《食品科學》：中國農業大學趙卿宇副教授等：近紅外光譜技術在谷物檢測中的應用研究進展

谷物是指一類主要用于食用的禾本科植物的籽粒，包括小麥、水稻、玉米等。谷物在儲存、運輸、銷售過程中隨著時間和環境的改變，其主要成分往往會發生變化，這些會導致谷物口感和品質變差，更嚴重的可能會引發霉變，進而產生霉菌毒素等有毒物質。

近紅外光譜技術是一種常見的快速無損檢測技術，其原理主要基于分子振動和旋轉能級的躍遷，當近紅外光譜照射到樣品上時，樣品中的含氫基團會吸收特定波長的光能，引起分子內部鍵的倍頻、合頻振動和旋轉躍遷。不同的分子結構和化學鍵對近紅外光的吸收特征不同，形成特定的光譜圖。該技術已被廣泛應用于水產品新鮮度檢測，谷物、油料理化指標的檢測，以及谷物、乳制品營養成分分析等。

中國農業大學食品科學與營養工程學院的王子熙、沈群、趙卿宇*主要對近紅外光譜技術在谷物中營養成分、理化性質、霉菌污染以及其他方面的應用進行介紹，總結比較常用的算法，并展望近紅外光譜技術在谷物檢測方面的發展前景（圖1）。

1 近紅外光譜技術在谷物營養成分分析中的應用

谷物中的淀粉、蛋白質、脂肪等成分含氫基團豐富，在近紅外光照射下不同含氫基團會發生合頻和倍頻吸收，形成特定的吸收光譜，基于化學計量學方法，通過不同的計算方法建立模型，可以檢測未知樣品的組分含量。Xie Lihong等采集了129 個水稻的近紅外光譜，結合修正偏最小二乘法（MPLS）建立了水稻表觀直鏈淀粉、直鏈淀粉和支鏈淀粉的模型，模型校正決定系數分別為0.977、0.928、0.912。張北舉等采集了112 份高粱品種，掃描了850～1 048 nm的近紅外光譜，采用多種光譜預處理并結合改進偏最小二乘（PLS）法建立高粱中直鏈淀粉、支鏈淀粉含量的預測模型，結果表明，采用標準正態變換（SNV）和二階導數處理后的模型能夠最精準地預測高粱的直鏈淀粉含量，相關系數為0.968 8；采用SNV和一階導數處理后的模型能夠最精準地預測高粱支鏈淀粉的含量，相關系數為0.912 7。脂肪在谷物中的含量相對較低，但對谷物的風味影響較大。陳素彬等采集了76 份玉米籽粒的近紅外光全光譜，結合最小二乘支持向量機（LSSVM）法建立玉米脂肪含量的定量模型，并通過量子行為粒子群優化法結合留一法交叉驗證對模型參數進行優化，提高了模型的精準度和穩定性，與傳統的PLS校正模型相比，該方法建立的模型相關系數有所提高，從0.961 8提升到0.993 4。Lin Chen等通過近紅外光譜技術結合最小二乘支持向量回歸（LSSVR）、PLS和徑向基函數神經網絡3 種多元校正方法基于227 個大麥樣本建立了大麥籽粒蛋白質含量的模型，結果表明，LSSVR模型的相關系數高于其他兩種模型，為0.983 6，預測效果更精準。Wu Xiaohong等采集了玉米的近紅外光譜，通過錨點競爭性自適應重加權采樣法對特征波長進行選擇，并結合PLS建立玉米蛋白質含量的定量模型，模型的校正決定系數為0.995 1，預測決定系數為0.982。劉文麗等采集了大米的近紅外光譜，結合PLS建立大米蛋白質和蛋白質干基的近紅外模型，兩種模型內外部校正決定系數均大于0.95。從以上研究可以看出，近紅外光譜技術檢測谷物淀粉含量時適合采用修正PLS模型，檢測大米和玉米蛋白質含量時適合采用PLS建立模型，而檢測大麥蛋白質和玉米脂肪含量時采用LSSVM模型比PLS模型更精準。因此，對于單一營養物質的檢測，針對不同谷物品種不同物質建立的最適模型不同。

然而多數情況下，需要采用一種模型同時分析出谷物的多種營養成分，因此要找到一個折中的算法。沈廣輝等采集了171 份玉米籽粒的近紅外光譜，通過競爭性自適應重加權采樣法篩選變量，并結合PLS建立玉米籽粒水分、粗蛋白、粗灰分和總能量的定量模型，模型的校正決定系數依次為0.90、0.92、0.78、0.92，預測決定系數依次為0.76、0.89、0.72、0.83。王蓉等通過主成分分析對光譜進行篩選并建立了80 份不同玉米中水分、脂肪、蛋白質、淀粉的一維卷積神經網絡（1DCNN）模型，并將其與傳統近紅外光譜PLS或支持向量機模型進行對比，結果表明，1DCNN模型的決定系數分別為0.990 9、0.981 5、0.988 9、0.996 0，比傳統方法更接近于1。因此，采用主成分分析光譜法結合1DCNN建立的模型比競爭性自適應重加權采樣法結合PLS建立的模型更能準確檢測玉米的多種營養成分。Bagchi等采集了173 份糙米的近紅外光譜，通過SNV和導數處理對光譜進行預處理，并結合MPLS建立糙米直鏈淀粉、籽粒蛋白質和米糠水分、灰分等近似成分的校正模型，其中直鏈淀粉和蛋白質的決定系數分別為0.918和0.859，米糠近似成分的相關系數為0.720～0.964。黃林森等采集了75 份大米的近紅外光譜，結合多種光譜預處理和3 種建模方法建立大米主要營養成分的定量模型，結果表明，對于大米中碳水化合物和蛋白質通過一階導數與Savitzky-Golay（SG）卷積平滑法對光譜預處理，對于水分和脂肪通過二階導數與SG對光譜預處理，二者結合PLS建立的定量模型具有高精準度，相關系數分別為0.917 5、0.919 8、0.933 3、0.926 6。由此可見，對于大米營養物質的檢測，采用PLS建立的模型得到的精準度比修正PLS模型更高。陳靜采集了小米的近紅外光譜，通過3 種波長篩選法結合兩種建模方法建立小米碳水化合物、脂肪、蛋白質和多種氨基酸等營養成分的預測模型，研究發現，對于小米的蛋白質和不同氨基酸，與全光譜、JK算法結合的PLS模型和間隔PLS模型相比，連續投影算法（SPA）結合多元線性回歸（MLR）模型使用的波長較少且準確性更高。綜上，玉米的多種營養成分指標檢測更適合采用1DCNN模型，大米的多種營養成分檢測采用PLS更有效，而小米的蛋白質和多種氨基酸檢測更適合采用MLR模型。

除谷物中的宏量組分外，近紅外光譜技術還可以對多種微量生物活性物質，如非淀粉多糖、酚類化合物等進行精準檢測。Albanell等通過近紅外光譜技術結合光譜預處理和MPLS建立了186 份大麥的生物活性物質含量的預測模型，結果表明，模型對β-葡聚糖和結合酚的預測效果較好，決定系數分別為0.967和0.898，但對花青素、阿拉伯聚糖的預測效果較差。Yang Zhongyu等采集了63 份燕麥籽粒的近紅外光譜，通過平方預處理建立燕麥β-葡聚糖的SPA-MLR模型，模型驗證相關系數為0.84，均方根誤差為0.55，預測效果良好。Johnson等采集了65 份小麥的近紅外光譜，通過一階導數和標準正態變化法對光譜預處理，建立小麥總酚含量和總單體花青素的PLS模型，結果表明，該方法對小麥總酚含量的預測準確率較高，決定系數為0.83，但對花青素預測效果不理想。由此可知，對于大麥中β-葡聚糖和結合酚及小麥中總酚含量采用PLS模型分析能夠得到較精準的結果，而對燕麥中的β-葡聚糖適合采用MLR模型進行分析。值得注意的是，以上研究對于花青素的預測效果均不理想，原因可能在于花青素在這些谷物中含量較低或數據集的最小值和最大值之間的時間間隔較窄，導致近紅外光譜技術無法精準檢測。

此外，需要注意的是，近紅外光譜技術建立的修正PLS模型僅適合檢測大麥β-葡聚糖和結合酚的含量，但對于大麥的其他營養成分檢測不夠靈敏，或者無法準確檢測。從現有的文獻看，近紅外光譜技術并不能用于谷物中所有微量生物活性物質的分析，需要進一步探索更優算法且需要大量的樣品數據對建立的模型進行校正和驗證以獲得更準確的結果。以上研究結果和總結見表1。

2 近紅外光譜技術在谷物理化性質中的應用

谷物的理化性質指標包括千粒質量、硬度、淀粉黏度特性值以及粉質特征等指標，盡管這些理化指標不屬于谷物的組成成分，但與谷物中營養成分的組成密切相關，能反映營養物質的組成特性。因此，通過分析與谷物理化性質相關的營養成分的近紅外光譜，結合不同化學計量法建模，可以實現對谷物理化指標的檢測。

崩解值和消減值與谷物的淀粉含量相關，反映了大米淀粉的黏滯特性，Burestan等通過近紅外光譜技術采集了109 份（校準集81 份、驗證集28 份）大米870～2 450 nm的近紅外光譜，并結合PLS建立白米理化指標崩解值和消減值的校正模型。結果表明，校正決定系數分別為0.984和0.927，預測決定系數分別為0.954和0.793，校正集的RMSEC分別為2.59和3.11。膠稠度和堿消值由大米直鏈淀粉含量和熱力學變化決定，Cheng Weimin等通過近紅外光譜技術分別建立了537 份和527 份大米膠稠度和堿消值的PLS模型，通過最大最小標準化處理的模型對大米膠稠度預測值最好，決定系數為0.921 3，通過MSC處理的模型對大米堿消值的預測效果最好，決定系數為0.872。谷物千粒質量和硬度與谷物碳水化合物和蛋白質密切相關，千粒質量減小，谷物碳水化合物中C—H鍵發生伸縮和彎曲，可導致近紅外光譜的顯著變化。小麥硬度主要與所含的Friabilin蛋白含量有關，因此，近紅外光譜技術通過檢測N—H基團的特定光譜可以實現對小麥硬度的檢測。Mishra等使用傅里葉變換近紅外光譜技術結合PLS建立了128 份小麥千粒質量和硬度的近紅外模型，結果表明，模型的決定系數分別為0.907和0.912，交叉驗證值的均方根誤差分別為0.576和0.762。王佳楠通過近紅外光譜技術掃描了109 份小麥，結合SPA提取特征光譜并建立小麥硬度值的徑向基函數神經網絡模型，相關系數為0.92。研究發現，近紅外光譜技術還可以分析小麥的粉質參數、拉伸參數等理化指標。淀粉與水分子結合后，淀粉分子之間以及淀粉與水分子之間H—O和C—H基團發生復雜的伸縮振動，使得近紅外光譜產生特定的吸收峰，可以實現對谷物粉質和拉伸特性的檢測。Chen Jia等采集了96 份小麥粉樣品的近紅外光譜，結合多種光譜預處理建立小麥粉質參數的PLS模型，模型的相關系數均低于0.8，預測效果并不理想。Cui Chenhao等采集了1 028 份小麥粉樣品的近紅外光譜，結合高斯過程回歸和PLS建立吸水率、面團形成時間、面團穩定時間、面團弱化度的預測模型，模型的校正決定系數分別為0.904、0.772、0.827、0.818，相比于傳統的PLS模型，該建模顯著提高了小麥粉質參數的預測性能。因此，高斯回歸處理光譜數據可以有效提升近紅外光譜技術對小麥粉質參數的預測準確性。Nagel-Held等采集了450 份小麥樣品研磨后小麥粉的近紅外光譜，結合不同光譜預處理和多種回歸方法建立拉伸度、拉伸阻力和拉伸比率的近紅外模型，結果表明，模型的決定系數均低于0.5，預測效果不理想。由此可見，近紅外光譜技術可以對小麥的粉質參數進行分析，但無法準確檢測小麥的拉伸參數。綜上，近紅外光譜技術檢測稻米和小麥的淀粉黏度特征值、千粒質量和硬度時適合采用PLS模型，對于小麥粉質參數的檢測模型精確度仍需進一步提高，對于拉伸參數的預測效果并不理想。

近紅外光譜技術結合化學計量學方法可以檢測谷物的千粒質量、硬度以及粉質參數等理化指標，實現谷物品質的快速分析。但由于近紅外光譜技術檢測的精準度依賴于所建模型的質量。因此，下一步研究需要結合新型化學計量學方法建立精確度更高、適用性更強的模型，并通過大量樣本數據進行驗證。

3 近紅外光譜技術在谷物霉菌污染分析的應用

谷物在儲存、運輸或加工過程中可能會受到霉菌（如黃曲霉、青霉、鐮刀霉菌等）的侵染，導致谷物質量下降甚至產生對人體有害的霉菌毒素，如玉米赤霉烯酮、恩鐮孢菌素、赭曲霉毒素等，這些毒素在近紅外波段具有特征性的吸收光譜，但往往含量較低，不易直接檢測。近紅外光譜技術可以檢測谷物受霉菌污染后其化學和光學特性的變化，它與霉菌含量間接相關，可結合化學計量學法建立對霉菌污染的定量和定性分析模型。Ning Hongwei等采集了100 份人為污染霉菌的小麥樣品的近紅外光譜，對光譜進行平滑處理和散射校正，再進行歸一化處理，采用最小絕對值選擇和收縮算子算法提取光譜的特征變量，建立了小麥籽粒中玉米赤霉烯酮含量的支持向量機模型，預測相關系數為0.99。恩鐮孢菌素是由谷物中鐮刀霉菌產生的次生代謝產物，Dos Santos Caramês等采用最小二乘判別分析法對60 份污染或未污染恩鐮孢菌素的大麥近紅外光譜進行分析并建立判別模型，結果表明，光譜的差異歸因于C—H基團和O—H基團的拉伸和彎曲，主要與淀粉、脂肪和蛋白質等營養成分的變化有關，且模型的鑒別靈敏度為100%，鑒別效果良好。Tao Feifei等采集了180 個玉米籽粒的近紅外光譜，采用競爭性自適應重加權算法選擇與C—C、C—H、O—H相關的特征光譜，建立了兩種黃曲霉感染的玉米和健康玉米的PLS判別分析模型，判別準確率為97.78%，表明近紅外光譜技術鑒別玉米中黃曲霉的污染是可行的。de Girolamo等采集了229 份受到赭曲霉毒素A污染的小麥樣品的近紅外光譜，采用PLS判別分析和主成分線性判別分析模型區分低污染和高污染的小麥樣品，臨界值為2 μg/kg，判別準確率均為94%。綜上，小麥霉菌污染的定量分析適合采用支持向量機模型，而谷物霉菌污染的判別分析適合采用PLS判別分析模型。

近紅外光譜技術可以通過光譜的吸收強度和特征波段的變化定性檢測谷物是否受到霉菌污染，還可以定量推斷霉菌污染的濃度。但谷物霉菌污染處于早期階段或污染程度較低時，相比于傳統檢測技術，近紅外光譜技術對霉菌及其代謝產物的檢測靈敏度和精準度相對較低。

4 近紅外光譜技術在谷物檢測其他方面的應用

近紅外光譜技術在谷物其他檢測方面也有應用。脂肪酸含量是評判谷物新陳度的一個重要指標，通過測定谷物中游離脂肪酸的C—H化學鍵（—CH3、H—C＝C—H等）在近紅外區域的振動響應可以實現對谷物新鮮度的判定。Liu Yachao等采集了96 份儲存8 個月的拋光大米的近紅外光譜，采用競爭性自適應重加權采樣法選擇關鍵變量，并結合PLS建立大米中游離脂肪酸含量的預測模型，校準集和預測集的相關系數分別為0.99和0.98，預測效果良好。Chen Run采集了180 份儲存0～6 個月的小麥樣品的近紅外光譜，采用競爭性自適應重加權采樣法和非優勢分選遺傳算法-III對光譜進行選擇，并結合支持向量機法建立小麥游離脂肪酸含量的模型，校正相關系數為0.996 3，均方根誤差為0.759 0，預測相關系數為0.989 7，均方根誤差為1.251 8。因此，采用支持向量機模型和PLS模型均能夠準確檢測谷物游離脂肪酸的含量，且采用競爭性自適應重加權采樣法對特征光譜進行選擇更能提高模型精準度。

雖然近紅外光譜技術不能直接檢測谷物儲存過程中產生的氣態化合物，但是通過比色傳感器陣列結合近紅外光譜技術卻可以有效檢測谷物的揮發性物質，從而判定谷物的新陳度。Lin Hao等收集了150 份儲存了0、1、2、4、6 個月的水稻樣品產生的揮發性化合物（如18-冠醚-6、乙醛、丙酮等），使其與比色傳感器中氟硼二吡咯染料發生反應，隨后使用近紅外光譜技術采集反應后染料的光譜數據，通過協同區間PLS對光譜進行處理，并采用線性判別分析法建立了水稻儲存月份的鑒別模型，模型校正集和預測集的識別率分別為98.75%和97.5%。預測準確率較高。Liang Yue等同樣采用近紅外光譜技術結合比色傳感器陣列對新鮮和儲存2 a的水稻和大豆新陳度進行鑒別，結果表明，遺傳算法結合線性判別分析法建立的近紅外模型能正確區分100%水稻樣品和95.83%大豆樣品的新鮮度。由此可見，近紅外光譜技術通過檢測揮發性化合物對谷物新陳度鑒別時適合采用線性判別分析模型。

近紅外光譜技術還可以根據谷物和異種糧粒中營養成分組成（如淀粉、脂肪、蛋白質等）的差異對谷物中異種糧粒以及谷物品種進行鑒別。燕麥中不含谷蛋白，常混有富含谷蛋白的異種糧粒，Erkinbaev等采集了1 872 個混合谷物900～1 700 nm波長處的近紅外光譜，結合主成分分析法和PLS判別分析法對燕麥和其他富含谷蛋白谷物進行鑒別分析。結果表明，燕麥與其他富含谷蛋白的谷物相比，吸收帶的差異主要與1 200 nm和1 450 nm波長附近的C—H、N—H和O—H基團的振動有關，因此，僅使用5 個關鍵波長（1 069、1 126、1 189、1 243、1 413 nm）條件下建立的模型具有良好的預測準確率（99%），能精準地從富含谷蛋白的谷物中鑒別出燕麥籽粒。有機農業中不使用合成化肥和殺蟲劑，與傳統農業種植出的作物在營養成分上存在差異，Xiao Ran等采集了48 份水稻（26 份有機水稻、22 份普通水稻）的近紅外光譜，采用PLS對水稻的近紅外光譜分析，并建立水稻品種的鑒別模型。結果表明，有機水稻和傳統水稻中與蛋白質含量相關的N—H基團在5 628 cm-1和6 394 cm-1的吸收峰和與纖維素和淀粉含量相關的C—H基團在6 250 cm-1和7 518 cm-1的吸收峰存在顯著差異，且鑒別模型的決定系數為0.843 0，RMSECV為0.198 2，證明近紅外光譜技術可以快速準確鑒別水稻的品種。Wu Yixuan等通過近紅外光譜技術結合支持向量機、PLS判別分析和反向傳播神經網絡法建立了5 種小麥品種（1 種糯小麥、3 種部分糯小麥、1 種非糯小麥）的判別模型，其中，支持向量機模型判別準確率（98.51%）高于其他兩種模型。不同地區生產的谷物往往會受到土壤元素條件和質量的影響，導致谷物營養成分含量不同，近紅外光譜也可以通過區分谷物溯源地對谷物品種進行鑒別。Kabir等采用可見光和近紅外光譜技術分別結合K-最近鄰法、線性判別分析法、邏輯回歸法、隨機森林法和支持向量機法，對中國16 個地區小米品種的溯源地建立鑒別模型，5 種模型的F-分數均大于98%，隨機森林法最高（100%）。Schütz等采用傅里葉變換近紅外光譜技術結合優化支持向量機法建立了101 份來自5 個國家玉米溯源地的一個判別模型，準確率為95%。由以上研究可見，近紅外光譜技術對谷物中異種糧粒、谷物品種以及谷物溯源地的鑒別需根據谷物種類選擇最優模型，因此大多數研究建立的模型僅適合單一品種的鑒別，具有一定的局限性。

盡管重金屬元素在近紅外光譜中沒有吸收帶，但是通過其與有機物的螯合作用，可間接反映重金屬的含量。Miao Xuexue等采用近紅外光譜技術掃描了825 份大米樣品，結合PLS對水稻的近紅外光譜進行分析，研究發現水稻中鎘與直鏈淀粉、淀粉和蛋白質的結合實現了近紅外光譜技術對水稻鎘的定量分析，模型的RMSEP和相關系數分別為0.213 3和0.902 0，證明近紅外光譜技術對水稻重金屬檢測具有可行性。甲基毒死蜱是一種常用于去除水稻蟲害的有機磷農藥，在近紅外光下有特定的吸收峰。Rodriguez等采集了100 g大米樣本在950～1 650 nm波長處的近紅外光譜，結合PLS建立糙米、脫殼大米和拋光大米中甲基毒死蜱含量的定量模型，決定系數均大于0.78，表明近紅外光譜技術具有檢測谷物農藥殘留的潛力，但精確度仍需進一步提高。

5 結語

近年來，近紅外光譜技術在谷物檢測中的應用已經顯示出巨大的優勢和潛力。它是一種快速、無損、高效的分析技術，能夠準確測定谷物的營養成分、理化性質和霉菌污染。近紅外光譜技術對谷物營養成分的定量檢測適合采用PLS、支持向量機以及MLR等多種模型，主要根據谷物的品種和檢測的營養成分進行選擇；近紅外光譜技術對谷物理化指標的檢測多采用PLS模型；對谷物霉菌污染的鑒別分析適合采用PLS判別分析模型。此外，根據近紅外光譜技術對谷物中營養成分定量檢測的適用性，近紅外光譜技術還可以采用PLS模型和支持向量機模型分析谷物中脂肪酸的含量，以及采用判別分析法根據谷物儲存產生的揮發性化合物對谷物新陳度進行鑒別；近紅外光譜技術還可以采用PLS模型對谷物中異種糧粒和谷物品種進行鑒別；近紅外光譜技術同時具有谷物重金屬和農藥殘留檢測的潛力。盡管近紅外光譜技術具有多種優點，但其在建模方面往往花費時間較長，且檢測的精準度依賴于模型的質量。為了更好地將該技術應用于谷物檢測，今后可以進一步優化算法從而節省時間，建立更為優化的模型提高適用性和預測的精準度。

作者簡介

通信作者

趙卿宇，中國農業大學食品科學與營養工程學院副教授，藥食同源方向博士后，主要從事雜糧生物活性物質挖掘及功效評價、糧食儲藏理論與加工技術、功能性食品開發等領域。主持國家自然科學基金青年基金1 項，中國博士后特別資助（站中）/面上基金2 項、橫向項目2 項，參與國家自然科學基金面上項目、“十三五”“十四五”國家重點研發計劃、國家現代農業產業技術體系等國家級項目7 項。參與發表學術論文50余篇，以第一/通信作者在《Food Hydrocolloids》《Food Chemistry》《Food Research International》等期刊發表SCI論文15 篇（ESI高被引1 篇），EI論文5 篇，中文核心3 篇，授權中國/美國發明專利21件，受理發明專利10 件；副主編雜糧中文專著1 部，參與《小米》《粟》國家標準修訂；獲北京市優秀畢業生、青海省科學技術進步獎二等獎，中國食品工業協會科學技術獎一等獎等。

第一作者

王子熙，本科畢業于西北農林科技大學食品科學與工程專業，研究生畢業于新加坡國立大學食品科學與人類營養專業，主要研究食品中的營養成分的功效、糧食中生物活性物質的挖掘及功效評價、功能性食品開發等領域。參與發表學術論文4 篇，以第一作者發表EI論文2 篇。

引文格式：

王子熙, 沈群, 趙卿宇. 近紅外光譜技術在谷物檢測中的應用研究進展[J]. 食品科學, 2025, 46(3): 267-273. DOI:10.7506/spkx1002-6630-20240714-137.

WANG Zixi, SHEN Qun, ZHAO Qingyu. Research progress on the application of near infrared spectroscopy in cereal detection[J]. Food Science, 2025, 46(3): 267-273. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20240714-137.

實習編輯：安宏琳；責任編輯：張睿梅。點擊下方閱讀原文即可查看全文。圖片來源于文章原文及攝圖網

為匯聚全球智慧共探產業變革方向，搭建跨學科、跨國界的協同創新平臺，由北京食品科學研究院、中國肉類食品綜合研究中心、國家市場監督管理總局技術創新中心（動物替代蛋白）、中國食品雜志社《食品科學》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，西南大學、 重慶市農業科學院、 重慶市農產品加工業技術創新聯盟、重慶工商大學、重慶三峽學院、西華大學、成都大學、四川旅游學院、北京聯合大學、 中國-匈牙利食品科學“一帶一路”聯合實驗室（籌） 共同主辦 的“ 第三屆大食物觀·未來食品科技創新國際研討會 ”， 將于2026年4月25-26日 （4月24日全天報到） 在中國 重慶召開。

長按或微信掃碼進行注冊

為系統提升我國食品營養與安全的科技創新策源能力，加速科技成果向現實生產力轉化，推動食品產業向綠色化、智能化、高端化轉型升級，由北京食品科學研究院、中國食品雜志社《食品科學》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，合肥工業大學、安徽農業大學、安徽省食品行業協會、安徽大學、合肥大學、合肥師范學院、北京工商大學、中國科技大學附屬第一醫院臨床營養科、安徽糧食工程職業學院、安徽省農科院農產品加工研究所、安徽科技學院、皖西學院、黃山學院、滁州學院、蚌埠學院共同主辦的“第六屆食品科學與人類健康國際研討會”，將于 2026年8月15-16日（8月14日全天報到）在中國 安徽 合肥召開。

長按或微信掃碼進行注冊

會議招商招展

聯系人：楊紅；電話：010-83152138；手機：13522179918（微信同號）