油茶（Camellia oleifera）是我國(guó)南方主要的木本油料樹(shù)種，因能產(chǎn)出高品質(zhì)的食用油，其在我國(guó)農(nóng)林產(chǎn)業(yè)中的地位日益上升。精準(zhǔn)評(píng)估油茶果的成熟度，是提升出油率與保障油品質(zhì)的關(guān)鍵一環(huán)。研究表明，過(guò)早采摘會(huì)導(dǎo)致含油率降低，而過(guò)晚采摘?jiǎng)t影響食用油品質(zhì)。當(dāng)前主流的評(píng)估手段仍為人工經(jīng)驗(yàn)判斷，輔以化學(xué)分析，二者均存在一定缺陷。如胡逸磊等指出，農(nóng)戶通常依據(jù)節(jié)氣和果實(shí)外觀（如顏色和硬度）判斷成熟度，但同一批次果實(shí)成熟度差異可達(dá)30%以上，導(dǎo)致采摘一致性低。該方法易受環(huán)境光照、個(gè)體經(jīng)驗(yàn)差異影響，且無(wú)法量化內(nèi)部生化變化。化學(xué)分析法測(cè)定指標(biāo)包括籽粒含油率、含水率和脂肪酸組成等。雖然精度較高，但需破壞果實(shí)，且操作流程繁瑣復(fù)雜，只適合在實(shí)驗(yàn)室中小批量進(jìn)行。以上方法均不能滿足大規(guī)模、高通量的實(shí)際檢測(cè)工作需求。

高光譜成像（HSI）技術(shù)將圖像和光譜分析融為一體，成本低廉、操作簡(jiǎn)便。是一種能夠在不破壞樣本的前提下，實(shí)現(xiàn)快速、精準(zhǔn)檢測(cè)樣本表面形態(tài)和內(nèi)部組成的技術(shù)。該技術(shù)已在農(nóng)業(yè)與食品相關(guān)領(lǐng)域得到廣泛應(yīng)用，如質(zhì)量評(píng)估、疾病檢測(cè)和品種識(shí)別等。Yuan Weidong等利用400～1 000 nm波段的油茶果圖譜信息構(gòu)建模型，分別實(shí)現(xiàn)對(duì)油茶籽含油率（預(yù)測(cè)集決定系數(shù)R 2 P ＝0.829）和含水率（R 2 P ＝0.918）的高精度預(yù)測(cè)。后續(xù)又開(kāi)發(fā)出田間成熟度分級(jí)模型，準(zhǔn)確率達(dá)到88.6%。

但是，油茶果在成熟過(guò)程中，不僅會(huì)經(jīng)歷籽粒膨大與油脂積累，其果殼也會(huì)發(fā)生明顯的結(jié)構(gòu)和生化變化。這些變化既反映在光譜特征上，如水分、葉綠素和類(lèi)胡蘿卜素等成分的變化，也反映在紋理特征上，如細(xì)胞結(jié)構(gòu)的增生、降解和組織結(jié)構(gòu)的松弛、解離等。現(xiàn)有HSI研究聚焦于果實(shí)整體光譜或籽粒成分，對(duì)果殼微觀結(jié)構(gòu)變化（如細(xì)胞排列、角質(zhì)層降解）的解析相對(duì)缺乏。

顯微高光譜成像（HMI）技術(shù)在傳統(tǒng)HSI的基礎(chǔ)上，融合了顯微成像的高分辨率優(yōu)勢(shì)，能以更高的空間分辨率觀察細(xì)胞層面的變化，特別適用于檢測(cè)復(fù)雜生物組織中的結(jié)構(gòu)與成分變化。灰度共生矩陣（GLCM）是一種基于像素灰度值之間空間關(guān)系的統(tǒng)計(jì)分析方法，可定量描述細(xì)胞結(jié)構(gòu)的紋理特征變化。將光譜特征與紋理特征進(jìn)行融合，可綜合利用化學(xué)成分和物理結(jié)構(gòu)信息，有望提高成熟度分類(lèi)的準(zhǔn)確性。

南京林業(yè)大學(xué)機(jī)械電子工程學(xué)院的吳俁、譚烽、姜洪喆*等通過(guò)提取果殼切片的光譜特征和GLCM紋理特征，分析其與果實(shí)硬度、果殼含水率及成熟度的相關(guān)性，構(gòu)建分類(lèi)模型，比較單一特征與融合特征模型的性能差異，旨在探索微觀尺度下光譜信息和紋理信息的協(xié)同作用，為進(jìn)一步開(kāi)發(fā)油茶果無(wú)損檢測(cè)技術(shù)提供理論依據(jù)。

1 紋理與物理參數(shù)的相關(guān)性分析

為探究油茶果果實(shí)成熟度與果殼微觀結(jié)構(gòu)之間的關(guān)系，對(duì)采集到的果殼紋理特征、硬度、含水率和成熟度這些指標(biāo)統(tǒng)一進(jìn)行了相關(guān)性分析。如圖3所示，成熟度與硬度呈中等程度的正相關(guān)（r＝0.459），而與含水率呈中等程度的負(fù)相關(guān)（r＝-0.521）。由圖4可知，隨著油茶果的成熟，其果殼硬度逐漸增加，而含水率逐漸降低。這一趨勢(shì)與實(shí)際成熟過(guò)程中細(xì)胞壁加厚、水分蒸散等生理變化一致。根據(jù)晏巢等對(duì)不同品種油茶果殼發(fā)育動(dòng)態(tài)與木質(zhì)素積累規(guī)律的研究，油茶果殼的發(fā)育呈現(xiàn)出階段性特征。早期階段，以果皮增厚和木質(zhì)成分的不斷積累為主。中期階段，果皮處于完全木質(zhì)化狀態(tài)。而后期伴隨著種子的不斷發(fā)育，果皮則會(huì)出現(xiàn)相應(yīng)的擴(kuò)張和延展現(xiàn)象。Yuan Weidong等的研究也驗(yàn)證了在成熟過(guò)程中，油茶果殼含水率呈顯著下降趨勢(shì)。硬度在成熟度1～4之間呈顯著上升趨勢(shì)（P＜0.000 1），說(shuō)明隨著成熟度的增加，果殼組織變得更加堅(jiān)硬。這與油茶果生長(zhǎng)后期木質(zhì)化程度加深的生理現(xiàn)象高度一致。

由圖3可知，成熟度與能量（r＝0.081）、均勻性（r＝0.095）呈微弱正相關(guān)，而與熵（r＝-0.091）、對(duì)比度（r＝-0.086）、不相似性（r＝-0.083）呈微弱負(fù)相關(guān)，均值（r＝0.063）和方差（r＝-0.087）的相關(guān)性也較弱。結(jié)合圖5可知，成熟度增加時(shí)，果殼組織趨于結(jié)構(gòu)有序、紋理更平滑的趨勢(shì)。均勻性呈現(xiàn)逐步上升趨勢(shì)，可能表明果殼紋理從早期的不規(guī)則或細(xì)碎，逐漸趨于更均一的結(jié)構(gòu)；熵則隨成熟度逐漸下降，可能說(shuō)明紋理的信息復(fù)雜度降低，反映了組織結(jié)構(gòu)的有序化過(guò)程。馬晨在桃硬度和組織微觀形態(tài)與光學(xué)特性的相關(guān)性研究中發(fā)現(xiàn)，細(xì)胞壁厚度和細(xì)胞間隙率與光學(xué)散射特性的相關(guān)性很高（平均相關(guān)系數(shù)≥0.922）。Xiao Nannan等對(duì)核桃果殼進(jìn)行X射線斷層掃描，聯(lián)合傅里葉變換紅外光譜和拉曼光譜，清晰地觀察到次生細(xì)胞壁增厚，細(xì)胞壁成分（纖維素、半纖維素，尤其是木質(zhì)素）含量不斷增加。Wang Qianqian等通過(guò)對(duì)不同成熟階段的油茶果殼進(jìn)行解剖和顯微觀察，也發(fā)現(xiàn)木質(zhì)素沉積會(huì)使石細(xì)胞不斷增多、增厚。這種木質(zhì)化的變化過(guò)程會(huì)促使油茶果殼的結(jié)構(gòu)更加致密，紋理更加平滑。

為了更加直觀地展示不同成熟度樣本的細(xì)胞結(jié)構(gòu)差異，從4 個(gè)成熟度果實(shí)中挑選出4 個(gè)具有代表性的樣本，進(jìn)行了紋理特征的可視化，結(jié)果如圖6所示，并列出特征值（表1）。由整果RGB圖像可見(jiàn)，顏色由青綠經(jīng)橙紅過(guò)渡至褐紅色，并在最終階段出現(xiàn)明顯開(kāi)裂及硬化黑色籽粒外露。在每張顯微圖像中，使用彩色框圈定一個(gè)代表性的細(xì)胞區(qū)域，在后續(xù)紋理圖中完全重疊，以便重點(diǎn)觀察分析。可以觀察到，早期（成熟度1）細(xì)胞體積較小、形態(tài)規(guī)整，細(xì)胞壁薄而均勻，但細(xì)胞間邊界較模糊。中期（成熟度2）細(xì)胞出現(xiàn)增大并有細(xì)胞壁增厚跡象，但均勻性升高、熵值降低，細(xì)胞結(jié)構(gòu)變得更加均一。成熟期（成熟度3）細(xì)胞繼續(xù)膨大，且趨于不規(guī)則化，局部出現(xiàn)裂紋。均勻性略微降低，熵值回升，復(fù)雜度增加。過(guò)熟期（成熟度4）細(xì)胞間隙明顯，碎裂情況加重。均勻性達(dá)到最高，熵值達(dá)到最低，說(shuō)明碎裂后的細(xì)胞結(jié)構(gòu)趨于均一但結(jié)構(gòu)紊亂程度增加。

基于光譜與紋理圖像，計(jì)算并繪制了這些代表樣本的3D表面圖，如圖7所示。根據(jù)Park等的研究，藍(lán)莓的硬度越高，灰度級(jí)更加集中，紋理特征較為一致且頻率更高。由圖7可知，成熟度1樣本的灰度級(jí)雖然集中，但峰值都較低，沒(méi)有極端的灰度級(jí)組合，說(shuō)明紋理特征較為平滑；成熟度2和3的樣本都較為分散，且成熟度3樣本出現(xiàn)了極端高頻的位置，可能是因?yàn)閳D6C出現(xiàn)復(fù)雜交界區(qū)域造成的影響；成熟度4樣本的灰度級(jí)分布則明顯更加集中，且呈現(xiàn)出一定的對(duì)稱性，說(shuō)明紋理結(jié)構(gòu)重新趨于有序。

2 光譜模型構(gòu)建

為實(shí)現(xiàn)果實(shí)成熟度的有效分類(lèi)，構(gòu)建了基于全光譜與特征波長(zhǎng)的多種分類(lèi)模型，并系統(tǒng)評(píng)估不同預(yù)處理方式與特征融合策略對(duì)模型性能的影響。

2.1 全光譜模型

首先使用未經(jīng)特征提取的全光譜數(shù)據(jù)構(gòu)建分類(lèi)模型，比較不同光譜預(yù)處理方法（無(wú)預(yù)處理、歸一化、SNV、FD）對(duì)模型性能的影響。如表2所示，光譜預(yù)處理顯著提升了模型的分類(lèi)性能。在PLS-DA模型中，原始光譜構(gòu)建的模型訓(xùn)練集準(zhǔn)確率為95.7%，驗(yàn)證集準(zhǔn)確率為89.7%，測(cè)試集準(zhǔn)確率為87.0%，存在輕微過(guò)擬合現(xiàn)象。歸一化處理對(duì)本模型的提升效果不明顯，SNV預(yù)處理對(duì)模型訓(xùn)練有較高的積極影響。而經(jīng)FD預(yù)處理后的光譜構(gòu)建的模型訓(xùn)練集準(zhǔn)確率提升至98.0%，驗(yàn)證集準(zhǔn)確率為92.3%，測(cè)試集準(zhǔn)確率為91.0%，表明FD有效消除了光譜噪聲，突出了光譜特征，增強(qiáng)了模型的泛化能力。而QPSO-SVM模型雖然在原始數(shù)據(jù)集上表現(xiàn)優(yōu)異，但存在明顯的過(guò)擬合現(xiàn)象。歸一化和SNV預(yù)處理都明顯改善了模型性能，但綜合來(lái)看，F(xiàn)D預(yù)處理極大地提升了模型對(duì)驗(yàn)證集和測(cè)試集的泛化能力。在所有模型中，普遍應(yīng)用了10折交叉驗(yàn)證，還添加了QPSO模塊對(duì)SVM模型進(jìn)行超參數(shù)調(diào)整。但受限于樣本數(shù)量，模型訓(xùn)練輪次較少，性能提升存在上限。后續(xù)考慮擴(kuò)充樣本量，并積極引入深度學(xué)習(xí)方法。

2.2 特征波長(zhǎng)篩選

分別應(yīng)用PC Loading和2D-COS進(jìn)行特征波長(zhǎng)篩選。圖8展示了4 個(gè)PC的載荷圖，PC1～PC4解釋率分別為52.6%、16.0%、11.2%、4.2%，累計(jì)超過(guò)80%。通過(guò)與實(shí)際成分吸收區(qū)間對(duì)照分析，發(fā)現(xiàn)部分波段與色素吸收峰（如685 nm波長(zhǎng)處為葉綠素a的吸收峰）具有高度一致性。特別是在綠光區(qū)（500～600 nm）和紅光區(qū)（600～700 nm）出現(xiàn)的多個(gè)特征波長(zhǎng)。分別從4 個(gè)PC中篩選6 個(gè)載荷系數(shù)絕對(duì)值≥0.2的波長(zhǎng)，合并重復(fù)波長(zhǎng)后得到特征波長(zhǎng)，如表3所示。

如圖9A所示，主對(duì)角線上用紅色圓點(diǎn)標(biāo)記出了前20 個(gè)自相關(guān)強(qiáng)度最大的波長(zhǎng)點(diǎn)，這些自相關(guān)峰代表了各波段在外部擾動(dòng)（如成熟時(shí)間）變化下的響應(yīng)靈敏度。如圖9B所示，根據(jù)這些自相關(guān)峰的強(qiáng)度分布，清晰地揭示出光譜響應(yīng)最顯著的關(guān)鍵波段。在600～700 nm（紅光區(qū)）和700～900 nm（近紅外區(qū)）聚集了大量的高自相關(guān)峰，尤其是在695、700、706 nm和1 033 nm等波長(zhǎng)處表現(xiàn)出明顯的自相關(guān)增強(qiáng)。表明這些波段在果實(shí)成熟過(guò)程中的光譜響應(yīng)最為敏感，能夠很好地反映成熟相關(guān)生理變化。如花青素在藍(lán)光區(qū)（400～500 nm）有吸收峰，其含量會(huì)影響果殼對(duì)藍(lán)光的反射率。而本研究因?yàn)槿コ吮韺咏M織，可能會(huì)影響色素濃度。綠光區(qū)（500～600 nm）雖然也存在葉綠素和類(lèi)胡蘿卜素的吸收峰，但可能主要與供給植物組織生長(zhǎng)的大量氮素有關(guān)。紅光區(qū)（600～700 nm）則主要與葉綠素的吸收特性有關(guān)，而且隨著果實(shí)的成熟，會(huì)合成更多的色素物質(zhì)，紅邊帶的形狀和位置也會(huì)隨之發(fā)生變化。

如表3所示，PC Loading與2D-COS篩選結(jié)果在多個(gè)關(guān)鍵波長(zhǎng)上高度一致，如695.576 5、700.799 4、685.143 9 nm等波長(zhǎng)均在兩種方法中被重復(fù)識(shí)別。這種交叉驗(yàn)證結(jié)果表明這些波長(zhǎng)在樣本間具有良好的穩(wěn)定性和分類(lèi)顯著性，是果實(shí)成熟度識(shí)別的重要特征信息。但需要注意的是，由于受傳感器特性和樣品結(jié)構(gòu)影響，顯微光譜在800 nm之后的波段存在大量噪聲，信噪比極低。但在FD預(yù)處理后的光譜中，卻忽略了這一問(wèn)題，甚至出現(xiàn)了明顯的高強(qiáng)度峰。因此在篩選時(shí)引入了1 033 nm作為特征波長(zhǎng)，這可能導(dǎo)致分析結(jié)果的偏差。通過(guò)手動(dòng)處理限制這樣的情況發(fā)生，以確保篩選出的特征波長(zhǎng)更具科學(xué)性和準(zhǔn)確性，但其物理意義尚需結(jié)合樣品成分與技術(shù)背景進(jìn)行進(jìn)一步驗(yàn)證。

2.3 光譜特征與紋理特征融合模型

為進(jìn)一步提升模型性能，本研究融合光譜特征與顯微圖像提取的GLCM紋理特征，構(gòu)建多源信息融合模型。融合方式采用特征級(jí)拼接后統(tǒng)一建模，模型仍選用PLS-DA與QPSO-SVM進(jìn)行性能對(duì)比。光譜特征的主要貢獻(xiàn)在于區(qū)分果實(shí)的化學(xué)成分差異，在果實(shí)成熟過(guò)程中，葉綠素、類(lèi)胡蘿卜素、花青素這些物質(zhì)有著顯著的動(dòng)態(tài)變化。而GLCM特征則在刻畫(huà)果殼微觀結(jié)構(gòu)變化方面發(fā)揮關(guān)鍵作用，兩者結(jié)合能夠更全面地反映果實(shí)的成熟信息。如表4所示，在PLS-DA模型中融合GLCM紋理特征帶來(lái)了顯著提升，測(cè)試集準(zhǔn)確率從80.0%提升至85.0%。表明紋理特征能有效補(bǔ)充光譜在細(xì)胞結(jié)構(gòu)層面的信息，改善模型判別能力。而在QPSO-SVM模型中提升則有限，測(cè)試集準(zhǔn)確率從86.0%小幅提升至87.0%，Kappa值僅提升0.006 7。這可能與GLCM特征的低維度和抽象能力有限有關(guān)，難以充分反映果殼結(jié)構(gòu)變化。此外，兩種數(shù)據(jù)類(lèi)型與尺度不同，果殼微觀結(jié)構(gòu)的變化涉及更復(fù)雜的形態(tài)和位置信息，而且樣本之間存在固有差異，難以量化。因此兩種數(shù)據(jù)集并不能完全互補(bǔ)，直接拼接反而可能帶來(lái)冗余信息，從而限制了融合后的模型性能。

因此，盡管融合模型整體效果優(yōu)于單一特征建模，但其提升空間仍有限。未來(lái)可以考慮使用更復(fù)雜的融合策略，如基于權(quán)重或基于核方法的融合等，使模型能更好地適應(yīng)不同維度的數(shù)據(jù)。此外，在擴(kuò)大樣本多樣性之后，應(yīng)考慮直接融入顯微圖像，獲取更直觀的細(xì)胞組織形態(tài)與結(jié)構(gòu)信息，從而更全面地反應(yīng)果實(shí)的成熟度。同時(shí)，也要考慮融入更深入的化學(xué)成分信息，如籽粒含油率、果殼木質(zhì)素含量等。

3 結(jié) 論

本研究探索了HMI結(jié)合GLCM紋理分析對(duì)油茶果實(shí)的成熟度進(jìn)行非破壞性分類(lèi)的應(yīng)用潛力。通過(guò)光譜預(yù)處理、特征提取和融合建模，實(shí)現(xiàn)了對(duì)油茶果不同成熟度階段的精準(zhǔn)識(shí)別。

光譜預(yù)處理有效提高了數(shù)據(jù)質(zhì)量，突出了與果實(shí)成熟度相關(guān)的光譜特征，使分類(lèi)模型的性能得到顯著提升。利用PC Loading和2D-COS進(jìn)行特征選擇，成功識(shí)別對(duì)成熟度敏感的波長(zhǎng)，減少特征維度的同時(shí)保留關(guān)鍵信息，為構(gòu)建高效分類(lèi)模型提供了有力支持。與單模態(tài)模型相比，融合模型具有明顯的優(yōu)勢(shì)。使用融合特征的QPSO優(yōu)化SVM分類(lèi)器達(dá)到了最高87.0%的測(cè)試集準(zhǔn)確率，顯示出更高的魯棒性和強(qiáng)大的泛化能力。GLCM紋理分析揭示了不同成熟階段的熵值、均勻性和對(duì)比度等特征值的變化規(guī)律，并且通過(guò)可視化成功觀察到了油茶果殼在成熟過(guò)程中的微觀變化。

此外，光譜與紋理特征在一定程度上均能反映果實(shí)在成熟過(guò)程中硬度與含水率等理化性質(zhì)的變化，揭示了果實(shí)光學(xué)特性與生理參數(shù)之間的耦合關(guān)系。這不僅驗(yàn)證了本研究提出的方法可行性，也深化了對(duì)果實(shí)成熟過(guò)程中多尺度特征協(xié)同演變機(jī)制的理解。與以往主要依賴破壞性生化檢測(cè)或單一光譜觀測(cè)的研究相比，本研究在微觀尺度下融合了HMI與GLCM特征，體現(xiàn)出該方法在油茶果精細(xì)成熟度評(píng)估中的應(yīng)用潛力。

盡管本研究已取得初步成果，仍存在一定局限性。首先，實(shí)驗(yàn)數(shù)據(jù)獲取均在恒溫25 ℃、固定鹵素光源、無(wú)粉塵干擾的實(shí)驗(yàn)室內(nèi)進(jìn)行，缺乏對(duì)自然采樣、現(xiàn)場(chǎng)成像及復(fù)雜環(huán)境干擾因素的考量。其次，樣本來(lái)源集中，僅涵蓋同一園區(qū)、同一品種，遺傳多樣性和地域差異性考慮不足，易導(dǎo)致模型遷移時(shí)性能產(chǎn)生較大波動(dòng)。限制了模型在實(shí)際生產(chǎn)環(huán)境中的適應(yīng)能力。再次，模態(tài)融合策略仍采用早期拼接和傳統(tǒng)機(jī)器學(xué)習(xí)模型，未能充分利用注意力機(jī)制或圖神經(jīng)網(wǎng)絡(luò)捕捉光譜與紋理的非線性交互，存在信息冗余，影響了融合策略的最終表現(xiàn)。

未來(lái)研究將注重環(huán)境適應(yīng)性提升、樣本擴(kuò)展與標(biāo)簽精細(xì)化、融合策略優(yōu)化、拓展生理指標(biāo)信息和智能檢測(cè)系統(tǒng)開(kāi)發(fā)。開(kāi)展田間或?qū)嶋H采收環(huán)境下的多批次數(shù)據(jù)采集，深入研究光照變化、背景干擾、果面遮罩和污染等因素對(duì)成像質(zhì)量和模型魯棒性的影響，構(gòu)建更具適應(yīng)性的預(yù)處理與建模流程。擴(kuò)大樣本量與來(lái)源多樣性，結(jié)合多種分類(lèi)機(jī)制進(jìn)行更精準(zhǔn)的成熟度劃分，建立更全面的成熟度分級(jí)體系，提高模型訓(xùn)練的參考價(jià)值與穩(wěn)定性。引入深度學(xué)習(xí)中的多模態(tài)融合框架（如基于注意力機(jī)制或圖卷積網(wǎng)絡(luò)的融合方法），解決當(dāng)前模型在捕捉非線性特征中的局限性。結(jié)合籽粒含油率、果殼木質(zhì)素含量等生化指標(biāo)，構(gòu)建多維度特征空間，提升模型的解釋力。推動(dòng)基于HMI與紋理分析的快速檢測(cè)算法部署于成長(zhǎng)檢測(cè)系統(tǒng)、自動(dòng)化采摘或分選系統(tǒng)，真正實(shí)現(xiàn)油茶果成熟度的智能化、高效化檢測(cè)，推動(dòng)油茶產(chǎn)業(yè)的高質(zhì)量發(fā)展。

引文格式：

吳俁, 譚烽, 袁偉東, 等. 基于顯微高光譜成像和灰度共生矩陣紋理分析的油茶果成熟度分類(lèi)[J]. 食品科學(xué), 2025, 46(22): 310-320. DOI:10.7506/spkx1002-6630-20250603-009.

WU Yu, TAN Feng, YUAN Weidong, et al. Hyperspectral microscopy imaging combined with texture analysis by grey level co-occurrence matrix for maturity classification of Camellia oleifera fruit[J]. Food Science, 2025, 46(22): 310-320. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250603-009.

實(shí)習(xí)編輯：甘冬娜；責(zé)任編輯：張睿梅。點(diǎn)擊下方閱讀原文即可查看全文。圖片來(lái)源于文章原文及攝圖網(wǎng)

為匯聚全球智慧共探產(chǎn)業(yè)變革方向，搭建跨學(xué)科、跨國(guó)界的協(xié)同創(chuàng)新平臺(tái)，由北京食品科學(xué)研究院、中國(guó)肉類(lèi)食品綜合研究中心、國(guó)家市場(chǎng)監(jiān)督管理總局技術(shù)創(chuàng)新中心（動(dòng)物替代蛋白）、中國(guó)食品雜志社《食品科學(xué)》雜志（EI收錄）、中國(guó)食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國(guó)食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，西南大學(xué)、 重慶市農(nóng)業(yè)科學(xué)院、 重慶市農(nóng)產(chǎn)品加工業(yè)技術(shù)創(chuàng)新聯(lián)盟、重慶工商大學(xué)、 重慶三峽科技大學(xué) 、西華大學(xué)、成都大學(xué)、四川旅游學(xué)院、北京聯(lián)合大學(xué)、 中國(guó)-匈牙利食品科學(xué)“一帶一路”聯(lián)合實(shí)驗(yàn)室（籌） 共同主辦 的“ 第三屆大食物觀·未來(lái)食品科技創(chuàng)新國(guó)際研討會(huì) ”， 將于2026年4月25-26日 （4月24日全天報(bào)到） 在中國(guó) 重慶召開(kāi)。

長(zhǎng)按或微信掃碼進(jìn)行注冊(cè)

為系統(tǒng)提升我國(guó)食品營(yíng)養(yǎng)與安全的科技創(chuàng)新策源能力，加速科技成果向現(xiàn)實(shí)生產(chǎn)力轉(zhuǎn)化，推動(dòng)食品產(chǎn)業(yè)向綠色化、智能化、高端化轉(zhuǎn)型升級(jí)，由北京食品科學(xué)研究院、中國(guó)食品雜志社《食品科學(xué)》雜志（EI收錄）、中國(guó)食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國(guó)食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，合肥工業(yè)大學(xué)、安徽農(nóng)業(yè)大學(xué)、安徽省食品行業(yè)協(xié)會(huì)、安徽大學(xué)、合肥大學(xué)、合肥師范學(xué)院、北京工商大學(xué)、中國(guó)科技大學(xué)附屬第一醫(yī)院臨床營(yíng)養(yǎng)科、安徽糧食工程職業(yè)學(xué)院、安徽省農(nóng)科院農(nóng)產(chǎn)品加工研究所、安徽科技學(xué)院、皖西學(xué)院、黃山學(xué)院、滁州學(xué)院、蚌埠學(xué)院共同主辦的“第六屆食品科學(xué)與人類(lèi)健康國(guó)際研討會(huì)”，將于 2026年8月15-16日（8月14日全天報(bào)到）在中國(guó) 安徽 合肥召開(kāi)。

長(zhǎng)按或微信掃碼進(jìn)行注冊(cè)

會(huì)議招商招展

聯(lián)系人：楊紅；電話：010-83152138；手機(jī)：13522179918（微信同號(hào)）