综述：用于监测运输和储存过程中收获后玉米损失中生物因素的先进无损检测方法

《Journal of Food Composition and Analysis》：Advanced Non-Destructive Detection Methods for Monitoring Biological Factors in Post-Harvest Maize Losses during Transportation and Storage

　　布里奇特·阿玛·夸德佐克普伊 | 霍琳 | 娜娜·阿德沃阿·恩库马·约翰逊 | 塞洛姆·雅奥-萨伊·所罗门·阿达德 | 丹丹·李 | 索尔拉利·努内克佩库 | 龙新耀 | 约翰-尼尔森·埃库马
江苏大学食品与生物工程学院，镇江212013，中国

**摘要**
全球范围内，玉米收获后的损失率在20%至30%之间，这威胁到了粮食安全和农民的生计，尤其是在低收入和中等收入地区。这些损失源于真菌生长、霉菌毒素积累、昆虫侵害以及啮齿动物破坏，而在早期阶段，这些情况无法通过传统的检测和实验室方法被发现。本综述探讨了非破坏性检测技术的最新进展，包括光谱技术（近红外、中红外和拉曼红外）、成像技术（高光谱、X射线和计算机视觉）以及挥发性物质检测系统（比色传感器阵列和电子鼻），并强调了这些技术与人工智能和物联网的集成。与以往的综述不同，本文对这些技术在应对多种生物威胁方面的性能和适用性进行了比较分析。集成检测系统显示出在可见症状出现之前就能有效检测污染的潜力，在受控的实验室研究中，光谱和成像技术的检测准确率可达90-98%，而挥发性物质检测平台的准确率可达到92-100%。然而，由于设备成本高昂、缺乏在热带地区的实地验证以及缺乏标准化的校准协议，这些技术的应用仍然受到限制。从实验室验证到实际应用的过渡需要在小型化、降低成本和环境适应性方面取得进展，同时还需要系统级别的集成和标准化的数据协议，以实现从被动检测向主动预防的转变，从而增强食品系统的韧性并提升全球粮食安全。

**1. 引言**
每年，由于生物劣化作用，全球玉米产量在收获后处理过程中减少20-30%，这削弱了粮食安全和农民的收入，尤其是在低收入和中等收入地区（Mendoza等人，2024年；Swai等人，2019年）。联合国粮农组织最近的数据显示，全球13.3%的粮食产量在收获到零售环节丢失，其中撒哈拉以南非洲地区的损失率约为23%（粮农组织，2023年）。针对特定地区的调查显示，玉米在收获、运输和储存阶段的损失率为16.7-19.5%，而家庭层面的调查显示损失率在20-27%之间（Bosc等人，2025年；Ndegwa等人，2016年；Sheahan和Barrett，2017年）。这种破坏主要由真菌病原体（如黄曲霉、丝核菌和青霉菌）、害虫（如玉米象和截形步甲）以及由此产生的霉菌毒素污染引起。真菌感染会产生黄曲霉素和伏马菌素等霉菌毒素，这些毒素对公共健康构成严重威胁，包括免疫抑制、生长受阻和肝癌，其中黄曲霉素的暴露与全球每年约9万人死亡有关（Mansuri等人，2022年；Pfordt和Paulus，2025年）。解决这些问题有助于实现多个联合国可持续发展目标，包括SDG 2（零饥饿）、SDG 1（无贫困）和SDG 12（负责任的消费和生产），同时减少因农业投入浪费而产生的环境成本（联合国，2023年）。

玉米（Zea mays L.）是全球种植最广泛的谷物作物，年产量约为11.6亿吨，占总谷物产量的36-40%（Shiferaw等人，2011年）。美国、中国和巴西合计贡献了超过70%的产量，然而收获后的损失对发展中国家影响尤为严重，因为这些地区仍主要采用传统的储存方法（表S1）（Jiang等人，2020年）。这些损失发生在整个供应链中：收获期间约4-8%，运输期间2-4%，干燥期间1-2%，脱粒期间1-3%，储存期间2-25%，市场营销期间2-4%，其中储存环节是最大的损失来源（Abass等人，2014年；Swai等人，2019年）。经济影响非常严重且具有针对性。坦桑尼亚的小农家庭在收获后损失约为每户58.90美元，相当于他们月收入的1.2倍（Chegere，2018年），而加纳的农民报告称每英亩损失平均为64.70美元（Adams等人，2023年）。这些损失对女性的影响尤为严重，因为在许多地区，女性承担着收获后活动的主要责任（Mwinuka和Hyera，2022年）。

过去十年中，用于监测粮食质量的非破坏性检测技术取得了显著进展。光谱方法（包括近红外、拉曼和中红外光谱）现在能够在实验室环境中实现超过95%的检测准确率，从而在分子水平上分析成分变化（Caporaso等人，2018年）。成像系统（如高光谱成像、X射线成像和计算机视觉技术）可以检测到肉眼看不见的表面和内部结构缺陷，在可见症状出现前几天就能识别出污染模式（Xu等人，2023年）。挥发性物质检测平台（包括电子鼻和比色传感器阵列）对生物劣化过程中产生的化合物具有极高的敏感性（Farber和Kurouski，2018年；Ottoboni等人，2018年）。当这些技术与人工智能和物联网平台集成时，可以实现持续监测、预测建模和自动化警报系统，从而彻底改变收获后的管理方式。生物劣化过程按时间顺序发展：首先是真菌定殖（产生水分和代谢热），接着是昆虫侵害，最后是啮齿动物活动（Meerburg等人，2009年），因此需要针对不同阶段的检测技术——早期真菌变化的分子方法、昆虫损害的结构性成像以及可见污染的计算机视觉技术，以实现从被动检测向主动预防的转变。

尽管这些技术具有巨大潜力，但从实验室研究到实际应用的转化进程缓慢，科学文献中仍存在关键空白。首先，大多数现有综述孤立地介绍了这些技术，侧重于单一的检测模式，而没有提供综合比较分析（Wang、Zhang、Jiang等人，2024年）。从实验室验证到实际应用的转化路径尚未得到充分研究，特别是实际储存条件如何影响传感器性能和校准稳定性的问题。其次，实际应用中的挑战尚未得到充分探讨，包括高昂的设备成本（高光谱系统需7.5万至15万美元）、热带条件下的环境适应性、离网地区的电力需求以及数据标准化协议（Adedeji等人，2020年）。第三，尚未系统评估将光谱、成像和挥发性物质检测平台与人工智能/物联网框架集成在实时多威胁监测中的应用潜力（Pfordt和Paulus，2025年）。

为了解决这些空白，本综述提供了对光谱（近红外、拉曼、中红外/傅里叶变换红外）、成像（高光谱、X射线、计算机视觉）和挥发性物质检测（电子鼻、比色传感器阵列）技术在监测收获后玉米中的真菌、霉菌毒素、昆虫和啮齿动物方面的综合多威胁比较分析。与以往孤立讨论这些技术的综述不同，本文探讨了四个相互关联的研究问题：（i）这些技术在应对所有四种生物威胁方面的检测能力、局限性和成本性能权衡是什么？（ii）实际环境因素（温度变化、湿度波动、灰尘污染）如何影响传感器性能与实验室控制条件下的表现？（iii）将这些平台集成到人工智能/物联网框架中以实现自动化实时预警需要哪些技术规格和验证协议？（iv）在资源有限的情况下，必须克服哪些实施障碍以加速技术应用？鉴于这些问题的广泛性和跨学科性质，本文采用综合综述的形式，整合了来自多种检测模式、生物威胁和实施背景的证据。该综述提供了一个分阶段的实施路线图，将收获后玉米管理从被动检测转变为主动预防，为利益相关者提供了关于技术选择、部署和规模扩展的明确、基于证据的指导。

**2. 收获后玉米损失的原因和影响**
玉米收获后的损失是一个复杂的多维挑战，远不止简单的粮食浪费。这些损失表现为从收获到消费期间可测量的定量和定性减少，会对粮食安全、经济发展和环境可持续性产生多重影响。全球范围内，这些损失估计为20-30%，发展中国家由于基础设施不足和保存技术有限而受到更大影响。如前所述，这些损失发生在整个供应链中，其中储存环节是最大的损失来源，特别是在热带地区，六个月内损失可能超过30%（Abass等人，2014年；Swai等人，2019年）。这些损失削弱了粮食系统的效率，并凸显了需要针对性干预以减少浪费和提高粮食供应的脆弱性。

收获后损失的影响远远超出了粮食浪费的范围，威胁到实现联合国可持续发展目标的进程，尤其是SDG 2（零饥饿）和SDG 12（负责任的消费和生产）。即使减少1%的损失，也能每年为额外4800万人提供食物，凸显了其在解决粮食安全问题中的重要作用。此外，收获后损失还带来了巨大的环境成本，包括水资源、化肥和能源等农业投入的浪费。在水资源稀缺的地区，这些损失会导致数千立方米的灌溉水被浪费，而腐烂的粮食还会加剧气候变化（Tefera，2012年；D. Yan等人，2023年）。因此，解决收获后损失对于建立可持续、有韧性的粮食系统至关重要。

**2.1. 生物劣化的驱动因素**
这些损失的主要驱动因素是由真菌病原体、害虫和不利环境条件共同作用引发的生物劣化过程。这一过程导致霉菌毒素的积累，使优质粮食变得不安全或无法销售。当孢子在受损的粮食表面遇到适宜条件时，黄曲霉、丝核菌和青霉菌等真菌病原体会开始定殖。黄曲霉和寄生青霉菌在温暖气候（25-40°C）中占主导地位，而丝核菌在温带地区繁衍旺盛。青霉菌因其环境适应性而在多种储存条件下都能繁殖（Chulze，2010年）。当粮食水分含量超过14%且相对湿度超过70%时，真菌生长会加速，在最佳条件下24-48小时内生物量即可翻倍。真菌在消耗养分的同时也会产生代谢热，进一步加速劣化过程。粮食的脆弱性主要受水分活度（aw）的影响，通常需要aw值约为0.7才能抑制真菌生长（Chulze，2010年）。温度和湿度共同调节真菌定殖效率和霉菌毒素的生物合成（Magan等人，2010年）。在受感染的谷粒中，丝核菌主要定殖在果皮和胚部，收获时这些部位可能已经含有高浓度的伏马菌素（Alberts等人，2016年）。由于果皮是主要入侵点，机械或生理损伤会削弱这一屏障，从而增加真菌的侵入机会。一旦果皮被破坏，真菌就能接触到胚乳中的丰富养分，尤其是碳和氮，促进其繁殖和毒素产生。

除了简单的变质外，真菌生长还会产生黄曲霉素和伏马菌素等霉菌毒素，这些强效化学污染物与严重的公共卫生危机相关，包括肝癌和免疫抑制。黄曲霉素尤其是AFB1最为危险，可导致急性肝衰竭和慢性疾病如肝细胞癌。伏马菌素主要由丝核菌产生，会干扰鞘脂代谢，导致胎儿神经管缺陷和成人食管癌。污染通常集中在水分进入点的“热点”区域，那里的毒素浓度可能比整体样本高出10-100倍。不良的收获后处理方式（如在土壤上晾晒粮食、在田地附近脱粒和敞开袋子储存）会进一步加剧污染风险（Lamboni和Hell，2009年）。如图1A所示，污染从收获前的处理阶段开始，持续到储存和加工阶段，残留物常常残留在加工后的产品中。这些局部积累凸显了需要针对性干预以减少霉菌毒素积累的必要性（Goko等人，2021年）。

**图1. 收获后处理、储存和加工阶段霉菌毒素的发生和命运示意图（A）；非生物胁迫对玉米质量和收获后损失的影响。各种胁迫因素，包括高温、干旱、盐碱和积水，会引发氧化损伤和生理紊乱，最终降低植物的抵抗力、粮食质量和储存潜力（B）。**

昆虫害虫（如玉米象和截形步甲）会显著加速这一劣化过程。它们通过啃食粮食并为真菌病原体创造入侵点，从而加剧损害。玉米象雌虫直接在谷粒内部产卵，幼虫在孵化前会消耗掉多达50%的胚乳。同时，截形步甲会在谷粒中钻孔，产生的粪便和灰尘可能导致三个月内储存粮食重量损失20-30%（Kankolongo等人，2009年）。次级害虫（如粉甲虫和谷物蛾）会利用初级害虫造成的损害，通过进一步啃食和排泄物及身体残骸加剧粮食劣化。不充分的储存措施（如通风不良、处理不卫生以及将受污染的粮食与干净粮食混合）也会加剧这些问题。结合湿度波动和温度变化，这些做法为整个收获后链条中的真菌定殖创造了理想条件（表S2）。非洲多个国家记录的黄曲霉中毒事件及其致命后果凸显了改进储存技术、早期检测系统和提高农民意识的紧迫性。**促成因素与经济影响**

玉米生物劣化的表现和严重程度受到环境、机械、技术以及社会经济因素之间复杂相互作用的影响，这些因素因生产系统和地理区域的不同而有所差异。收获前和收获后的环境条件显著影响谷物的劣化脆弱性。收获前的压力因素，如干旱、洪水和极端温度，会损害籽粒的完整性和自然防御机制，从而增加其被真菌侵染的易感性。例如，干旱影响了全球40%的玉米种植区，导致籽粒开裂并降低蛋白质含量，为真菌入侵创造了有利条件。重金属污染，特别是镉和铅，会引发氧化应激，削弱细胞壁并增加膜通透性，加速活性氧（ROS）的积累（参见图1B，Sellamuthu等人，2022年）。收获后链条中的机械损伤为生物因子提供了额外的入侵途径，同时加剧了水分迁移和呼吸作用造成的损失。校准不当的联合收割机可能导致5-15%的籽粒破损，每个破损的籽粒感染真菌的风险会增加3-5倍（Tefera，2012年）。传统的手工脱粒方法虽然对机械损伤较小，但经常通过地面接触和长时间暴露于环境条件中引入污染物。同样，在不适当的保护措施下通过崎岖道路运输也会加剧物理损伤，有研究显示每100公里未铺砌的道路运输会导致2-4%的籽粒破损（Darfour & Rosentrater，2022年）。干燥和储存基础设施的技术缺陷进一步放大了这些脆弱性。撒哈拉以南非洲70%的小农户使用的露天晒干方法会引入土壤中的污染物，并允许夜间水分重新吸收。干燥不充分，使籽粒含水量保持在15-18%之间，这会促进储存期间的真菌生长。此外，传统的储存结构（如谷仓）对水分侵入和温度波动的防护作用有限，昼夜温差10-15°C会形成局部高湿度区域，有利于生物活动。

这些损失的经济后果在多个层面上产生连锁反应。在农场层面，加纳的研究估计每个季节平均每英亩损失64.70美元，占小农户潜在收入的15-20%（Adams等人，2023年）。这些损失对资源匮乏的农民影响尤为严重，阻碍了他们投资改进的储存技术，从而陷入贫困陷阱。市场层面的影响包括价格波动，收获后的损失在歉收季节导致价格上涨30-40%，加剧了城市粮食安全问题。此外，质量下降降低了出口竞争力，由于霉菌毒素污染，非洲国家每年因此损失约6.7亿美元（Mwebaze & Mugisha，2011年）。性别因素也增加了复杂性，因为在许多非洲国家，女性负责60-80%的收获后处理工作，她们不得不承担不成比例的劳动负担。清洁、分拣和重新处理受损籽粒所需的时间增加，减少了收入生成或照顾孩子的机会，而霉菌毒素暴露对女性（尤其是育龄妇女）的健康构成风险（Mwebaze & Mugisha，2011年）。气候变化加剧了这些脆弱性，预计温度上升、降雨量变化增大以及极端天气事件将扩大嗜热真菌的分布范围，扰乱干燥操作并损坏储存设施。如图1B所示，这些多重挑战凸显了迫切需要强大且适应性强的检测和监测系统来有效缓解未来的风险。

**3. 传统的质量评估方法**

检测玉米的生物劣化仍然是一个重大挑战，因为传统的评估方法往往提供的信息不够全面。视觉检查和感官评估等技术虽然在资源有限的环境中常用，但仅限于表面观察。视觉检查无法检测内部结构损伤、早期真菌侵染或分子变化（Baoua等人，2016年），而感官评估具有主观性，常常无法检测到由产霉菌毒素的真菌（如黄曲霉）释放的挥发性有机化合物（VOCs）（Wilson & Baietto，2009年）。同样，水分测量方法仅针对单一参数，通常需要破坏性采样，并且无法识别内部水分梯度（Bhise等人，2014年；Danso等人，2017年）。昆虫检测方法，如籽粒解剖和浮选测试，虽然有启发性，但劳动强度大，不适用于大规模操作（Bakoye等人，2017年）。实验室测试方法虽然精度更高，但也有局限性。微生物检测需要3-7天的培养时间，不适合实时监测（Chilaka等人，2016年）。霉菌毒素检测技术，如高效液相色谱（HPLC）和酶联免疫吸附测定（ELISA），需要破坏性采样、复杂的样品制备和昂贵的设备，因此实际应用受限。同样，气相色谱-质谱（GC-MS）能有效识别劣化的VOC标志物，但需要专业技能，这些技能可能并不普及（Magan等人，2010年）。这些方法无法同时监测结构、成分和VOC的变化，且通常只能提供点时间的结果，缺乏空间或连续监测能力（Garcia-Cela等人，2019年；Mutungi等人，2019年）。

为了解决这些挑战，先进的非破坏性技术作为评估玉米质量的变革性解决方案正在出现。成像技术可以检测结构变化，光谱方法可以分析成分变化，配备比色传感器的电子鼻可以识别VOCs，所有这些都不影响样品的完整性（Lin等人，2024年；Liu等人，2022年）。这些创新方法实现了连续监测，提供了空间上下文化的数据，并能同时检测多种劣化指标。通过整合这些非破坏性技术，供应链可以实现更有效的收获后质量管理，从而为消费者提供更安全、更高质量的玉米。传统的视觉检查和实验室分析方法虽然提供了有价值的质量信息，但不足以满足快速、非破坏性、实时的监测需求，这对于有效防止收获后损失至关重要。这一差距激发了探索能够在视觉症状出现之前检测生物劣化的先进非破坏性技术的动力，以实现及时干预和市场质量保证。

**4. 先进的非破坏性检测技术**

鉴于传统和基于实验室的方法在检测玉米劣化全谱方面的局限性，下一步逻辑上是部署先进的非破坏性技术来填补这些诊断空白。这些技术提供了全面的、非侵入性的解决方案，通过检测结构、成分和生化变化来监测谷物质量，同时不损害样品的完整性。然而，需要注意的是，本综述中报告的这些技术的性能数据主要来自受控的实验室研究，在热带储存环境中变化的温度、湿度和灰尘条件下的现场验证仍然有限。这一区别对于解释报告的准确性和理解实验室潜力与实际现场应用之间的差距至关重要。成像系统，如高光谱和X射线技术，可以详细可视化外部缺陷（如霉菌生长和变色）和内部损伤（如昆虫隧道和籽粒破裂）（Xu等人，2023年）。光谱技术，包括近红外（NIR）和中红外（MIR）光谱，可以评估储存期间微生物活动引起的水分、蛋白质和淀粉的变化（Caporaso等人，2018年）。同时，挥发性检测平台，如电子鼻（E-noses）和比色传感器阵列（CSAs），可以检测表明真菌活动和腐败的挥发性有机化合物（VOCs）。最近的进展包括用于改进VOC分类的混合金属氧化物比色阵列和用于精确检测腐败阶段的机器学习算法（Maw等人，2021年）。特别是CSAs，提供了成本效益高的视觉监测，适用于资源有限的环境，并可以与成像和光谱系统结合进行多参数检测（Feng等人，2024年）。表1总结了这些技术的原理、应用和性能特点，将在后续小节中探讨它们在实时、适应现场条件的收获后质量管理中的作用。表S3提供了所选技术的详细比较评估，包括现场性能准确性、成本类别、主要优势和主要局限性。

**表1. 用于监测玉米生物质量的非破坏性技术**

| 分析技术 | 原理 | 方法与目标应用 | 贡献 | 局限性 | 对玉米质量评估的影响 | 参考文献 |
| --- | --- | --- | --- | --- | --- |
| 近红外光谱（NIRS） | 通过分子键（C–H, N–H, O–H）测量光吸收，提供组织氧合和成分的见解 | 预测蛋白质、水分、淀粉、脂肪、纤维以及检测霉菌毒素；手持式、在线和实验室仪器 | 快速、非破坏性筛查，适用于现场或实验室的营养和毒素分析 | 需要化学计量模型；对样品/环境变化敏感 | 改善毒素/营养控制决策（Femenias, Fomina等人，2022年；Gao等人，2022年；Simeone等人，2024年；Tyska等人，2021年） |
| 中红外和傅里叶红外光谱 | 通过红外吸收检测分子振动；识别功能基团 | 真菌检测（如黄曲霉属）、霉菌毒素定量（AFB1, DON）、空间分析 | 微观尺度分析；环保的毒素检测方法 | 解释复杂；除非增强，否则存在空间限制 | 早期真菌识别；支持安全分拣和监测（Femenias, Fomina等人，2022年；Garon等人，2010年；Lu等人，2022年） |
| 高光谱成像 | 结合基于反射率的高分辨率空间和光谱数据来表征食品质量特征 | 用于检测谷物中的霉菌生长、昆虫侵害后的损伤以及水分和蛋白质等质量变化 | 实现高预测准确性（例如，玉米水分的R2 > 0.93）；通过O-H、N-H和C-H吸收实现样品的化学指纹分析；以及对外观质量的微小变化 | 复杂的硬件设置和高成本；对NIR/LWNIR成像敏感；对外部因素敏感；工作效率低 | 提供玉米和其他食品产品的非破坏性质量评估，包括水分、缺陷、淀粉和真菌污染（Huang等人，2014年；Z. Wang等人，2021年） |
| X射线成像 | 使用X射线衰减创建内部结构的高分辨率图像；对密度差异敏感 | 用于评估真菌感染、籽粒硬度、结构变化、破损预测以及内部空洞 | 用于评估真菌感染、籽粒硬度、结构变化、破损预测和内部空洞 | 成本高、扫描时间慢、操作者需要专业知识；对快速筛查不太适用；早期真菌检测效果不佳 | 非常适用于结构特征分析、破损抗性预测以及在不同压力、感染和加工条件下的长期质量监测（Du等人，2019年；Orina等人，2018年） |
| 机器和计算机视觉 | 利用RGB相机、机器视觉系统和AI算法（如ML/DL/CNN）进行分类、分割和特征提取 | 用于检测和分类玉米叶片和籽粒上的疾病、害虫、霉菌和缺陷；使用ML/DL管道分析图像特征（颜色、纹理、形状） | 实现快速、低成本的非破坏性识别视觉症状和质量特征；DL模型实现高通量表型分析和实时收获后质量评估 | 仅限于检测由食品生物感染引起的外观质量变化 | 通过视觉线索实现可扩展的早期疾病诊断和玉米质量控制，特别是在现场和储存环境中（Palumbo等人，2023年；Pfordt和Paulus，2025年；Upadhyay和Bhargava，2025年） |
| 比色传感器阵列（CSA） | 通过与染料涂层传感器的相互作用检测VOCs，模拟嗅觉系统 | 用于检测玉米中的霉菌、黄曲霉B1和青贮饲料质量 | 高识别准确性；低成本、简单、非破坏性；适用于现场检测 | 对杂质和环境因素敏感；性能取决于基底和染料选择 | 实现快速、高精度的实时玉米质量区分（新鲜与霉变、青贮等级、毒素存在）（Lin等人，2024年；D. Wang, Zhang, Zhu等人，2024年） |
| 声学 | 通过麦克风/传感器检测昆虫或籽粒产生的声音特征（咀嚼、爬行、翅膀拍打） | 用于识别储存玉米中的Sitophilus zeamais、Prostephanus truncatus、Rhyzopertha dominica；也用于收获期间的实时籽粒损失检测 | 非破坏性、低成本、适用于早期检测和实时监测；检测准确率为90–95% | 性能受噪声、传感器位置、水分含量和籽粒密度的影响；检测范围有限 | 支持害虫管理和储存决策，通过早期昆虫检测和减少收获后损失（Chidege等人，2024年；Dong等人，2023年；Njoroge等人，2019年） |

**4.1. 光谱技术**

光谱技术是通过测量材料与电磁辐射的相互作用来获取其分子组成、结构和功能特性的分析方法。在玉米收获后质量监测中，这些技术能够通过捕捉反映储存和运输过程中发生的物理、化学和生化变化的光谱特征，实现快速、非破坏性的劣化检测。它们的主要优点包括最小的或无需样品制备、高分析特异性、快速的数据获取以及适应实验室和现场条件的能力，使其非常适合供应链中的连续质量评估。通过先进的预处理、多变量分析和机器学习算法，光谱方法为实时决策提供了强大的平台。以下小节介绍了在这种背景下使用的主要光谱方法，概述了它们的原理、能力和实际部署考虑。

**4.1.1. 近红外光谱**

近红外（NIR）光谱在780-2500纳米的光谱范围内工作，广泛用于非破坏性地评估玉米的关键质量参数，如水分含量、蛋白质水平和霉菌毒素污染（Ekumah等人，2025年；Zhao等人，2025年）。通过分析与C-H、O-H和N-H等键相关的分子振动的泛音和组合带，近红外（NIR）技术能够提供关于玉米籽粒的定量成分信息。传统的NIR系统包括辐射源（例如钨卤素灯、LED）、波长选择器（滤光片、光栅或干涉仪）、样品接口和探测器。例如，对于完整的籽粒可以使用反射率测量，对于透明样品可以使用透射率测量，而对于中间情况则可以使用透反射率测量（图2A），这使得NIR光谱技术在各种应用中具有高度的灵活性。

最近，NIR技术的进步显著提高了其便携性和现场适应性。通过微机电系统（MEMS/MOEMS）的微型化，开发出了紧凑型、低功耗的光谱仪，这些光谱仪使用可调谐的法布里-珀罗滤波器、数字微镜装置（DMD）和其他扫描元件，以实现单点探测器的宽光谱覆盖范围（Gullifa等人，2023年；Huang等人，2018年）。这些创新使得手持仪器具备了坚固的光学系统、符合人体工程学的设计以及无线连接功能，从而能够在变化的环境条件下进行原位测量。新兴的片上光谱仪和计算光谱仪，包括基于电致变色滤波器和光子分子设计的仪器，进一步提高了分辨率，降低了制造成本，并缩小了仪器尺寸（Tian等人，2024年）。这种便携性、坚固性和技术复杂性的结合，使得NIR光谱成为实时监测供应链中玉米质量的重要工具。

这些便携式NIR系统在受控的现场验证研究中展示了良好的准确性。法国在三个收获季节收集的500多个自然污染的玉米样本上的验证显示，对于黄曲霉毒素B1的检测准确率为97.4%，对于总黄曲霉毒素的检测准确率为100%（Bailly等人，2024年）。然而，这仅代表了一个使用温带玉米品种的实验室的性能数据；关于热带品种和不同环境条件下的独立多实验室验证的结果尚未报告。读者应将此视为来自单一地理和品种背景的点估计值，在推广到其他应用环境之前需要独立验证。对于玉米储存应用，NIR技术可以快速筛查黄曲霉毒素污染，因为在管理不善的热带储存条件下，污染浓度可能超过9,200微克/千克（超过监管限值的600倍），因此需要具备在监管阈值浓度下进行敏感检测的能力（Kachapulula等人，2017年）。

拉曼光谱技术通过检测非弹性光散射来补充NIR技术，其中能量位移对应于分子振动，从而提供了关于玉米中碳水化合物、蛋白质和脂质的详细结构信息（Caporaso等人，2018年）。该技术擅长分析非极性键（C-C、C=C、CC）的对称振动，并且可以通过玻璃等包装材料进行无损分析，无需样品预处理（Xue等人，2024年）。仪器包括单色激光源（532、785或1064纳米）、收集光学系统、带有全息光栅的色散光谱仪以及CCD或CMOS探测器。激光波长的选择平衡了信号强度、荧光干扰和穿透深度（Y. He等人，2022年）。最近的进步将拉曼光谱技术从实验室束缚的方法转变为一种便携、高灵敏度的实时应用工具。现在有足够小到可以放在手掌中的紧凑型手持设备，它们使用透射光栅来提高信噪比，优于早期的反射式Czerny-Turner设计（Crocombe等人，2023年）。表面增强拉曼光谱（SERS）技术利用等离子体纳米结构将信号放大10^9至10^11倍，进一步实现了对霉菌毒素等污染物的痕量检测，使该技术成为收获后监测玉米质量的强大工具（Yang等人，2018年）。此外，为SERS基础护理测试优化的模块化手持系统显著提高了便携性和分析性能（Tripathy等人，2023年）。基于氮化硅（SiN）和CMOS兼容平台的片上拉曼光谱仪将基于波导的傅里叶变换光谱仪和等离子体纳米天线集成到毫米级设备中。这些系统将光传输、信号收集和转换结合到一个可扩展的光子电路中，支持未来在消费和农业设备中的集成（Eslami和Palomba，2021年；Kerman等人，2025年）。这些进步，包括无损测量能力、SERS放大和光子集成，使拉曼光谱成为检测玉米结构和生化变化的敏感、可部署和多功能方法，确保了整个收获后供应链的质量。

中红外（MIR）光谱（2500-25000纳米；4000-400厘米^-1）直接测量基本分子振动，产生的吸收带比NIR的泛音测量更尖锐，特异性更高（Rodriguez-Saona & Allendorf，2011年）。傅里叶变换红外（FTIR）光谱仪使用迈克尔逊干涉仪和移动镜片同时调制所有波长。傅里叶变换将干涉图转换为光谱，提供了Jacquinot优势（更高的吞吐量）、Connes优势（更精确的波长）和Fellgett优势（同时测量多个波长）（Milewska等人，2023年）。系统包括红外光源（碳化硅Globar或陶瓷元件）、干涉仪和探测器（碲化汞镉、硫酸脱水甘油三酯或热电材料）。分辨率取决于干涉仪中的最大光程差。指纹区域（1500-400厘米^-1）通过特定功能团的独特峰提供了出色的分子识别能力，与NIR的宽吸收带形成对比。使用钻石、硒化锌或锗晶体的衰减全反射（ATR）附件产生的衰减波可以穿透样品0.5-5微米，实现无需预处理的直接固态分析（Socaciu等人，2020年）。带有微型化、固定对准干涉仪的便携式FTIR系统可以进行现场部署，当与多变量分析和机器学习结合使用时，可以将光谱特征转换为实时收获后监测的定量质量参数（图2C）。

成像技术

高光谱成像（HSI）是一种非侵入性技术，它结合了成像和光谱技术，创建包含空间（x，y）和光谱（λ）信息的三维超立方体。该系统在紫外（UV）、可见（VIS）和近红外（NIR）波长范围内捕获每个像素的详细光谱数据，从而能够全面分析分子的、化学的和物理的特性。对于玉米的质量和安全评估，在储存和运输过程中，HSI分析关键参数，包括水分含量、籽粒硬度、真菌污染和昆虫损害，利用独特的光谱特征（Femenias等人，2022年；Lu等人，2020年）。反射模式特别适用于较厚的样品，如玉米籽粒。荧光成像（438-718纳米）可以检测表面化合物，如色素和氧化产物，而可见近红外（VNIR，419-1007纳米）可以识别色素和叶绿素含量。短波红外（SWIR，1007-2472纳米）可以更深入地检测O-H和C-H分子振动，揭示复杂的内部化学组成（Lu等人，2020年）。图S2展示了超立方体结构，其中空间分辨率对应于x和y维度中的像素，每个像素包含多个波长的完整光谱数据。这种数据丰富的架构实现了同时的空间和光谱分析。最近的技术进步显著增强了HSI的能力。改进的探测器，如铟镓砷化物（InGaAs）和碲化汞镉（HgCdTe），提高了对细微光谱变化的灵敏度，能够在可见迹象出现之前检测到变质（Guo等人，2025年）。硬件发展包括用于运输过程中的实时、高通量监测的线扫描系统，以及用于现场质量评估的便携式单元（Liu等人，2019年；Lu等人，2020年）。这种空间和光谱数据的集成提供了精确、无损的真菌污染、昆虫损害和其他质量问题的检测，具有高准确性和可靠性（Del Fiore等人，2010年；Femenias等人，2022年）。

先进的X射线技术改变了非破坏性农业分析，提供了玉米内部结构的卓越可视化，以评估种子质量和储存相关的劣化（Zhang等人，2024年）。同步辐射X射线成像通过将电子加速到接近光速来生成高强度光束，能够详细分析种子的关键组成部分，包括种皮、胚乳和胚。相位对比微计算机断层扫描在大约20千电子伏特下工作，分辨率为3.6微米，擅长可视化内部微观结构并检测变质和内部裂纹等质量问题（Carvalho等人，2019年）。增强型放射成像结合对比剂能够有效检测早期昆虫侵染，而在可见损害发生之前。X射线荧光成像提供了微观营养素映射，揭示了储存条件如何影响种子的活力和营养价值（Jimoh等人，2023年）。最近的探测器创新包括硒CMOS直接转换技术，为高达100千电子伏特的能量提供了卓越的空间分辨率和检测效率。使用平板探测器的数字放射成像实现了实时成像和快速读出，使这些系统在农业应用中越来越实用（Ou等人，2021年）。与中红外光谱的集成提供了通过检测储存过程中的分子降解来补充生化信息（Kotwaliwale等人，2014年）。人工智能的集成彻底改变了图像分析能力。先进的算法自动识别内部特征，包括孔隙拓扑、颗粒硬度变化和机械损伤模式（Du等人，2019年），显著提高了商业规模谷物分析的质量评估系统的精度和吞吐量。

机器和计算机视觉技术将成像传感器与人工智能算法相结合，为收获后管理提供快速、无损的评估解决方案（Fadiji等人，2023年）。这些系统使用多种类型的传感器：RGB相机用于颜色分析，高光谱/多光谱相机用于光谱特征分析，热相机用于温度映射。传感器安装在各种平台上，包括用于现场监测的无人机、用于实时分选的传送带或用于持续观察的储存设施中的固定装置。操作工作流程从图像采集开始，然后是包括噪声减少、颜色归一化和分割的预处理。阈值和边缘检测算法隔离感兴趣的区域并突出特定属性（Upadhyay & Bhargava，2025年）。机器学习算法，包括用于分类的支持向量机、用于集成预测的随机森林和用于深度特征学习的卷积神经网络，分析提取的特征，如颜色、纹理、大小和光谱特征，以评估质量参数（Pfordt & Paulus，2025年）。在自动化谷物检测应用中，深度学习算法在分类玉米籽粒、检测破损籽粒、外来物质和昆虫损害方面的准确率超过95%（Palumbo等人，2023年）。这些系统使用高分辨率相机和均匀的卤素或LED照明。物联网支持的传感器提供实时环境数据，通过将视觉变化与储存条件相关联来提高决策准确性（Schmidt等人，2024年）。实施挑战包括数据集收集的资源密集型要求和农村地区有限的计算基础设施。利用预训练模型和边缘计算解决方案的迁移学习技术解决了这些限制，从而使先进的视觉系统越来越适用于实际农业应用。

气体传感器阵列是非破坏性检测系统中的关键创新，特别是在农业和收获后监测中。与传统单一传感器方法不同，气体传感器阵列包含多个传感元件，可以同时测量多种挥发性化合物，从而更细致地理解复杂的化学环境。它们的架构通常包括传感单元、信号调节电路和数据分析平台，这些平台经常使用机器学习进行模式识别和预测建模。这些阵列可以在储存或加工链的早期检测到变质、微生物活动或污染的迹象，从而帮助保持作物质量和安全。

电子鼻技术是一种仿生传感系统，通过检测和分类挥发性有机化合物（VOCs）来模拟人类的嗅觉机制。这项技术实现了对农业商品中害虫侵染、真菌污染和质量降解的非侵入性、实时识别，从而克服了传统破坏性和耗时方法的局限性（Rodrigues, Coradi, Timm等人，2024年）。电子鼻由四个基本组件组成：一个从样品顶空收集VOCs的气味传递单元、一个用于VOC交互的传感器阵列、一个数据采集模块和一个数据处理单元。传感器阵列通常使用金属氧化物半导体（MOS）或导电聚合物，这些材料在VOC暴露时会改变电导率，从而产生独特的“气味特征”（Wilson & Baietto，2009年）。现代系统使用多达18个MOS传感器，每个传感器对特定的VOC组敏感，生成复杂的多维数据集（Hou等人，2025年）。信号处理包括放大、调节和数字化，然后进行计算分析。数据解释采用先进的统计和机器学习方法，包括主成分分析（PCA）、线性判别分析（LDA）、支持向量机（SVM）和人工神经网络（ANN），以实现准确的气味分类（Mishra等人，2018年）。深度学习方法，特别是卷积神经网络（CNNs），在复杂情况下提高了性能。当前的电子鼻应用包括在储存和运输过程中通过将VOC模式与环境参数（如温度、湿度和CO2水平）相关联来评估谷物质量（Rodrigues, Coradi, Timm等人，2024年）。实施挑战包括传感器漂移、校准要求以及对温度和背景挥发性有机化合物（VOCs）等环境因素的敏感性（Zhang & Wang, 2007）。然而，传感器材料、物联网（IoT）集成和机器学习算法的进步正在提高系统的稳健性。与声学和成像技术的结合扩展了农业、食品安全和环境监测中的应用，使电子鼻系统成为确保食品安全和减少收获后损失的重要工具。尽管潜力巨大，但电子鼻系统在不同应用环境中的性能存在显著差异。例如，在意大利进行的一项为期五年的实地部署（2014-2018年）中，使用人工神经网络分类方法对316个商业玉米样本进行检测，对黄曲霉毒素B1（AFB1）的检测准确率为78%，对伏马菌素的检测准确率为77%（Camardo et al., 2021）。在肯尼亚，实地验证显示，人工接种样本的准确率为72-88%，自然感染样本的准确率为61-86%，使用实验室训练的模型对独立田间样本进行外部验证的准确率为58-78%（Machungo et al., 2023）。这些结果表明，当模型应用于其训练环境之外时，性能会下降约10-20个百分点，这突显了进一步校准和适应多样化农业环境的必要性。此外，报告的准确率仅来自个别研究，如果没有原始实验的原始数据，就无法计算置信区间或标准差，这进一步强调了在不同条件下推广结果的挑战。在玉米储存环境中，电子鼻系统专门针对由黄曲霉（产生黄曲霉毒素）和尖孢镰刀菌（产生伏马菌素）引起的挥发性有机化合物特征，能够在可见真菌生长或霉菌毒素积累之前进行预检测（Kachapulula et al., 2017）。

4.3.2. 色度传感器阵列
色度传感器阵列（CSAs）利用对目标化合物有反应的化学敏感染料，这些染料在与目标化合物相互作用时会产生可见的颜色变化，从而形成独特的光学指纹，实现快速、无损的分析物检测（Lin et al., 2018, Lin et al., 2019）。其核心机制涉及化学相互作用，包括路易斯酸-碱反应、氧化还原过程和范德华力，这些过程会改变染料的电子结构，产生可检测的颜色变化（Askim et al., 2013, He et al., 2022, Liang et al., 2023）。常见的染料包括金属卟啉（如四苯基卟啉，一种路易斯酸）和pH敏感指示剂（如甲基红），它们通过质子化/去质子化反应响应（Johnson et al., 2025, Tao et al., 2024）。典型的CSA包括一个固定了染料的阵列、一个样品室、一个成像设备和数据处理软件。颜色变化通过平板扫描仪或相机捕获，生成的RGB数据集使用化学计量学和机器学习方法进行分析，包括主成分分析（PCA）、线性判别分析（LDA）和基于人工智能的算法（Lin et al., 2024）。
纳米材料的集成显著提高了CSA的性能。具有局部表面等离子体共振的金纳米颗粒提高了对农药和重金属等微量污染物的检测灵敏度（Askim et al., 2013）。功能化的微珠和氨基修饰的中孔二氧化硅纳米球提高了对食品腐败过程中挥发性有机化合物的检测能力（Lin, Kang et al., 2019）。BODIPY修饰的二氧化硅纳米球能够早期检测由黄曲霉引起的玉米腐败（Duan et al., 2021），而将染料封装在中孔结构中可以提高小麦霉变检测的信号稳定性（Chen et al., 2024a, Chen et al., 2024b）。与可见光/近红外光谱（VNIRS）的集成创建了先进的监测平台。使用BODIPY染料的CSA-VNIRS系统在预测水稻储存时间方面达到了92.73%的准确率（Lin et al., 2022），并在小麦霉菌定量方面显示出强相关性（Rp = 0.9387）（Lin et al., 2021）。包括纳米颗粒修饰的染料和多孔二氧化硅纳米球/聚合物苯乙烯-丙烯酸基质在内的先进技术，能够早期检测小麦中的黄曲霉，相关系数超过0.95，均方根误差（RMSE）值低于0.5（Kang et al., 2022）。尽管取得了进展，但在标准化和环境适应性方面仍存在挑战，需要继续研究稳定的基底、坚固的制造工艺和适应性算法，以充分发挥CSA的潜力。

所回顾的先进无损技术涵盖了从光谱方法（近红外（NIR）、拉曼（Raman）、高光谱）到挥发性物质检测平台（电子鼻、色度阵列）再到声学检测系统，每种技术针对特定的收获后威胁都有独特的优势，但它们基于不同的物理原理，适用于不同的检测场景。因此，技术选择取决于目标污染物（霉菌毒素、昆虫、水分）、所需的检测时机（症状出现前 vs. 晚期恶化）以及部署限制，而不是一个适用于所有情况的“最佳”解决方案。

5. 人工智能和物联网在无损检测系统中的集成
化学计量学、机器学习（ML）、人工智能（AI）和物联网（IoT）技术的集成为无损检测系统带来了革命性的改进，显著增强了其在农业供应链中确保产品质量的能力（Hu et al., 2025）。化学计量算法分析复杂的光谱和传感器数据，提供农产品物理和化学性质的精确量化。机器学习和AI模型进一步处理这些数据，以极高的准确性检测腐败、污染和质量变化。物联网网络通过互连的传感器、成像系统和执行器放大这些进步，实时监测关键参数，包括温度、湿度、气体浓度和产品形态。这些技术共同实现了预测分析、持续评估和自主决策，从而将收获后的监测转变为一个动态、响应迅速的过程（Schmidt et al., 2024）。
物联网阵列将温度、相对湿度（RH）、二氧化碳（CO?）水平、挥发性有机化合物（VOCs）、光谱特征和成像数据流式传输到边缘或云平台，在那里数字孪生模型实时更新。这些模型模拟干预措施并识别热点，为早期、有针对性的响应提供可操作的见解（Anukiruthika and Jayas, 2025, Escribà-Gelonch et al., 2024）。在这些数据流上训练的AI模型对于早期风险检测非常有效。例如，深度学习视觉系统，如YOLO系列模型，在多物种储存谷物昆虫的数据集上实现了约96.6%的平均精度（mAP@0.5）。声学传感与机器学习结合，通过识别视觉检查经常忽略的隐藏幼虫活动，进一步增强了检测能力（R. Mankin et al., 2021; Sun et al., 2025）。对于真菌污染和霉菌毒素，高光谱成像（HSI）、近红外（NIR）和红外（IR）光谱等光谱方法与机器学习结合，可以在可见腐败之前检测出产毒物种和污染标志物。此外，与机器学习结合的电子鼻（e-noses）分析VOC谱型，以量化感染程度，实现快速、无损的质量监控（Anukiruthika and Jayas, 2025, Hou et al., 2025）。
通过边缘或云平台处理高速数据流的能力使这些系统能够构建动态的数字孪生体，持续跟踪水分迁移、代谢腐败和环境条件等参数。这些数字孪生体在分布式传感器阵列的支持下，实时评估风险、预测感染并触发自动化干预，如局部处理或环境调整（Carvalho et al., 2019）。此外，先进的预测模型整合历史数据和实时数据，优化储存策略，指导产品轮换、分配和环境参数调整，以减轻季节性波动期间的损失（Jimoh et al., 2023）。
尽管存在数据标准化、网络安全和高前期成本等挑战，但半导体设计的进步、低功耗传感器、边缘AI和互操作的云管道正在推动这些系统的广泛部署。通过将化学计量的分析精度与AI、ML和IoT的预测和自动化能力相结合，无损检测系统正成为确保全球农业供应链实时质量控制和效率不可或缺的工具。然而，虽然数据融合算法、带宽要求、离线能力和网络安全协议被认为是全面部署的关键技术维度，但针对玉米的具体研究仍然有限，系统地研究这些方面是该领域未来工作的重要优先事项（Nawaz et al., 2025）。

6. 无损检测方法在监测玉米劣化中的生物因素的应用
6.1. 储存和运输过程中的生物威胁检测
6.1.1. 真菌和微生物生长评估
收获后玉米中的真菌和微生物生长评估始于检测早期环境和代谢指标，这些指标预示着污染的开始。真菌繁殖由特定条件触发，如较高的谷物水分（≥16%）、温度超过30°C以及二氧化碳浓度超过600 ppm，这些条件为真菌呼吸和代谢创造了理想的环境（Chen et al., 2024a, Chen et al., 2024b）。在批量储存中，声学监测系统通过分析声波衰减来检测这些条件引起的结构退化，这与真菌损伤密切相关；然而，准确性受到谷物压实和水分梯度的影响（Gasso-Tortajada et al., 2010, Juodeikiene et al., 2014）。热成像捕捉真菌呼吸的代谢热特征，生成表面温度图，识别污染热点，但无法穿透深层谷物（Vadivambal & Jayas, 2011）。
在运输过程中，顶空传感器阵列（电子鼻）通过将化合物吸附到具有不同极性的传感器上来捕获微生物代谢产生的VOC模式，改变其信号以产生气味指纹，从而揭示污染（Zuchowska & Filipiak, 2024）。Lin等人（2024）通过开发一种创新的纳米复合色度传感器阵列（CSA）改进了这种方法，该阵列专门用于区分新鲜和发霉的玉米。他们的方法结合了顶空固相微萃取气相色谱-质谱（HS-SPME-GC/MS）来识别关键的VOC生物标志物，如2-甲基丁酸和十一烷，这些标志物可靠地指示了真菌活动。通过将多孔二氧化硅纳米球（PSNs）和沸石咪唑酯框架-8（ZIF-8）嵌入传感器阵列中，团队提高了传感器的检测灵敏度。优化后的系统使用线性判别分析（LDA）和K最近邻（KNN）模型对结果数据进行处理，实现了100%的准确率，区分新鲜和发霉的玉米（Lin et al., 2024）。这种CSA技术提供了一种实用、灵敏且成本效益高的工具，用于储存期间的实时霉菌检测，补充了现有的基于VOC的检测系统，并进一步改善了食品安全监测（图3）。这些早期检测机制有一个共同的原则：它们针对表明真菌存在的环境条件和代谢产物，这些条件在可见损伤发生之前就已经出现。

下载：下载高分辨率图像（944KB）
下载：下载全尺寸图像
图3. 使用纳米复合色度传感器阵列（CSA）对新鲜和发霉玉米的全面分析。(A) (i) 区分新鲜和发霉玉米的聚类热图；(ii) 按VIP分数排名的前15种VOC；(iii) OPLS-DA分数图；(iv) OPLS-DA模型验证；(B) (i) VIP分数散点图；(ii) VOCs的火山图；(iii) 比较新鲜和发霉玉米的四种关键VOC的箱形图；(C) SEM和TEM图像(i–viii) 显示增强传感器功能的基底和纳米颗粒(PSA, PSN, ZIF-8)的结构；(D) (i) 暴露于VOCs的14种pH指示剂的指纹和RGB差异直方图；(ii) 同样的纳米复合色度染料；(iii–vi) pH指示剂及其与纳米颗粒复合体的UV光谱；(E) 化学计量PCA、LDA和KNN模型实现了100%的准确率，证实了CSA在霉菌检测方面的灵敏度和特异性（改编自(Lin et al., 2024)。
下载：下载高分辨率图像（517KB）
下载：下载全尺寸图像
图4. 集成智能传感和监测系统，用于粮食生产链。(A) 通过移动传感器实时跟踪粮食运输状况；(B) 使用气流和热传感器监测干燥系统，以确保有效减少水分；(C) 筒仓储存中监测颗粒间参数、二氧化碳、湿度、温度，以进行质量控制；(D) 通过IoT环境传感器（光照、湿度、降雨、温度）结合AI进行收获前作物监测，以检测水分胁迫、疾病、杂草并预测产量；(E) 集成无人机、卫星、IoT和AI的远程监测概览，从作物田地到储存、接收和运输路线（改编自(Rodrigues, Coradi, Timm, et al., 2024)。
随着污染的进展，对颗粒级别的评估对于精确识别和去除受感染谷物变得至关重要。高光谱成像（HSI）系统在这种粒度检测方面表现出色，结合空间和光谱分析，能够以超过98%的准确率识别玉米颗粒中的真菌代谢物和生化变化（D. Yang et al., 2022）。近红外（NIR）光谱通过检测真菌引起的分子键（C-H、O-H、N-H）的变化来补充HSI，提供快速和便携的筛查能力，尽管其在批量样本上的平均读数限制了污染的定位，因此当与HSI的颗粒特异性精度结合时最为有效。这种组合实现了筛查-定位-控制策略：NIR快速识别受污染的批次，HSI精确定位受感染的颗粒，自动化分选系统将它们移除，防止交叉污染并保持整个接收过程中的谷物质量（Chu et al., 2020, Regina et al., 2021）。
将这些检测机制集成到预测管理系统中代表了从被动控制到主动控制的转变。物联网遥测网络汇总来自声学传感器、热相机、电子鼻和环境监测器的实时数据，创建全面的污染风险档案，从而能够立即采取干预措施，如定向通风或谷物分离（Crépon et al., 2023）。数字孪生框架通过使用实时传感器数据模拟储存条件、预测真菌生长轨迹，并建议采取预防措施来防止污染升级，从而推动了这种整合（R. Zhang等人，2025年）。机器学习算法进一步提高了预测准确性，支持向量回归模型通过分析多个传感器输入的模式来预测真菌生长，达到了0.99的R?值（Liu等人，2022年）。这种从早期环境检测到精确核识别再到集成预测系统的多层次方法，创建了一个机制框架，在该框架中每种技术都针对真菌生物学的特定方面，确保不仅在检测到污染，还能理解、预测并防止整个玉米供应链中的污染。

6.1.2 霉菌毒素检测与量化
在储存和运输过程中检测玉米中的霉菌毒素对于确保食品安全和促进贸易至关重要，因为收获后的污染对公共卫生和经济稳定构成重大威胁。可靠的检测技术必须达到符合全球和地区当局制定的法律阈值的检测限，以符合严格的监管标准。《食品法典》提供了统一的限值，包括谷物中黄曲霉毒素和脱氧雪腐镰刀菌烯醇的最大水平（Chen等人，2019年），而美国食品药品监督管理局（FDA）允许玉米基食品中的总黄曲霉毒素含量达到20 ppb，伏马菌素含量为2-4 ppm（Mulunda等人，2013年），欧盟将人类消费的玉米中黄曲霉毒素B1的限值设定为2 μg/kg（Berg，2003年；Van Egmond等人，2007年）。这些标准需要先进的检测机制来识别由真菌孢子萌发引发的级联分子变化以及随后的生化转变，这些变化会影响谷物成分。可以采用针对污染特定方面的各种机制，例如共轭芳香系统中的电子跃迁，这提供了一种直接的检测途径。Kim等人（2022年）表明，黄曲霉毒素分子在紫外光激发下会发出374-609 nm的特征荧光，从而能够在谷物接收操作期间快速进行污染筛查。荧光光谱学也能够在紫外光下快速检测黄曲霉毒素（Chouhan等人，2024年）。然而，为了进行更全面的评估，需要通过振动光谱学进行更深入的分子探测。短波红外检测通过识别1208、1320和2254 nm处的泛音和组合带来扩展检测能力，这些带对应于C-H伸缩振动，可以揭示霉菌毒素的存在以及碳水化合物、蛋白质和脂质成分的更广泛的生化变化，实现了95.7%的分类准确性（Kim等人，2022年）。从电子机制到振动机制的进步对于处理在长时间储存过程中常见的共污染情况至关重要。Kim等人（2023年）证明，结合荧光、可见近红外和短波红外成像可以通过利用曲霉菌种类的表面化学变化（可通过荧光检测）以及镰刀菌引起的更深层次的基质变化（在短波红外区域可见）来同时检测黄曲霉毒素和伏马菌素。这创建了互补的检测途径，确保对污染进行全面评估。此外，水分子可以作为敏感的污染探针：Appaw等人（2025年）识别出1488、1512和1364 nm处的水基质带，霉菌毒素对这些带的扰动先于可检测到的毒素积累，从而实现早期预警（Appaw等人，2025年）。这增强了近红外方法的效果，Bailly等人（2024年）和Borràs-Vallverdú等人（2024年）展示了由于污染引起的水重组而在1129-1213 nm处放大的特征（Bailly等人，2024年；Borràs-Vallverdú等人，2024年）。

将光谱学与挥发性物质检测相结合，创建了互补的监测系统，其中电子鼻追踪由真菌代谢物引起的金属氧化物半导体导电性的变化，填补了光谱点测量之间的时间间隙。Qu等人将一个16元素的人工嗅觉传感器阵列与优化的MobileNetV3模型相结合，用于分类受污染的玉米（Qu等人，2024年）。他们的系统实现了超过98.5%的准确率，并在1秒内实现实时检测，同时将传感器数量减少了62.5%，且准确率几乎没有损失，如图S9所示。该方法利用来自16个传感器元素（八个卟啉和八个染料附着的纳米复合材料）的VOC相互作用特征来构建初始数据集。MobileNetV3实现了超过98.5%的准确率，ISCA优化通过将阵列大小减少到6个传感器来减少传感器冗余，准确率损失最小（约1%）。环境监测进一步支持早期检测。Chen等人证明，当二氧化碳浓度超过1,000 ppm、储存湿度为16%且温度高于30°C时，黄曲霉毒素水平超过20 ppb，而高速成像在区分受污染的玉米粒时实现了99.87%的准确率，处理速率为每帧7.49毫秒（Chen等人，2024a；Chen等人，2024b）。

通过先进的化学计量算法整合多种检测机制，代表了分析技术的进步，其中机器学习方法综合了来自电子跃迁、分子振动、水扰动和挥发性特征的信息，克服了单一技术的局限性。这些集成系统通过利用机械协同作用来保护整个储存和运输过程中的谷物质量，这是任何单一方法都无法单独实现的。通过拉曼光谱学向非弹性光散射机制的演变解决了运输监测的实际挑战，Kim等人（2023年）在744、831、1075和1443 cm?1的特征位移下实现了可靠的污染检测，尽管存在机械振动和温度波动（Kim，Baek等人，2023年）。表面增强配置通过等离子体机制将这些分子信号放大了10?倍，实现了监管合规所需的十亿分之一的灵敏度，同时保持了快速、无标记检测的实际优势（Wu等人，2021年）。对这些检测原理之间相互关联性的理解使得能够开发出适应不同环境和收获后供应链中遇到的污染情况的强大监测策略，确保从储存到消费的玉米的安全和质量。

6.1.3 昆虫侵害检测
在储存和运输过程中检测玉米中的昆虫侵害已经发展到综合性的、非破坏性的策略，这些策略针对害虫活动的不同阶段和表现形式。声学传感仍然是一种广泛使用的方法，用于批量监测，因为它可以捕捉到幼虫和成虫在玉米粒内进食或移动时产生的脉冲。这些信号已被证明表现出可以与物种和发育阶段相关联的独特频率-时间模式（R. W. Mankin等人，2020年；A. W. Njoroge等人，2016年）。Kiobia等人（2015年）表征了Sitophilus zeamais幼虫在1-15 kHz范围内的活动，而Balingbing等人（2024年）使用基于微机电系统（MEMS）的设备通过峰值频率的差异区分了S. oryzae和Rhyzopertha dominica，准确率超过95%（Balingbing等人，2024年；Kiobia等人，2015年）。Mankin等人（2020年）进一步证明，即使在低至1.9幼虫/公斤的密度下也能进行检测，脉冲率与种群密度相关，从而能够估计侵害的严重程度，而不仅仅是简单的存在/不存在判断（R. W. Mankin等人，2020年）。这样的改进，加上无线传感器阵列和机器学习，使得声学监测能够在静态和运输中的批量储存中运行，支持早期干预，从而实现综合害虫管理。

在声学传感的早期预警能力的基础上，基于成像的方法提供了仅通过声音分析无法获得的补充结构信息。X射线放射成像，尤其是在添加了对比剂的情况下，已被证明可以识别产卵位置、幼虫隧道和其他内部损伤，而无需切割玉米粒（Carvalho等人，2019年）。Neethirajan等人（2007年）报告称，使用荧光成像检测受污染的玉米粒的准确率为97%，可以揭示内部空腔，而计算机断层扫描提供了关于幼虫优先在营养丰富的胚区进食的见解，然后才进入胚乳的详细信息（Neethirajan等人，2007年）。Barboza da Silva等人（2021年）展示了将放射成像与卷积神经网络相结合的进步，通过增强的预处理自动化了分类过程，实现了高通量和操作员独立的评估（Silva等人，2021年）。这使得成像成为许多通过声学或其他快速筛查方法在储存或转移过程中标记出的物品的有用确认步骤。将检测范围扩展到结构损伤之外，光谱方法，包括近红外（NIR）和傅里叶变换红外（FTIR）光谱学，可以揭示受污染玉米粒中的生化和成分变化。在线NIR系统具有环绕式检测几何结构，可以处理移动中的种子，允许同时分类受污染的玉米粒并测量蛋白质含量（Z. Wang等人，2023年）。化学计量特征选择工具，如竞争性自适应加权采样（CARS）和连续投影算法（SPA），有助于减少所需的波长数量，而不影响准确率。研究表明，振动光谱学也可以根据它们的光谱特征区分昆虫种类（Barbosa等人，2018年），而在400-1000 nm范围内的高光谱成像在基于表面生化差异对受污染的谷物进行分类时实现了93%的准确率（Adedeji等人，2020年）。这些光学方法非常适合在分级或包装线上进行快速分类，将可疑的玉米粒导向成像或声学验证，以保持检测效率。

通过完成监测框架，基于表面和陷阱的检测方法增加了捕捉外部害虫活动的能力，这通常预示着害虫种群的出现或迁移。高精度深度学习模型，如Pooling-Dilated-Attention You Only Look Once（PDA-YOLO），可以从RGB图像中实时检测多种储存产品中的昆虫种类，即使在视觉环境具有挑战性的情况下也能提供物种计数，从而指导检查和处理计划（Sun等人，2025年）。此外，压电冲击传感器已被用于检测由S. zeamais和P. truncatus引起的玉米粒损伤，提供了额外的早期预警能力（Bomoi等人，2022年）。在实践中，将这些方法结合使用——声学用于检测大量谷物中的内部活动，光谱学用于快速生化筛查，成像用于确认内部结构，视觉或冲击感测用于监测外部活动——创建了一个分层、相互强化的框架。这种结构有助于确保在整个储存-运输链中检测到生物、化学和结构上的害虫迹象，提高了害虫管理决策的及时性和准确性。

6.1.4 啮齿动物活动监测
在储存和运输过程中检测啮齿动物活动面临着独特的挑战，需要创新的非破坏性方法。最近的技术进步，包括声学监测、热成像、计算机视觉、射频识别（RFID）和环境感测，提供了强大的解决方案。这些方法不仅解决了传统技术的局限性，而且相互补充，创建了一个多层次的框架，用于更可靠和自动化的啮齿动物检测系统。声学系统特别适合监测大量玉米储存中的隐藏活动，能够捕捉与移动（22-44 kHz）和啃咬（15-20 kHz）相关的超声波模式，当以约3米间隔部署38 kHz传感器并使用专门的信号处理来过滤仓库噪声时（Kohlberg等人，2024年）。在安静的设施中，这些系统的准确率达到96.3%，检测范围约为7.2米（在噪声较大的仓库中约为4.5米），即使在黑暗或隐蔽的空间也能提供连续监控。然而，在操作中的仓库环境中，这些系统会受到环境因素的影响。热成像系统会遇到干扰，包括来自荧光灯等人工光源的干扰，这需要专门的过滤算法（Pereira等人，2018年）。环境因素，包括环境温度变化、光学传感器上的灰尘积累和物理障碍，也会影响检测的可靠性（Lai等人，2023年）。声学检测系统同样受到仓库操作噪声的影响，包括通风系统、机械设备和物料处理机械。此外，非气候控制设施中的温度波动也会影响传感器的性能和校准。这些环境限制需要多模态传感器融合策略，整合声学、热成像和计算机视觉系统，以在可变的操作条件下保持一致的检测可靠性。由于在减少发声期间声学线索可能会减弱，热成像通过利用啮齿动物在36-38 °C的温度特征与较冷的玉米和结构表面相比，提供了互补的空间定位。玻尔计相机（8-14 μm）在距离达12米的范围内实现了94.7%的准确率，使得在啮齿动物活动高峰期能够进行可靠的夜间监控（Chidege等人，2024年）。因此，声学-热成像层结合在玉米仓库和装卸区填补了时间和空间上的空白，解决了撒哈拉以南非洲地区高达35%的储存谷物损失所凸显的经济紧迫性问题（Swai等人，2019年）。

将计算机视觉系统与其他检测技术相结合，进一步增强了啮齿动物监测的有效性。计算机视觉系统使用传统成像来检测啮齿动物的存在，为需要视觉确认的环境提供了成本效益高的实时监测替代方案。Rodrigues等人（2024年）报告称，在每秒22帧的速率下识别啮齿动物存在的准确率为93%，显示出在高通量仓库和运输枢纽中的强大潜力（Rodrigues等人，2024年）。它们的性能可能会受到不良照明或储存条件阻碍，但集成有助于克服这些限制。帕伦博等人（2023年）的研究表明，将计算机视觉与声学传感相结合，与单独使用这些技术相比，检测准确性提高了12%，误报率降低了15%。这种集成技术增强了物种识别、损伤识别以及种群动态跟踪的能力。此外，战略性部署的系统能够检测到谷物运动中的异常情况，这些异常可以通过视觉或热成像方法进行验证，以实现精确定位。在玉米储存和运输过程中，这种多模态方法尤其有价值，因为除非通过互补传感器的交叉验证，否则啮齿动物的侵扰可能无法被发现。环境传感提供了连续的背景监测，可以验证其他传感器模式的检测结果，并在密封储存区域实现种群密度估计和早期预警——在这些区域直接观察可能不切实际。二氧化碳水平监测已被证明对于检测啮齿动物侵扰非常有效，有研究显示受侵扰区域的平均二氧化碳浓度为642 ± 47 ppm，而未受侵扰区域的浓度为426 ± 31 ppm。二氧化碳监测系统作为非侵入性的指标，可以检测密封储存环境中的啮齿动物和微生物活动，当气体浓度超过阈值时，物联网支持的设施会自动发出警报。这些信号不仅验证了来自声学、热成像和视觉系统的检测结果，还在啮齿动物出现明显行为之前提供了预警信号。考希克和辛格海（2018年）提出了无线传感器网络，该网络整合了二氧化碳、温度和湿度传感器以及机器学习算法，以自动检测异常情况。在玉米供应链的背景下，这种环境传感技术在密封筒仓或集装箱运输中特别有用，因为代谢气体会在其中积累，而细微的环境变化可以在啮齿动物被视觉或声学手段发现之前提供早期线索。

综上所述，这些技术支持在玉米储存和运输中的集成部署，而不是孤立使用。声学技术提供即时的行为线索；热成像技术提供空间和夜间覆盖；视觉技术提供物种和损伤的详细信息；射频识别技术扩展到运动动态的监测；环境传感技术建立了一个用于验证和早期预警的反馈循环。通过机器学习将这些技术融合在一起，创建了冗余的验证路径、更广泛的时间覆盖范围以及多尺度监测，从个体行为到种群趋势的监测，从而减少了误报和检测遗漏，并能够在高风险区域进行有针对性的干预。从操作角度来看，这些系统减少了大规模玉米货物的劳动密集型检查，降低了收获后的损失，并降低了由啮齿动物活动引起的二次微生物污染的风险——这些都是构建弹性玉米供应链的关键成果。

6.2 检测技术在储存环境中的应用

6.2.1 小规模储存应用
由于微型化和简化界面，非破坏性检测技术已被应用于小规模玉米储存，为资源有限的农民和农村储存设施提供了实用的解决方案。便携式近红外（NIR）设备尤其有效，邓等人（2022年）报告称，该设备在检测玉米中的黄曲霉素B1（AFB1）方面的预测准确性超过95%。这种高性能突显了NIR设备作为快速、非破坏性和高精度现场诊断工具的潜力，它们不需要复杂的实验室基础设施。此外，基于智能手机的成像系统通过分析昆虫取食或真菌生长引起的颜色空间变化，实现了经济实惠的视觉评估。帕伦博等人（2023年）开发了使用广泛可用的智能手机硬件的应用程序，检测准确性达到了85-92%，这是使监测技术在资源匮乏环境中更加普及的关键步骤。这些便携式系统不仅扩大了访问范围，还使小农户能够进行快速、按需的评估，从而减少了对集中检测设施的依赖。

其他非破坏性方法也通过成本效益高的传感器集成和简化设计得到了优化，适用于小规模环境。例如，简化的声学监测技术在具有挑战性的条件下显示出检测生物活动的潜力。恩乔罗格等人（2019年）证明，基本的声学换能器能够在肯尼亚仓库中区分来自真菌呼吸和昆虫活动的不同低频信号，即使存在背景噪声。同样，环境监测技术也被整合到低成本传感器包中，这些传感器包可以测量温度、湿度和基本气体浓度，提供有利于侵扰或腐败条件的早期预警。尽管这些方法不如大规模商业系统复杂，但它们通过提供关键的检测能力，降低了技术门槛，使农村操作者能够以较低的成本或专业知识要求实现有效的检测。总体而言，便携式NIR设备、基于智能手机的成像技术、声学监测和低成本环境传感的集成，展示了如何有效地缩小技术规模，以加强社区层面的玉米收获后管理，提高小农户的食品质量和食品安全。

6.2.2 商业储存设施应用
商业玉米储存设施需要复杂的检测和监测系统，这些系统在多个分析层面上运作，以应对影响粮食质量和安全的生物威胁。这些技术的基本原理是检测生物活动的特征信号，无论是通过挥发性化合物的排放、光谱变化还是环境参数的变化。这些信号作为污染的早期指标，能够在储存的粮食库存遭受重大损失之前采取干预措施。商业玉米储存设施中的生物污染是一个多方面的挑战，包括昆虫侵扰、真菌生长和霉菌毒素的产生，这些因素可能影响数千吨的粮食。害虫导致总体粮食产量的10-40%的损失（侯等人，2025年），而在肯尼亚的商业玉米样本中，超过黄曲霉素和伏马菌素监管限值的污染情况也很普遍（斯塔西维茨等人，2017年）。黄曲霉素和伏马菌素经常同时存在，如果大量摄入，会对人类和动物造成严重疾病，因此需要全面的监测方法，能够在广泛的储存设施中同时检测多种生物因素，其中储存单元之间的交叉污染会带来额外的商业风险（金、白等人，2023年）。

为应对这些挑战，多种技术在不同的分析层面上运作，以实现对商业玉米储存设施中生物污染的全面监测。在分子层面，电子鼻技术可以检测由生物活动产生的独特挥发性有机化合物，优化的传感器阵列持续监测顶部空间大气，以识别特定的害虫侵扰（侯等人，2025年）。这项技术能够在可见损害发生之前早期检测到昆虫侵扰，从而采取有针对性的干预措施，防止污染在整个储存设施中的扩散。同样，霉菌毒素污染的光谱检测依赖于籽粒层面的光-物质相互作用，短波红外光谱技术在评估单一污染物和共污染情况时最为有效（金、白等人，2023年）。这种快速评估能力对于在时间至关重要的商业环境中管理大量粮食交易的质量和安全至关重要。此外，通过多光谱分选技术进行物理分离，商业设施可以通过选择性地移除高度污染的材料来挽救有价值的粮食批次，从而将潜在无价值的污染批次转化为具有商业价值的产品（斯塔西维茨等人，2017年）。这项技术提供了一种经济有效的方法，可以最小化商业玉米储存操作中由霉菌毒素污染造成的经济损失。

除了这些有针对性的检测方法外，使用无线传感器网络的环境监测可以连续测量对生物污染发展至关重要的参数，当参数组合超过风险阈值时，系统会自动发出警报（卢茨和科拉迪，2022年）。这些传感器网络提供了关于温度、湿度和其他影响储存玉米中害虫、真菌和霉菌毒素生长和繁殖的环境因素的实时数据。通过持续监测这些参数，商业储存设施可以主动调整环境条件，以减轻生物污染的风险并保持最佳的粮食质量。为了充分利用这些检测技术的能力，将它们整合到数字框架中可以实现全面的设施级监控，这对于管理复杂的商业储存操作至关重要。有效的监测系统在收获后操作的关键控制点整合了多种数字技术，机器学习算法分析组合的数据流，以识别相关性并实现预测能力（施密特等人，2024年）。这种集成提供了对储存设施中生物污染风险的全面视图，支持有针对性的干预和优化资源分配，从而提高效率和效果。在这些集成监测系统的基础上，通过光谱验证系统实现了质量保证验证，该系统可以在不破坏样本的情况下快速评估污染状况，使商业操作者在常规处理过程中验证粮食质量，同时保持吞吐效率（金、白等人，2023年）。这种非破坏性检测能力对于在样本破坏会导致重大经济损失的商业环境中维护储存粮食库存的完整性和价值至关重要。自动化干预系统通过将检测能力与环境控制系统集成，根据识别的威胁调整储存条件，提供了自动化响应，从而在需要人工监控不切实际的大型设施操作中保护库存价值。这些自动化系统能够快速、有针对性地进行干预，减少生物污染的风险，无需持续的人工监督，从而降低劳动成本并提高商业玉米储存操作的效率。最终，这些技术的集成使商业玉米储存设施能够实施全面的生物污染监测和管理计划，保护粮食的质量、安全和价值，确保这些关键基础设施资产在全球食品供应链中的长期可行性和盈利能力。

6.2.3 运输监测应用
玉米运输在保持粮食质量方面面临独特挑战，因为生物污染的发展途径与静态储存环境不同。在运输过程中，封闭的粮食堆体会经历不均匀的温度和湿度分布，这会形成局部微环境，加速真菌繁殖和霉菌毒素的合成，而机械搅拌和有限的通风则有助于孢子扩散和昆虫在货物中的建立（费梅尼亚斯等人，2022年；吴等人，2021年）。使用荧光探针的研究表明，黄曲霉在玉米中的感染遵循渐进的入侵路径，最初定殖于子叶，然后扩展到胚芽和根系，导致典型的不均匀污染分布（姚等人，2025年）。这些代谢活动以可预测的模式改变了玉米的物理化学性质，产生声学信号、挥发性化合物和分子特征，这些是非破坏性检测策略的基础。挑战在于在这些多样的运输路线和条件下区分这些生物信号和环境噪声，同时保持连续、自主的监测。

玉米运输通过多种方式进行，每种方式都带来了不同的监测挑战。封闭卡车或开放式车厢的道路运输是最常见的短途至中距离运输方式，它伴随着机械振动和温度波动。铁路运输在封闭的漏斗车厢中进行大宗货物运输，运输时间较长，期间可能发生生物污染。海运则涉及最长的海洋湿度和温度变化暴露时间。这些运输方式之间的转运通过处理操作和临时储存引入了额外的风险。声学检测系统在运输环境中面临重大挑战。来自车辆引擎的机械振动、路面不平整和结构共振会产生连续的背景噪声，这可能会掩盖生物活动的特征声学信号。用于运输的检测设备必须具有高灵敏度和鲁棒性，以便在这些多变的环境条件下运行（R. 曼金等人，2021年）。信号处理技术，包括自适应过滤和机器学习算法，可以部分减轻振动引起的干扰；然而，当声学系统与其他检测模式结合在多传感器阵列中使用时，才能达到最佳性能。

在非破坏性方法中，光谱方法利用真菌代谢和毒素积累如何改变玉米的分子组成，产生独特的吸收和反射变化。近红外（NIR）光谱技术针对霉菌毒素在1000-2500纳米范围内的特征吸收带，其中C-H、O-H和N-H振动模式提供了污染的分子指纹（潘迪塞尔瓦姆等人，2022年）。便携式NIR系统，包括智能手机控制的平台，已被证明能够实现高相关系数（Rp ≈ 0.95）和低至12.08 mg/kg的预测均方根误差（RMSEP），用于检测伏马菌素B1和B2（沈等人，2022年）。这些能力使得在运输过程中能够连续量化毒素的发展，因为环境压力促进了真菌代谢。多光谱成像通过结合空间和光谱维度进一步增强了检测能力，能够在低至20 μg/kg的污染水平下实现93.33%的玉米赤霉酮检测准确性（W. 刘等人，2022年）。高光谱成像技术通过揭示粮食团块中污染的分布模式，进一步扩展了监测能力，能够精确定位在水分积聚区域或运输过程中受到物理损伤的区域周围出现的局部感染焦点。除了真菌毒素之外，声学检测系统还利用了昆虫进食和移动产生的特征声音与运输过程中产生的机械振动之间的区别这一原理。不同物种的特征声音通常位于1-15 kHz的频率范围内，通过高级算法处理后可以实现种群数量统计和分类识别（Kiobia等人，2015年）。无线声学传感器网络已被部署在货物集装箱内，实现对三维粮食团块的分布式监控，即使在高噪声的运输条件下也能实现实时监测（A. W. Njoroge等人，2016年）。荧光检测策略通过双波长激光诱导荧光高光谱成像技术，特别适用于黄曲霉毒素的检测。通过使用360纳米的光激发玉米以捕捉黄曲霉毒素B1的荧光，并使用405纳米的光激发玉米的自发荧光，研究人员有效减少了信号干扰，实现了高达0.83的相关性系数，并在单粒玉米中检测到约5.04毫克/千克的黄曲霉毒素（Yao等人，2025年）。这些光学和声学技术还结合了挥发性有机化合物（VOC）监测，使用电子鼻系统捕捉真菌代谢物（如1-辛-3-醇）和昆虫信息素，生成机器学习模型可以处理的响应模式，以分类污染的严重程度和类型。

多种检测方式的集成克服了单个系统的固有局限性，为玉米运输过程中的污染监测提供了更加可靠的框架。结合环境、声学和光谱数据的多传感器平台可以建立运输条件与污染发展之间的有意义关联，与人工神经网络和随机森林等机器学习算法结合的系统在运输过程中实现了高精度预测（Rodrigues, Coradi, Teodoro等人，2024年），而结合光谱、荧光和声学模式的数据融合技术进一步提高了黄曲霉毒素B1的检测能力（Yao等人，2025年）。物联网架构和边缘计算能力使这些集成系统能够自主运行，并实时传达污染风险，将玉米运输从一个被动的物流过程转变为一个在包括运输、干燥和储存在内的所有操作阶段都受到动态监控的系统（图5）。然而，实际应用仍受到校准漂移、热带运输环境中的高湿度干扰以及由于数据集偏差导致的人工智能模型在不同地理区域和农业实践中的泛化能力有限的限制（Ren等人，2025年），因此需要制定稳健的重新校准协议、针对特定区域的模型开发以及环境补偿策略以确保可靠部署。

**下载：** 下载高分辨率图像（731KB）
**下载：** 下载全尺寸图像
**图5.** 收获后玉米在运输、干燥和储存阶段的综合监测方法，展示了用于全面监测质量参数的实际规模实验系统。步骤1跟踪运输过程中的水分含量、二氧化碳浓度、温度和湿度；步骤2监测干燥条件和指标，如收缩率和淀粉含量；步骤3关注长期储存指标，包括发芽率、营养成分和电导率（改编自Rodrigues等人，2024年）。

6.3. 检测技术与管理系统的集成
6.3.1. 早期预警系统和干预策略
粮食储存中的早期预警系统旨在在生物威胁（如昆虫、啮齿动物和微生物）的最早阶段就将其检测出来，从而迅速采取行动，防止不可逆的恶化。传统的检测方法往往速度慢、劳动密集且反应迟缓，这凸显了需要先进技术的迫切性，以实现实时、特定物种的检测。为此，基于微机电系统（MEMS）的现代声学传感器已被开发出来，通过其独特的声音特征来识别害虫。这些系统可以在几分钟内识别出虫害，区分不同物种，并在损失扩大之前及时采取干预措施（Balingbing等人，2024年；R. W. Mankin等人，2020年）。同样，结合图像处理和物联网系统的集成声学和视觉监测技术已被证明可以通过自动检测和抑制储存设施内的啮齿动物活动来实时减少虫害（Kariduraganavar和Shivaprasad Yadav，2020年；Shukla等人，2025年）。气体监测通过指示隐藏的生物活动进一步加强了早期检测能力。二氧化碳监测系统被广泛用作非侵入性指标，浓度在550至1,100 ppm之间反映了微生物呼吸增强或害虫的存在。当超过阈值时，物联网支持的储存单元可以自动触发纠正措施，如通风、温度调整或局部处理，从而稳定储存条件。人工智能的进步进一步增强了这些干预措施：基于声学特征的卷积神经网络（CNN）实现了高分类精度，无需人工干预即可自动识别害虫种类（Balingbing等人，2024年）。这些发展表明，早期预警系统已经从反应型转变为预测型，将生物威胁管理转变为一种主动的过程。

6.3.2. 数据集成和决策支持系统
虽然早期预警系统提供了即时警报，但只有当多种技术的数据被集成到决策支持框架中时，其潜力才能得到充分发挥。这些平台将颗粒间温度、湿度水平、气体浓度和声学特征等多种信号整合到一个综合监测环境中。无线网状传感器网络确保了大型储存单元之间的可靠通信，而基于云的计算则减轻了现场的计算需求。这些基础设施能力共同支持了Lutz和Coradi（2022年）所展示的持续、由人工智能驱动的监控，实现了主动而非纠正性的粮食储存管理（Lutz & Coradi，2022年）。集成不仅提高了效率，还增强了责任感。Schmidt等人（2024年）提出了一个将物联网传感器与区块链系统和人工智能相结合的框架，涵盖了从粮食接收到的运输的九个关键控制点。该模型不仅跟踪环境条件，还创建了不可篡改的数字记录，确保了分销渠道的透明度和可追溯性。在用户层面，移动应用程序现在允许管理者远程访问数据流，接收定制的警报，并实时调整策略。由机器学习模型支持的预测分析增加了另一层能力，决策树模型和神经网络可以根据温度梯度、湿度动态和微生物活动提前几周预测腐败风险（Anukiruthika & Jayas，2025年）。集成还实现了多感官融合，结合互补技术以提高灵敏度和特异性。例如，Bharti等人（2024年）展示了一个集成了电化学生物传感器、温度和湿度传感器以及云分析的物联网系统，对干物质损失、发芽率和霉菌毒素积累等参数的预测准确率超过了90%（Bharti等人，2024年）。同样，Tao等人（2024年）将比色传感器阵列与高光谱成像结合，用于监测玉米青贮发酵过程中的pH变化，使用机器学习算法实现了100%的分类准确率（Tao等人，2024年）。这些例子展示了集成决策支持系统如何将分散的数据流转化为可操作的见解，弥合了早期预警和长期储存管理之间的差距。

6.3.3. 经济影响和实施考虑
在玉米储存和运输中集成无损检测技术的经济效益体现在它们能够减少收获后的损失、提高效率并扩大市场准入方面。早期检测技术在商业设施中显著降低了损失和拒收率。能够在颗粒内部记录温度、相对湿度和二氧化碳的探针已在道路运输和筒仓储存中得到验证，提供了可靠的早期预警，以防止由呼吸作用引起的质量损失（Nunes等人，2023年；Rodrigues等人，2024年）。声学监测提供了一个补充选项：虽然传统的商业声学检测器（如AED-2000L和AED-2010L）在2019年停产前的单价超过2,000美元（R. W. Mankin等人，2020年），但新的基于MEMS的检测器以更低的成本实现了类似的检测能力（R. Mankin等人，2021年）。现在，价格通常低于1,000美元的便携式近红外（NIR）光谱仪等补充工具允许在进料和发货时进行快速、无损的批量级筛查，为操作员提供了宝贵的实时质量控制能力（H. Yan等人，2023年）。除了经济可行性外，这些系统还通过快速的投资回报和长期的风险缓解提供了强有力的财务支持。大多数集成监测平台由于减少了腐败、降低了劳动力需求和提高了粮食质量，在8-14个月内即可收回成本（Shukla等人，2025年）。预防性监测尤为重要，因为不当的干燥和储存方式可以在几周内使黄曲霉毒素水平增加多达7倍（Chegere，2018年）。对于小农户来说，模块化和可扩展的平台，特别是配备集成管理系统的集体储存设施，为资源有限的地区提供了减少收获后损失和增加收入的途径（Kaminski & Christiaensen，2014年）。通过将早期预警与集成决策相结合，先进的检测系统不仅保证了粮食质量，还提供了明确的经济激励，推动了大规模商业设施和服务小农户的分散式网络的采用（Schmidt等人，2024年）。这些在储存、运输和集成供应链监测中的应用示例表明，无损检测技术已经从实验室的概念验证阶段发展为现场部署的系统，在适当的制度框架内实施时，实现了可测量的收获后损失减少和有利的成本回收时间表。成功同样取决于技术性能和支持性实施生态系统，包括培训基础设施、维护支持、市场联系和政策协调，下一节对持续挑战的分析也证实了这一点。

7. 挑战、限制和未来方向
7.1. 挑战和限制
尽管无损检测技术在玉米储存和运输中的应用取得了显著进展，但仍存在一些挑战阻碍了其广泛采用。当前证据基础的一个根本性和跨领域的限制是，大多数报告的性能数据，包括本综述中引用的高精度数据，都来自在优化条件下进行的受控实验室研究，这些条件并不能反映现实世界热带储存环境的复杂性。这一区别至关重要：在实地条件下，不能假设实验室验证的技术能够表现出相同的效果，控制实验与实际部署之间的转换差距是该领域最未得到充分解决的挑战之一。一个关键问题是实际条件下的信号可靠性。筒仓中的玉米堆或运输过程中的玉米堆具有高度异质性，水分、温度梯度和自然呼吸作用的变化可能会掩盖或扭曲生物信号。例如，声学传感器可能会将昆虫活动与背景振动混淆，而二氧化碳波动可能反映了正常的呼吸作用而非微生物污染。光学方法（如NIR和高光谱成像）也受到穿透深度浅和局部“热点”感染的影响，使得它们在大规模粮食堆中效果较差（Rodrigues, Coradi, Teodoro等人，2024年）。环境变化加剧了这些问题：玉米品种、籽粒方向和湿度的变化（5-25%）可能会使高光谱灵敏度降低多达30%，并增加红外或声学系统中的误报率（Guo等人，2025年；Mansuri等人，2022年）。另一个重要限制是缺乏标准化的阈值和校准协议。虽然二氧化碳监测被广泛用于检测储存粮食中的生物活动，但系统间缺乏统一的基准使得跨系统比较变得困难，并复杂化了监管整合。同样，许多系统是为检测特定污染物（如黄曲霉）而优化的，而不是提供对多种威胁的全面覆盖，通常需要多个重叠的设备（Lu等人，2024年）。霉菌毒素检测特别具有挑战性：尽管NIR、荧光和高光谱技术可以检测与真菌生长相关的次要变化，但它们往往是间接的代理指标，无法在监管阈值（例如欧盟规定的黄曲霉毒素B1 < 2 微克/千克）下可靠地量化霉菌毒素。真菌代谢的变异性、粮食基质效应以及多种霉菌毒素的共存进一步降低了检测精度，导致假阴性或低估污染风险（Chegere，2018年）。值得注意的是，许多研究没有报告不确定性指标，如置信区间或标准差，因此在对单一研究的有限样本多样性结果进行解释时应谨慎。经济和基础设施障碍也限制了实施。虽然传感器小型化降低了便携式NIR和基于MEMS的声学系统的成本，但高光谱成像（75,000-150,000美元）和计算机断层扫描（>250,000美元）等先进方法对大多数农业利益相关者来说仍然过于昂贵，特别是在发展中国家。即使是手持式NIR光谱仪，价格在1,000至20,000美元之间，其灵敏度也往往低于实验室级系统的90%（Guo等人，2025年）。除了设备成本外，高功耗要求（500-1200瓦）、重新校准需求和维护需求也在资源有限的环境中增加了负担。此外，高光谱成像每吨谷物会产生2-8GB的数据，而计算机断层扫描每100公斤可能需要12-18小时的GPU计算时间，这使得在计算能力或电力供应有限的地区使用此类系统变得不切实际。一个关键但常被低估的生命周期成本是构建和维护校准模型所需的技术工作，这包括扫描数百个样本并与HPLC等主要方法进行交叉验证，这一过程需要大量的专业知识和基础设施（D. Yan等人，2023年）。如果没有专门的校准支持，便携式近红外仪器尽管具有分析潜力，也可能被低估使用（D. Yan等人，2023年）。相比之下，像PICS密封袋这样的简单预防技术（每50公斤容量3美元）不需要校准或维护，并且在长时间储存期间能够将黄曲霉毒素水平控制在<3 ppb（十亿分之一）（Mompremier等人，2022年），对于资源有限的小农户来说具有更高的成本效益。此外，数据整合和可用性挑战仍然存在。虽然物联网平台可以实现连续的数据捕获和多传感器融合，但它们通常提供的是原始信号而不是可操作的建议，这限制了没有技术专长的管理者和农民的实际使用（Schmidt等人，2024年）。能够将传感器数据转化为明确干预策略的决策支持框架（例如何时通风、分离或应用处理）仍然不完善。此外，便携性也不均衡：手持式近红外光谱仪越来越适合现场使用，但高光谱阵列和先进的声学系统仍然体积庞大，仅限于受控环境。在不同气候和储存条件下的纵向验证研究也很少，这引发了关于耐用性、准确性和扩展储存周期可扩展性的疑问。

7.2. 未来方向
尽管用于玉米储存和运输的无损监测技术已经取得了显著进步，但持续的障碍，包括高设备成本、有限的现场验证和检测准确性的波动，强调了进一步发展的必要性。硬件微型化和基于MEMS的光学技术提供了明确的未来方向，最近的进展将高光谱设备的成本从超过75,000美元降低到了12,000-18,000美元，而模块化、低成本的组装件在成本不到传统设备2%的情况下实现了可比的性能（Podlesnykh等人，2024年；Salazar-Vazquez和Mendez-Vazquez，2020年）。便携式设备，包括与智能手机连接的光谱仪和紧凑型近红外平台，进一步扩展了其在农村和资源有限环境中的可用性，而与太阳能供电和低能耗设计的集成则承诺在离网环境中具有韧性。同样重要的是系统级别的部署：物联网支持的监测将响应时间从几天缩短到了不到36分钟，并将误报率降低了87%，而在连接性差的地区，离线功能的边缘计算架构保持了超过99%的运行时间（Schmidt等人，2024年）。数据驱动建模的并行进步通过解决在不同玉米品种、储存环境和污染模式下的稳健检测挑战来补充硬件创新。传统模型在超出校准设置时往往会失去准确性，但迁移学习和联邦学习方法在可变条件下保持了82-94%的分类准确性，同时提高了适应性并保护了数据隐私（Zhu等人，2020年）。然而，这些方法需要访问大型、多样化的开放数据集，而在玉米储存环境中这些数据集仍然有限。除了单一模式传感之外，结合光学、声学和化学检测通道的多模态平台正成为更可靠的解决方案。这样的集成系统在准确性上提高了多达12%，误报率从28%降低到了7%，整体分类性能达到了97.8%，同时将运营成本降低了近39%（Palumbo等人，2023年）。展望未来，协调努力扩大公共可用的数据集、统一验证协议，并使系统设计与监管和运营现实保持一致将至关重要。表2提供了一个全面的路线图，概述了这些优先事项和时间表，为不同农业环境中的研究投资和部署策略提供了结构化的框架。

表2. 收获后玉米质量无损检测的研究和技术发展战略路线图

时间范围 | 关注领域 | 关键技术创新 | 预期性能影响 | 实施考虑 | 参考文献
-----------------|-----------------|------------------|------------------|------------|
短期（1-3年） | 成本降低与微型化 | ••紧凑型HSI相机（12,000-18,000美元） | ••基于智能手机的平台（<1,000美元） | ••模块化、可重构系统（基础成本3,500美元） | ••开源检测库 | •设备成本降低65-78% | •在资源有限地区增加采用 | ••扩展监测范围 | •需要标准化的校准协议 | •为当地技术人员提供培训计划 | ••界面区域适应性调整（Adade等人，2025年；Jimoh等人，2023年；Ou等人，2021年） |
高级机器学习 | •迁移学习算法 | •多样化的训练数据集库 | ••联邦学习框架 | ••跨实施的知识共享 | •在可变条件下准确率82-94% | •适应性提高3.2倍 | ••减少校准需求 | •数据标准化挑战 | •训练所需的计算资源 | ••共享数据集的隐私考虑 | （Adade等人，2025年；Geng等人，2022年；Zhang等人，2024年） |
现场验证与标准 | •标准化的验证框架 | •与ISO/Codex对齐的性能指标 | ••多环境测试协议 | ••跨技术的可比评估 | •加速监管审批 | ••提高利益相关者信心 | •需要多方利益相关者协调 | ••与现有标准的集成 | （Pfordt和Paulus，2025年；Rodrigues等人，2024年） |
能源优化 | •低功耗组件和算法 | •太阳能集成以实现远程操作 | ••电源管理系统 | ••功耗降低75-85% | ••在离网环境中的可行性 | ••极端气候下的电池退化 | ••电源和性能之间的权衡 | （Fadiji等人，2023年；Rodrigues等人，2024年） |
中期（3-5年） | 物联网与连接系统 | •分布式传感器网络 | •边缘计算混合架构 | ••实时警报系统 | ••逐步离线功能 | •响应时间减少（48小时→18分钟） | •误报率降低87% | ••本地计算减少94% | ••在连接性差的地区运行时间超过99.2% | ••连接基础设施要求 | ••数据安全协议 | ••与现有管理系统的集成 | ••带宽优化 | （Kaushik & Singhai，2018年；Rodrigues，Coradi，Timm等人，2024年；Schmidt等人，2024年） |
多模态集成 | •视觉-声学混合系统 | •光谱-环境集成 | ••多传感器数据融合算法 | ••交叉验证协议 | ••检测准确性提高12% | •误报率从28%降低到7% | ••总体准确率97.8% vs 单一方法的78-86% | ••监测成本0.21美元/吨（降低39%） | •复杂的集成工程 | •初始投资增加 | ••多传感器校准 | ••操作员培训要求 | （Balingbing等人，2024年；Kaushik & Singhai，2018年；Palumbo等人，2023年） |
自适应系统 | •实时校准算法 | •环境补偿模型 | ••自调节检测阈值 | ••在5-25%湿度变化下保持一致性能 | ••即使在10-35°C的温度范围内也能准确检测 | ••减少重新校准频率 | ••传感器漂移补偿 | ••传感器故障的备份系统 | （Balingbing等人，2024年；M. Kumar等人，2022年） |
移动与分布式应用 | •手持式多威胁检测器 | •运输过程中的监测系统 | ••可在现场部署的分析平台 | ••在整个供应链中的连续监测 | ••在关键点进行早期干预 | ••减少运输过程中的损耗 | ••适应现场条件的坚固性 | ••非技术人员操作 | ••与物流系统的集成 | （Fadiji等人，2023年；Rodrigues等人，2024年） |
长期（5年以上） | 先进材料与传感器 | •钙钛矿X射线闪烁体 | •量子点光谱传感器 | ••纳米增强型生物传感器 | ••实验室级别的现场设备灵敏度 | ••检测限低于1 ppb的霉菌毒素 | ••显著减小尺寸和功耗要求 | ••在包装材料中的嵌入式监测 | ••制造规模扩展挑战 | ••材料在野外条件下的稳定性 | ••新型传感器的监管批准 | ••处置和环境考虑 | （Chidege等人，2024年；de Carvalho等人，2019年；Nath等人，2024年） |
数字孪生与预测系统 | •储存设施模拟模型 | •预测性生物威胁算法 | •历史-预测数据集成 | ••虚拟测试环境 | ••在威胁出现前几周进行预测 | ••优化干预时机 | ••减少预防性处理需求 | ••管理策略的虚拟验证 | ••复杂的建模要求 | ••与物理基础设施的集成 | ••数据收集用于模型训练 | ••实时同步 | （S. Chen等人，2024年；Schmidt等人，2024年；Zhang等人，2024年） |
全球标准与集成 | •国际认证协议 | •跨境数据共享框架 | ••通用检测指标 | ••与监管一致的监测系统 | ••在全球贸易中无缝技术集成 | ••减少受监测商品的贸易壁垒 | ••加速技术采用 | ••与不同法规的协调 | ••在发展中国家的实施 | （Adade等人，2025年；Pfordt & Paulus，2025年） |
跨商品应用 | •多作物校准模型 | •灵活的检测算法 | ••适应性传感器配置 | ••在谷物、豆类、油籽中的技术应用 | ••提高投资回报 | ••全面的食品安全解决方案 | ••特定作物的验证要求 | ••形态和化学变化 | ••市场特定适应 | （Adade等人，2025年；Du等人，2019年） |
区块链与可追溯性 | •分布式账本集成 | •用于质量验证的智能合约 | ••QR/RFID与检测系统的集成 | ••自动合规文档 | ••在整个供应链中不可篡改的质量记录 | ••在高端市场中减少欺诈 | ••自动拒绝不符合标准的批次 | ••提高消费者信心 | •分布式系统的基础设施 | ••与传统跟踪的集成 | ••标准化的数据交换协议 | ••隐私和竞争考虑 | （Aier等人，2024年；Schmidt等人，2024年） |

8. 结论
本综述表明，包括光谱学、成像和挥发性传感器平台在内的先进无损检测技术，结合人工智能和物联网框架，为监测收获后玉米中的真菌生长、霉菌毒素污染、昆虫侵害和鼠害提供了强大的解决方案，实现了预测分析、连续监测和自动化决策支持，适用于小规模和商业储存环境。虽然报告的性能数据很有前景，但大多数数据来自受控的实验室研究，而在热带储存环境中温度波动、湿度变化和灰尘条件下的现场验证仍然非常缺乏，这是最紧迫的研究重点。其他障碍，包括高设备成本、缺乏标准化的校准协议、有限的数据互操作性和资源匮乏环境中的计算基础设施不足，继续限制了这些技术的广泛采用。克服这些挑战需要采取分阶段的方法，短期内优先考虑微型化和成本效益，长期则关注系统级集成、数字孪生框架和互操作的数据基础设施，同时需要政策支持、监管协调和有针对性的能力建设，将实验室的潜力转化为实际应用。如果通过协调的研究和成本敏感的部署策略来指导，无损监测可以将收获后玉米的管理从反应性检查转变为预测性预防，减少损失，增强农民的韧性，并提升全球食品安全。

资金来源
本工作得到了中国国家自然科学基金（32472429）的支持。

作者贡献声明
Bridget Ama Kwadzokpui：概念化、数据管理、初稿撰写、审阅和编辑。
Hao Lin：概念化、监督、资金获取。
Nana Adwoa Nkuma Johnson：数据管理、初稿撰写。
Selorm Yao-Say Solomon Adade：概念化、正式分析、撰写、审阅和编辑。
Dandan Li：验证和撰写、审阅和编辑。
Xorlali Nunekpeku：可视化、撰写、审阅和编辑。
Long Xinyao：项目管理、撰写、审阅和编辑。
John-Nelson Ekumah：数据管理、撰写、审阅和编辑。

未引用的参考文献（Yang等人，2024年）

CRediT作者贡献声明
Dandan Li：撰写 - 审阅与编辑、验证。
Selorm Yao-Say Solomon Adade：撰写 - 审阅与编辑、正式分析、概念化。
Nana Adwoa Nkuma Johnson：撰写 - 初稿、数据管理。
Hao Lin：监督、资金获取、概念化。
Bridget Ama Kwadzokpui：撰写 - 审阅与编辑、初稿撰写、数据管理、概念化。
EKUMAH JOHN-NELSON：撰写 - 审阅与编辑、数据管理。
Long Xinyao：撰写 - 审阅与编辑、项目管理。
Xorlali Nunekpeku：撰写 - 审阅与编辑、可视化。