综述：电子鼻技术在粮食储存和谷物产品质量中的高级应用：关于新鲜度监测和霉菌毒素检测的全面综述

《Food Chemistry: X》：Advanced Applications of Electronic Nose Technology in Grain Storage and Cereal Product Quality: A Comprehensive Review of Freshness Monitoring and Mycotoxin Detection – A Review

谷物储存中电子鼻技术用于挥发性有机物检测及霉毒素识别的研究综述。该技术通过传感器阵列实时监测谷物质量，结合机器学习和物联网实现智能检测系统，有效解决传统方法耗时长、无法实时分析的痛点。关键挑战包括传感器漂移和环境干扰，未来需开发更微型化、低成本的设备并加强多模态数据融合。

　　

Ranganathan Akimsha|Pasan Basuru|Tharaga Sharmilan|Dakshika Wanniarachchi

斯里兰卡凯拉尼亚大学计算与技术学院应用计算系

摘要

背景

确保谷物在储存过程中的安全性和质量仍然是全球食品系统中的一个重要挑战。传统的检测变质和霉菌毒素污染的方法通常耗时、劳动密集，并且无法提供实时或连续的监测。随着对食品污染问题的关注日益增加，迫切需要快速且非破坏性的技术。

范围和方法

本综述全面探讨了电子鼻（E-nose）技术在谷物新鲜度监测和霉菌毒素检测方面的潜力。它讨论了基本的传感器配置、挥发性有机化合物（VOC）检测机制以及提高检测性能的多变量统计或机器学习模型。综述综合了关于电子鼻在小麦、玉米和水稻等谷物中识别变质、真菌感染和霉菌毒素存在的最新应用文献。此外，还研究了电子鼻系统与物联网（IoT）、人工智能（AI）和智能储存平台的先进集成。

主要发现和结论

电子鼻系统在基于VOC的变质和污染检测方面表现出高效性，能够提供快速、实时且无损的分析。与机器学习算法的集成提高了分类准确性和预测能力。结合物联网的高级框架使得在储存环境中实现远程监控和自动化成为可能。综述还指出了关键的性能限制，如传感器漂移、环境变化和VOC的交叉反应性，并提出了相应的缓解策略，如传感器阵列优化和领域适应。最后，概述了未来的发展方向，包括微型化、成本效益高的电子鼻设备以及跨学科创新，以实现实时谷物质量控制和可追溯性。

引言

谷物是人类饮食中的主食，因为它们含有主要的膳食蛋白质来源（Cheli等人，2016年）。玉米、小麦、水稻和大麦是全球消费的主要谷物。这些谷物的质量受到多种因素的影响，如种植地点、气候条件、遗传因素和收获后的处理活动（Tushar等人，2023年）。通常，质量特征通过外观来衡量，如大小、颜色、形状和清洁度（Abdullah等人，2016年；Orina等人，2017年）。为了确保谷物生产和加工的安全性和质量，需要快速、低成本、高通量和在线的分析工具（Cheli等人，2016年）。有多种用于质量评估的方法，包括核磁共振（NMR）（Agriopoulou等人，2020年）、机器视觉（Xiao等人，2022年）、人类感官小组（Kovacs等人，2020年）、化学方法（Han等人，2023年）和其他分子生物学方法（Abdullah等人，2019年）。

谷物储存在覆盖和基座（CAP）储存设施、平仓（Sindwani等人，2020年）以及筒仓中，用于储存、加工和分配。此外，筒仓提供了最佳的储存条件，防止谷物变质（Nagrale等人，2023年）。筒仓内的储存条件，如温度、湿度和压力，会影响储存谷物释放的挥发性有机化合物（VOCs）（?ytek等人，2023年）。

由于真菌污染和变质，谷物在储存期间会释放VOCs（Xu等人，2021年）。释放的VOC类型取决于谷物品种和变质原因。表1中列出了与植物品种相关的VOCs。

为了检测谷物释放的VOCs，使用了多种分析方法，如化学方法（Capitain & Weller，2021年；Liu等人，2024年）、微生物方法（Seilov等人，2024年）、分子生物学方法以及人类感官小组（Abdullah等人，2016年）。然而，这些方法在VOC检测方面存在缺点或局限性（见表2）。此外，用于食品质量评估的化学和微生物方法无法提供变质早期的实时信息（Seilov等人，2024年）。

由于VOC谱复杂、浓度水平低、环境变化以及害虫发育阶段的不同，检测谷物释放的VOCs具有挑战性（Gan等人，2023年）。谷物根据储存条件、昆虫侵染和微生物感染释放出多种VOCs。区分这些重叠信号以识别特定的谷物变质指标非常复杂。例如，Niu等人从小麦和Rhyzopertha dominica中识别出了114种不同的VOCs，并强调了这些谱型的复杂性（Niu等人，2016年）。

值得注意的是，某些产生霉菌毒素的真菌污染物，如曲霉菌和镰刀菌，也会释放独特的VOCs，为早期污染检测提供了非侵入性的手段。

由于许多表明早期感染或变质的VOCs仅以微量存在，因此需要极其灵敏的检测技术。为了获得必要的灵敏度，使用了固相微萃取结合气相色谱-质谱（SPME-GC-MS）等方法（Cai等人，2022年；Han等人，2023年）。

由于温度、湿度和谷物类型等变量会影响VOC的释放，因此难以创建一致的检测基线。这些参数的变化会改变VOC谱型，从而影响检测的准确性（Gan等人，2023年）。

释放的VOCs会根据害虫的发育阶段而有所不同。例如，在研究受稻象（Sitophilus oryzae）侵扰的杂草时，Liu等人（2024年）发现了126种VOCs，其中62种是在侵染过程中产生的。他们还观察到随着感染的发展，六种特定挥发物的显著变化。

如表2所示，传统方法通常耗时、劳动密集，并且缺乏实时检测能力，而电子鼻系统正好可以弥补这些不足。

鉴于传统VOC检测方法的局限性，电子鼻技术作为一种有前景、快速且成本效益高的替代方案应运而生，用于确保谷物的新鲜度和安全性。电子鼻的概念最早由Gardner和Bartlett在1988年提出，定义为一种由传感器组成的传感阵列，用于检测简单和复杂的气味（Gancarz等人，2017年；Gardner & Bartlett，1994年）。从那时起，电子鼻经历了系列发展，在不同领域提高了其性能和应用（Mahanti等人，2024年）。电子鼻具有价格实惠、检测限低、便携性强、样品准备简单、无需试剂、特异性强以及定性定量分析相结合的优势（Aouadi等人，2020年），并且在谷物质量分类方面表现一致（Abdullah等人，2016年）。此外，电子鼻快速、无损、安全，并且可以与其他分析方法相比实现自动化（Srivastava等人，2019年）。

与传统分析方法相比，电子鼻在低ppm甚至ppb范围内具有高检测限，提供更精确和准确的测量结果、实时监测和快速结果，并且非常便携易用。然而，设备的成本会随着传感器阵列的复杂性而变化（Moshayedi等人，2023年）。

本文旨在探讨如何利用电子鼻技术来监测储存谷物和谷物产品的新鲜度和安全性。随着对食品质量、变质和污染（特别是由真菌和霉菌毒素引起的污染）的关注日益增加，迫切需要更快、更高效和更准确的监测工具。本文回顾了电子鼻系统的运作原理、相对于传统方法的优势以及其检测指示变质或污染的VOCs的能力。此外，还研究了将电子鼻技术与机器学习和物联网等现代工具集成如何实现智能、实时的监测系统。总体而言，本综述旨在强调电子鼻作为维护整个储存和供应链中谷物质量的实用且可扩展解决方案的潜力。

部分摘录

用于谷物挥发性成分分析的传感器配置

电子鼻由8-32个传感器组成的传感器阵列构成，这是电子鼻系统的核心。常见的传感器类型包括金属氧化物半导体（MOS）、场效应晶体管（MOSFET）传感器、压电晶体传感器和表面声波传感器，每种传感器在灵敏度和选择性方面都有各自的优势（Mishra等人，2018年；Shen等人，2018年）。该传感阵列对目标挥发物具有广泛且重叠的选择性（Wei等人，2015年）。

VOC动态和谷物变质检测

谷物的质量受多种因素影响，包括储存环境条件（温度、湿度）、储存时间、谷物含水量、昆虫侵染、真菌污染和霉菌毒素污染（Abdullah等人，2016年），这些因素会导致生理和物理化学变化（Rahimzadeh等人，2019年）。

在储存过程中，谷物的感官质量会通过各种过程恶化，从而产生各种VOCs，这些VOCs可以作为质量恶化的指标

霉菌毒素的普遍性和检测挑战

霉菌毒素是真菌的次级代谢产物，对人体和动物健康有害。谷物行业面临与霉菌毒素污染相关的多个重大挑战。不同地区的霉菌毒素类型和普遍性存在差异，这受到生长关键阶段的季节性和当地天气条件的影响。此外，多种霉菌毒素的共污染较为常见。令人担忧的是，大多数加工操作无法完全消除这些毒素

电子鼻与物联网和精准农业系统的集成

将电子鼻系统与物联网（IoT）、区块链、人工智能（AI）、大数据、增强现实和虚拟现实等先进技术集成，可以提高电子鼻的准确性和能力，并扩展其在实际问题中的应用（Furizal等人，2023年）。表8总结了这些集成应用框架及其功能。

物联网（IoT）是指相互连接的物理设备网络。

新兴的传感器技术

本节概述了克服当前挑战并开启电子鼻系统在谷物新鲜度和霉菌毒素监测应用新机会的有前景的研究方向

挥发性有机化合物（VOC）传感器技术的最新进展带来了更灵敏、更具选择性和多功能性的检测方法。新兴的传感器技术包括基于纳米材料的传感器，例如氟钝化硅烯片（Kundu & Ghosh，2024年）、金属有机框架（MOF）

结论

电子鼻技术的广泛采用标志着谷物质量评估和储存监测方面的重大进步。本综述强调了电子鼻系统相对于传统方法的关键优势，包括快速、无损检测、实时监测以及识别与变质和霉菌毒素相关的VOCs的能力。

通过与机器学习算法的集成，电子鼻实现了准确的分类、预测建模和早期风险评估。

CRediT作者贡献声明

Dakshika Wanniarachchi：撰写——审稿与编辑、可视化、监督、概念化。Tharaga Sharmilan：撰写——审稿与编辑、可视化、监督、项目管理、资金获取、正式分析、数据管理、概念化。Pasan Basuru：撰写——初稿、资源管理、数据管理。Ranganathan Akimsha：撰写——初稿、可视化、验证、软件开发、资源管理、方法研究、正式分析、数据

未引用的参考文献

Ayad和Al-Ani，2024年。

数据可用性声明

本研究没有创建或分析新的数据。本文不涉及数据共享。

利益冲突声明

作者声明没有可能影响本文工作的利益冲突。

资助

本综述得到了斯里兰卡凯拉尼亚大学研究委员会提供的论文发表研究资助（资助编号RC/2024/G01）的支持。

利益冲突声明

作者声明没有已知的利益冲突或个人关系可能影响本文所述的工作。

AI致谢

作者感谢Grammarly在语法和流畅性方面的帮助。使用的提示包括“improve it”。这些提示的输出被用来改进语法和流畅性。虽然作者承认使用了AI，但他们坚持自己是本文的唯一作者，并对内容负全责，符合COPE建议的要求。