表明,以多模态感知、人工智能、物联网、柔性执行与数字孪生为代表的新一代信息技术,正推动食品工业从传统机械化向自动化、数字化、智能化加速转型。食品智能装备在提升生产效率、保障产品质量与安全、降低人工依赖与资源消耗、实现柔性化与个性化生产等方面展现出显著优势,已在果蔬、谷物、肉蛋、水产、发酵、杀菌、中央厨房及家庭烹饪等场景形成规模化应用。
然而,食品物料本身的物理形态异质性、多组分干扰、环境动态波动,以及传感器稳定性不足、多源数据融合困难、数字孪生建模精度与实时性受限等问题,仍是当前食品智能装备进一步普及的主要瓶颈。柔性传感、多模态信息融合、云端协同计算、轻量化算法等技术,为破解上述难题提供了可行路径。未来,随着智能感知、数字孪生、人机协作与自主决策技术的持续突破,食品智能装备将向更高精度、更强鲁棒性、更高柔性与全流程智能化方向发展,为食品工业实现高质量、绿色化、标准化与安全化发展提供坚实支撑。
[1] HASSOUN A, JAGTAP S, TROLLMAN H, et al. From food industry 4.0 to food industry 5.0: identifying technological enablers and potential future applications in the food sector[J]. Comprehensive Reviews in Food Science and Food Safety, 2024,23(6): e370040.
[2] HASSOUN A, BEKHIT A E, JAMBRAK A R, et al. The fourth industrial revolution in the food industry-part Ⅱ: emerging food trends[J]. Critical Reviews in Food Science and Nutrition, 2024,64(2): 407-437.
[3] LIU Z L, YU X L, LIU N, et al. Integrating AI with detection methods, IoT, and blockchain to achieve food authenticity and traceability from farm-to-table[J]. Trends in Food Science &Technology, 2025,158: 104925.
[4] TANG T T, ZHANG M, JIA H J, et al. Intelligent monitoring of fruit and vegetable freshness in supply chain based on 3D printing and lightweight deep convolutional neural networks (DCNN)[J]. Food Chemistry, 2025,480: 143886.
[5] AKTA
H, KARAGÖZ Ö. Sorting and counting of almond kernels on conveyor belt using computer vision and deep learning techniques[J]. Postharvest Biology and Technology, 2025,228: 113654.
[6] GRENZFURTNER W, TIZGHADAM P, GRUCHMANN T. Production line balancing and reconfiguration in the food industry: a simulation study from a baked goods manufacturer[J]. Procedia Computer Science, 2025,253: 2684-2692.
[7] GAO Q C, FENG Z R, WANG J D, et al. Application of nano-ZnO in the food preservation industry: antibacterial mechanisms, influencing factors, intelligent packaging, preservation film and safety[J]. Critical Reviews in Food Science and Nutrition, 2025,65(22): 4327-4353.
[8] AÏT-KADDOUR A, HASSOUN A, TARCHI I, et al. Transforming plant-based waste and by-products into valuable products using various “Food Industry 4.0” enabling technologies: a literature review[J]. Science of the Total Environment, 2024,955: 176872.
[9] HASSOUN A, AÏT-KADDOUR A, DANKAR I, et al. The significance of industry 4.0 technologies in enhancing various unit operations applied in the food sector: focus on food drying[J]. Food and Bioprocess Technology, 2025,18(1): 109-128.
[10] HABIB M, SINGH S, JAN S, et al. The future of the future foods: understandings from the past towards SDG-2[J]. npj-Science of Food, 2025,9(1): 138.
[11] SRIVASTAVA S, PANDEY V K, SINGH A, et al. Recent insights on microfluidics applications for food qua-lity and safety analysis: a comprehensive review[J]. Food Control, 2025,168: 110869.
[12] LIU Q, LI S, LI Z, et al. A novel multimodal nano-sensor detection system based on artificial intelligence and two-dimensional Mxenes for ochratoxin A in food[J]. Food Control, 2025,170: 111055.
[13] ZHAO Q, YE Z, DENG Y, et al. An advance in novel intelligent sensory technologies: from an implicit-tracking perspective of food perception[J]. Comprehensive Reviews in Food Science and Food Safety, 2024,23(2): e13327.
[14] ALAM M W, KUMAR J V, AWAD M, et al. Emerging trends in food process engineering: integrating sensing technologies for health, sustainability, and consumer preferences[J]. Journal of Food Process Engineering, 2025,48(1): e70035.
[15] MAVANI N R, ALI J M, OTHMAN S, et al. Application of artificial intelligence in food industry:a guideline[J]. Food Engineering Reviews, 2022,14(1): 134-175.
[16] CHEN X, ZHANG R, WAN Z, et al. Laser-induced graphene based flexible sensing and heating for food monitoring[J]. ACS Applied Electronic Materials, 2024,6(5): 3597-3609.
[17] JIANG W, LIU C, LIU W, et al. Advancements in intelligent sensing technologies for food safety detection[J]. Research, 2025,8: 713.
[18] JIMOH K A, HASHIM N, SHAMSUDIN R, et al. Development of near-infrared hyperspectral-based smart interface for glutinous rice quality detection[J]. Food Control, 2025,174: 111252.
[19] XU Y, DONG Y, LIU J, et al. Combination of near infrared spectroscopy with characteristic interval selection for rapid detection of rice protein content[J]. Journal of Food Composition and Analysis, 2025,137: 106995.
[20] BISWAS S K, ISLAM M S, JIA F, et al. Flexible biosensors for food pathogen detection[J]. Advanced Electronic Materials, 2024,10(8): 2300898.
[21] SOLTANI FIROUZ M, SARDARI H. Defect detection in fruit and vegetables by using machine vision systems and image processing[J]. Food Engineering Reviews, 2022,14(3): 353-379.
[22] GORDE P M, DASH D R, SINGH S K, et al. Advancements in sustainable food packaging: a comprehensive review on utilization of nanomaterials, machine learning and deep learning[J]. Sustainable Chemistry and Pharmacy, 2024,39: 101619.
[23] ZHOU Z, TIAN D, YANG Y, et al. Machine learning assisted biosensing technology: an emerging powerful tool for improving the intelligence of food safety detection[J]. Current Research in Food Science, 2024,8: 100679.
[24] WU X, YAN H, CAO Y, et al. Prediction acrylamide contents in fried dough twist based on the application of artificial neural network[J]. Food Chemistry: X, 2024,24: 102007.
[25] CANATAN M, ALKHULAIFI N, WATSON N, et al. Artificial intelligence in food manufacturing: a review of current work and future opportunities[J]. Food Engineering Reviews, 2025,17(2): 189-219.
[26] NEAMAH H A, TANDIO J. Towards the development of foods 3D printer: trends and technologies for foods printing[J]. Heliyon, 2024,10(13): e33882.
[27] SINGH R, NISHA R, NAIK R, et al. Sensor fusion techniques in deep learning for multimodal fruit and vege-table quality assessment: a comprehensive review[J]. Journal of Food Measurement and Characterization, 2024,18(9): 8088-8109.
[28] WANG Z, FAN S, WU J, et al. Application of long-wave near infrared hyperspectral imaging for determination of moisture content of single maize seed[J]. Spectrochimica Acta Part A: molecular and Biomolecular Spectroscopy, 2021,254: 119666.
[29] ACCIARINI C, CAPPA F, DI COSTANZO G, et al. Blockchain technology to protect label information: the effects on purchase intentions in the food industry[J]. Computers &Industrial Engineering, 2023,180: 109276.
[30] LI H, XIAO N, SUN T, et al. Influence of lighting pattern and sample positioning on detection of moldy core disease in apples by NIR spectroscopy[J]. Food and Bioprocess Technology, 2024,17(12): 5221-5241.
[31] XU J, LU Y. Prototyping and evaluation of a novel machine vision system for real-time, automated quality grading of sweet potatoes[J]. Computers and Electronics in Agriculture, 2024,219: 108826.
[32] CHAKRABORTY S K, SUBEESH A, POTDAR R, et al. AI-enabled farm-friendly automatic machine for washing, image-based sorting, and weight grading of citrus fruits: design optimization, performance evaluation, and ergonomic assessment[J]. Journal of Field Robotics, 2023,40(6): 1581-1602.
[33] MOHI-ALDEN K, OMID M, SOLTANI FIROUZ M, et al. A machine vision-intelligent modelling based technique for in-line bell pepper sorting[J]. Information Processing in Agriculture, 2023,10(4): 491-503.
[34] ZHANG Z, LU Y, LU R. Development and evaluation of an apple infield grading and sorting system[J]. Postharvest Biology and Technology, 2021,180: 111588.
[35] AZARMDEL H, JAHANBAKHSHI A, MOHTASEBI S S, et al. Evaluation of image processing technique as an expert system in mulberry fruit grading based on ripeness level using artificial neural networks (ANNs) and support vector machine (SVM)[J]. Postharvest Biology and Technology, 2020,166: 111201.
[36] WANG J, BAI X, XU D, et al. Online sorting of surface defective walnuts based on deep learning[J]. Journal of Food Engineering, 2024,379: 112133.
[37] WONGGASEM K, CHAKRANON P, WONGCHAISUWAT P. Automated quality inspection of baby corn using image processing and deep learning[J]. Artificial Intelligence in Agriculture, 2024,11: 61-69.
[38] BHUPENDRA, MOSES K, MIGLANI A, et al. Deep CNN-based damage classification of milled rice grains using a high-magnification image dataset[J]. Computers and Electronics in Agriculture, 2022;195:106811.
[39] HOSSEINPOUR-ZARNAQ M, OMID M, TAHERI-GARAVAND A, et al. Acoustic signal-based deep learning approach for smart sorting of pistachio nuts[J]. Postharvest Biology and Technology, 2022,185: 111778.
[40] CHEN S, WU Y, KUO Y, et al. Automated peanut defect detection using hyperspectral imaging and deep learning: a real-time approach for smart agriculture[J]. Smart Agricultural Technology, 2025,11: 100943.
[41] CAI J, LU Y, OLANIYI E, et al. Beef marbling assessment by structured-illumination reflectance imaging with deep learning[J]. Journal of Food Engineering, 2024,369: 111936.
[42] WAKHOLI C, KIM J, KWON K, et al. Nondestructive estimation of beef carcass yield using digital image ana-lysis[J]. Computers and Electronics in Agriculture, 2022,194: 106769.
[43] NASIRI A, OMID M, TAHERI-GARAVAND A. An automatic sorting system for unwashed eggs using deep learning[J]. Journal of Food Engineering, 2020,283: 110036.
[44] HOU M, ZHONG X, ZHENG O, et al. Innovations in seafood freshness quality: non-destructive detection of freshness in Litopenaeus vannamei using the YOLO-shrimp model[J]. Food Chemistry, 2025,463: 141192.
[45] ZHENG Y, ZHANG Q, WANG X, et al. Classifying the freshness of large yellow croaker (Larimichthys crocea) at 12- and 24-hour intervals using computer vision technique and convolutional neural network[J]. Smart Agricultural Technology, 2025,10: 100767.
[46] XIE Y, LIAN K, LIU Q, et al. Digital twin for cutting tool: modeling, application and service strategy[J]. Journal of Manufacturing Systems, 2021,58: 305-312.
[47] CONG M, ZHANG J, DU Y, et al. A porcine abdomen cutting robot system using binocular vision techniques based on kernel principal component analysis[J]. Journal of Intelligent &Robotic Systems, 2020,101(1): 4.
[48] LIU Y, GUO C, ER M J. Robotic 3-D laser-guided approach for efficient cutting of porcine belly[J]. IEEE/ASME Transactions on Mechatronics, 2022,27(5): 2963-2972.
[49] DE MEDEIROS E I, CORDOVA-LOPEZ L E, ROMANOV D, et al. Pigs: a stepwise RGB-D novel pig carcass cutting dataset[J]. Data in Brief, 2022,41: 107945.
[50] MISIMI E, ØYE E R, EILERTSEN A, et al. GRIBBOT-Robotic 3D vision-guided harvesting of chicken fillets[J]. Computers and Electronics in Agriculture, 2016,121: 84-100.
[51] SUBRIN K, SABOURIN L, STEPHAN F, et al. Analysis of the human arm gesture for optimizing cutting process in ham deboning with a redundant robotic cell[J]. Industrial Robot: the International Journal of Robo-tics Research and Application, 2014,41(2): 190-202.
[52] MAITHANI H, CORRALES RAMON J A, LEQUIEVRE L, et al. Exoscarne: assistive strategies for an industrial meat cutting system based on physical human-robot interaction[J]. Applied Sciences, 2021, 11: 3907.
[53] KATO Y, SAKAINO S, TSUJI T. Contact state recognition for selective cutting task of flexible objects[C]∥2021 IEEE International Conference on Development and Learning. Beijing: IEEE, 2021: 1-6.
[54] GEMICI M C, SAXENA A. Learning haptic representation for manipulating deformable food objects[C]∥2014 IEEE/RSJ International Conference on Intelligent Robots and Systems. Chicago: IEEE, 2014: 638-645.
[55] MANNARO K, BAIRE M, FANTI A, et al. A robust SVM color-based food segmentation algorithm for the production process of a traditional carasau bread[J]. IEEE Access, 2022,10: 15359-15377.
[56] YILDIZ G, PALMA S, FENG H. Ultrasonic cutting as a new method to produce fresh-cut red delicious and golden delicious apples[J]. Journal of Food Science, 2019,84(12): 3391-3398.
[57] LIU B, ZHANG M, SUN Y, et al. Current intelligent segmentation and cooking technology in the central kitchen food processing[J]. Journal of Food Process Engineering, 2019,42(6): e13149.
[58] LAMBRECHT K, NIEUWOUDT H, DU TOIT W, et al. Optimisation of PLS calibrations for filtered and untreated samples towards in-line monitoring of phenolic extraction during red-wine fermentations[J]. Fermentation, 2022, 8: 231.
[59] XIE Y, LU Z. Novel deep-learning method based on LSA-Transformer for fault detection and its implementation in penicillin fermentation process[J]. Measurement, 2024,235: 114871.
[60] KOULOURIS A, MISSILIDIS N,PANIDES D. Applications of process and digital twin models for production simulation and scheduling in the manufacturing of food ingredients and products[J]. Food and Bioproducts Processing, 2021, 126: 317-333.
[61] TANCREDI G P C, BOTTANI E, VIGNALI G. Digital twin-enabled process control in the food industry: proposal of a framework based on two case studies[J]. International Journal of Production Research, 2024,62(12): 4331-4348.
[62] ZHAO S, JIAO T, ADADE S Y S, et al. Digital twin for predicting and controlling food fermentation: a case study of kombucha fermentation[J]. Journal of Food Engineering, 2025,393: 112467.
[63] URTUBIA A, LE
N R, VARGAS M. Identification of chemical markers to detect abnormal wine fermentation using support vector machines[J]. Computers &Chemical Engineering, 2021,145: 107158.
[64] SEVINDIK M, GÜRGEN A, KRUPODOROVA T, et al. A hybrid artificial neural network and multi-objective genetic algorithm approach to optimize extraction conditions of Mentha longifolia and biological activities[J]. Scientific Reports, 2024,14(1): 31403.
[65] LI M, JIN X, MA W, et al. A Gastrodia elata green tea pulsed light sterilization model based on cost-benefit and GA-SVR algorithm[J]. Food Control, 2025,177: 111445.
[66] 王想,李由,邢少华,等.生食水产品紫外线杀菌强度智能调控系统研究[J].农业机械学报, 2021,52(S1):513-518.WANG X, LI Y, XING S, et al. Ultraviolet intelligent intensity control sterilization system for raw aquatic pro-ducts[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(S1): 513-518.
[67] LIN C, PAN Y, KUO Y, et al. A study of automatic judgment of food color and cooking conditions with artificial intelligence technology[J]. Processes, 2021,9(7): 1128.
[68] ROKHVA S, TEIMOURPOUR B, SOLTANI A H. Computer vision in the food industry: accurate, real-time, and automatic food recognition with pretrained MobileNetV2[J]. Food and Humanity, 2024,3: 100378.
[69] YE M, LIANG D, YU G, et al. A baking maturity detection method based on single shot multibox detector and center feature fusion for mobile application[J]. Journal of Food Process Engineering, 2025,48(4): e70110.
[70] JADHAV T , NAVGHANE A. Vision based intelligent recipe recommendation system[J]. European Chemical Bulletin, 2023, 12(4): 12451-12457.
[71] KANSAKSIRI P, PANOMKHET P, TANTISUWICHWONG N. Smart cuisine: generative recipe &ChatGPT powered nutrition assistance for sustainable cooking[J]. Procedia Computer Science, 2023,225: 2028-2036.
[72] RODRIGUES M S, FIDALGO F, OLIVEIRA 
. RecipeIS: recipe recommendation system based on recognition of food ingredients[J]. Applied Sciences, 2023,13(13): 7880.
[73] TSOLAKIDIS D, GYMNOPOULOS L P, DIMITROPOULOS K. Artificial intelligence and machine learning technologies for personalized nutrition: a review[J]. Informatics, 2024,11(3): 62.
[74] JO S, JEON J, KIM D,et al. A study on scooping-enclosing gripper design for difficult-to-handle flexible food handling[C]∥2024 24th International Conference on Control, Automation and Systems. Jeju: IEEE, 2024: 995-996.
[75] BAO X, LENG J, MAO J,et al. Cutting of sheep carcass using 3D point cloud with dual-robot system[J]. International Journal of Agricultural and Biological Engineering, 2022, 15(5): 163-171.
[76] KANEGAE R, WANG Z, HIRAI S . Easily fabricatable shell gripper for packaging multiple cucumbers simultaneously[C]∥2020 IEEE International Conference on Real-time Computing and Robotics. Asahikawa: IEEE, 2020: 188-192.
[77] YIN J, APUROOP K G S, TAMILSELVAM Y K,et al.Table cleaning task by human support robot using deep learning technique[J].Sensors, 2020, 20(6):1698.
[78] WANG Z, HIRATA T, SATO T,et al.A soft robotic hand based on bellows actuators for dishwashing automation[J].IEEE Robotics and Automation Letters, 2021, 99: 2139-2146.
[79] VILAS-BOAS J L, RODRIGUES J J P C, ALBERTI A M. Convergence of distributed ledger technologies with digital twins, IoT, and AI for fresh food logistics: challenges and opportunities[J]. Journal of Industrial Information Integration, 2023,31: 100393.
[80] HARTMANN D, VAN dER AUWERAER H. Digital twins: a golden age for industrial mathematics[J]. Journal of Mathematics in Industry, 2025, 15(1):1-15.
[81] DEFRAEYE T, SHRIVASTAVA C, BERRY T, et al. Digital twins are coming: will we need them in supply chains of fresh horticultural produce?[J]. Trends in Food Science &Technology, 2021,109: 245-258.
[82] MANIVASAGAM V S. From bytes to farm: transferabi-lity of industrial digital twins in agricultural systems[J]. Journal of Biosystems Engineering, 2025,50(1): 130-144.
Development Status and Industrial Application of Food Intelligent Equipment and Its Critical Technologies
X