《食品科學》：“基于計算機視覺和深度學習的食品檢測技術”專欄文章

在食品制造業中，集成先進感知技術以實現食品品質、安全的實時和在線監測愈發重要。基于計算機視覺和深度學習的方法能夠非破壞性、實時性以及無需大量預處理即可分析食品營養品質及檢測食品危害物，已發展成為一種極具前景的、成本效益高的先進檢測技術。雖然基于計算機視覺和深度學習的方法在檢測食品品質、質量安全等方面已有大量報道。然而，成功地將這些技術應用于工業化、規模化生產仍然面臨著諸多挑戰。為此，《食品科學》特設基于計算機視覺和深度學習的食品檢測技術專欄，旨在助推計算機視覺和深度學習在食品質量安全檢測、品質評價等領域的廣泛應用。

特邀專欄主編：郭志明教授、趙峙堯教授

專欄文章

摘要：針對果園現場蘋果分級存在的計算資源受限和表面缺陷尺度差異大的問題，本研究構建基于機器視覺的改進YOLOv8蘋果表面缺陷識別模型，在提高蘋果表面缺陷檢測效率的同時保證檢測準確率。采用自搭建的機器視覺系統采集5 500 張蘋果樣本的表面特征及缺陷圖像，涵蓋果柄、花萼的特征與黑點、腐爛、機械損傷、日灼、褐斑和裂紋6 種常見表面缺陷以及1 種環境雜物并完成特征標注。引入RepGhostNeXt和EffQAFPN算法結構，對YOLOv8（You Only Look Once version 8）檢測模型的主干特征提取網絡和特征金字塔進行改進。在此基礎上，研究訓練并比較了YOLOv8、YOLOv8n、YOLOv8+EffQAFPN、YOLOv8+RepGhostNeXt和YOLOv8+EffQAFPN+RepGhostNeXt 5 種模型，并重點對比模型在蘋果表面瑕疵檢測中的檢測準確率和模型檢測速度。研究結果表明，YOLOv8+EffQAFPN+RepGhostNeXt模型在綜合檢測性能上表現最佳，其整體識別準確率為94.9%，且保持了7.81 幀/s的平均檢測幀率。綜上，該模型能夠在計算資源有限的環境下高效完成蘋果表面缺陷檢測任務，為實現果園現場高效便捷的蘋果分級提供技術支撐。

結論：本研究在實驗室條件下復現各類常見的蘋果表面缺陷，利用靜態機器視覺裝置采集了5 500 張蘋果表面特征和缺陷樣本圖像并完成標簽標注，構建了蘋果表面缺陷圖像數據庫。為解決樣本標簽數量不均衡問題，采用5 折交叉驗證訓練了YOLOv8、YOLOv8n、YOLOv8+EffQAFPN、YOLOv8+RepGhostNeXt和YOLOv8+RepGhostNeXt+EffQAFPN 5 個模型。模型的分類效果使用精密度、召回率、mAP@0.5、推理時間和FPS進行評估，并借助混淆矩陣與PR曲線分析各模型對8 種蘋果表面特征或缺陷上的識別效果。綜合比較，YOLOv8+RepGhostNeXt+EffQAFPN模型表現最佳，準確率為94.9%，召回率為93.8%，推理時間為128.10 ms。該模型可滿足資源受限環境下的蘋果在線缺陷檢測需求，驗證了RepGhostNeXt和EffQAFPN對YOLOv8主干網絡和特征提取網絡的改進能夠提高模型的特征提取能力和推理速度。研究所采用的改進方法可為田間蘋果表面缺陷的在線快速檢測與分類提供技術參考。

引文格式：

郭志明, 肖海迪, 王陳, 等. 蘋果在線分級的多尺度輕量化改進YOLOv8表面缺陷檢測模型[J]. 食品科學, 2025, 46(22): 1-12. DOI:10.7506/spkx1002-6630-20250415-117.

GUO Zhiming, XIAO Haidi, WANG Chen, et al. Improved YOLOv8 model with multi-scale lightweight for surface defect detection in online apple grading[J]. Food Science, 2025, 46(22): 1-12. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250415-117.

摘要：為滿足食品安全監管問答任務對模型準確性、合規性和可解釋性的高要求，解決現有大語言模型（large language model，LLM）在該領域應用面臨的知識召回不精準、法規解析能力不足及計算成本高等問題，本研究基于檢索增強生成框架提出了一個智能問答系統，其核心是食品安全監管大語言模型（food safety regulation large language model，FSR-LLM）。通過優化數據庫存儲結構、檢索策略及生成器，提升食品安全監管問答的質量和效率。首先構建了食品安全知識圖譜（knowledge graph，KG）數據庫，以結構化方式存儲法規條款、食品安全標準等數據，增強模型對食品領域知識的組織與調用能力。此外，在檢索階段，設計一種大模型引導檢索策略，利用LLM智能解析查詢語句，在食品安全監管KG中準確地提取高度相關的信息，從而減少無關或誤導性內容的召回。對于生成器（Generator）模塊，基于Qwen-7B-Chat模型采用低秩適應微調，使模型更貼合食品安全監管問答的需求，同時顯著降低計算成本，使其能夠在單張RTX 4090 GPU上完成訓練。在所提食品安全問答數據集上的實驗結果表明，FSR-LLM在BLEU-4、Rouge-L和準確率指標上均優于基線模型，展現出更高的精準度和語義連貫性，為食品安全監管智能化提供了一種低成本、高效能、可擴展的解決方案。

結論：本研究圍繞食品安全監管場景，提出了一種基于RAG框架的智能問答系統FSR-LLM，以提升食品安全法規、標準與合規性等方面問答的精準性和專業性。相比于傳統的RAG方法，FSR-LLM在知識庫層面結合了知識圖譜，使食品安全相關知識的結構化程度更高，增強了上下文信息結合的能力。在檢索方式上，采用LLM引導檢索策略，利用其強大的文本解析能力，提取查詢文本核心實體，生成更為精準的檢索查詢語句，并進一步擴展查詢這些實體的鄰接節點，確保檢索召回結果更加全面且具備更強上下文關聯性。此外，FSR-LLM中采用LoRA技術對生成器Qwen-7B-Chat進行指令微調，能夠在單張4 090 GPU上實現高效低成本的訓練，確保模型在計算資源受限的環境下仍具備較強的適應性。結果表明，FSR-LLM在BLEU-4、Rouge-L和準確率等指標上均顯著優于基線模型，驗證了該方法在食品安全監管問答任務中的有效性。

然而，本研究仍存在一定的局限性，未來工作可從以下方面進一步優化：首先，當前系統在復雜查詢語境下的魯棒性表現需要進一步地評估與驗證，未來可構建涵蓋不同干擾因素的測試集，并引入更加細致的評估指標，以全面檢驗FSR-LLM在真實監管任務中的穩健性。此外，實驗中發現LLM固有的生成隨機性會導致評測指標存在一定的波動，特別是在開放性問題回答時可能影響結果一致性，需要探索更加穩定、準確的評估策略。未來將繼續致力于優化FSR-LLM的各項能力，以進一步提升其在復雜食品安全監管場景下的應用價值和決策可靠性。

引文格式：

毛典輝, 王可浩, 陳俊華, 等. 基于增強檢索生成框架的食品安全監管智能問答系統[J]. 食品科學, 2025, 46(22): 13-22. DOI:10.7506/spkx1002-6630-20250408-059.

MAO Dianhui, WANG Kehao, CHEN Junhua, et al. An intelligent question answering system for food safety regulation based on retrieval-augmented generation framework[J]. Food Science, 2025, 46(22): 13-22. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250408-059.

摘要：準確的果蔬品質分析對于保障食品安全、提升消費者滿意度以及促進果蔬產業的可持續發展具有重要意義。近年來機器視覺技術在果蔬產業領域得到了廣泛應用。傳統的機器學習算法在處理機器視覺技術產生大量復雜的圖像數據時通常具有局限性，其性能不能滿足實際的需要。機器視覺技術與深度學習算法的融合實現了對復雜果蔬圖像的高效分析和處理。基于機器視覺和深度學習所開發的果蔬品質檢測系統在實際應用中取得了顯著的成果，為推動果蔬產業的智能化升級提供了有力的技術支持。本綜述總結了近年來深度學習驅動的機器視覺技術在果蔬品質分析領域的研究進展，并著重探討了目前面臨的挑戰，展望了該領域的未來發展趨勢，包括公開數據集的構建、輕量級模型和三維傳感裝置的開發、多模態融合、可解釋性模型、便攜化和小型化設備研發，以及物聯網和區塊鏈技術賦能的全產業鏈智能果蔬管理體系的構建，以期推動果蔬產業的技術升級與協同創新。

結論：本文全面綜述了深度學習算法驅動的機器視覺技術在果蔬外部品質（包括顏色、形狀與尺寸、表面缺陷檢測）、內部品質（包括糖分、酸度、農藥殘留和果蔬霉變檢測）和綜合品質（如新鮮度檢測）控制領域的研究進展。與傳統機器學習算法相比，深度學習算法從大規模數據中提取復雜特征方面更高效，且能適應多種學習任務和實際應用，因其能夠學習和理解復雜的數據模式，在果蔬質量評估任務中表現更精準。另外，研究仍需要克服諸如缺乏大規模高質量數據集、依賴人工標注、過擬合或欠擬合、黑盒性質及輕量化深度學習的設計與開發等多種挑戰，以開發更可靠、更穩定的深度學習模型，滿足果蔬品質分析的實際需求。隨著人工智能技術、3D打印技術、智能手機和其他小型設備的快速發展，果蔬品質檢測技術的準確性、便捷性與經濟性會持續提高，將推動果蔬品質檢測向智能化、便攜化、自動化與精準化方向深度升級與可持續發展。

引文格式：

顏玉潔, 俞玥, 孔天宇, 等. 深度學習驅動的機器視覺技術用于果蔬品質的智能感知: 進展、挑戰、展望[J]. 食品科學, 2025, 46(22): 23-39. DOI:10.7506/spkx1002-6630-20250401-007.

YAN Yujie, YU Yue, KONG Tianyu, et al. Deep learning-based machine vision for intelligent perception of fruit and vegetable quality: progress, challenges, and prospects[J]. Food Science, 2025, 46(22): 23-39. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250401-007.

摘要：糧油安全是重要的食品安全問題之一，在全球范圍受到廣泛關注。因此，快速、準確、高效的檢測技術對于保障糧油安全至關重要，而傳統糧油檢測方法存在耗時長、主觀誤差大、實時性差等缺點，難以滿足消費者對食品品質的高要求，計算機視覺和深度學習的結合為糧油檢測提供了快速、高效、非破壞性的解決方案。本文首先介紹了深度學習和計算機視覺的基本原理及其在食品檢測中的優勢，重點分析了卷積神經網絡、長短期記憶網絡、生成對抗網絡等算法在糧油檢測中的應用案例，展示了這些技術在提高檢測精度和效率方面的顯著效果，總結了計算機視覺和深度學習在糧油及其制品無損檢測中的應用進展。并從優化模型魯棒性和可解釋性、開發輕量級模型以適應資源受限的檢測環境等方面討論了在糧油安全領域應用中存在的局限性和未來發展趨勢，旨在推動食品檢測技術向更高效、精準的方向發展。

結論：DL算法獲取和處理大規模數據需要投入大量的時間和資源，導致成本高昂，同時數據質量直接影響模型性能，現實中數據往往存在噪聲和偏差，降低了模型的準確性，使得模型在數據稀缺的領域難以有效訓練，而且人工標注數據效率低下且容易出錯，這些問題都會降低模型的可靠性。在糧油品質檢測領域，糧油的儲存和加工環境復雜，其外觀特征和內在品質受溫度、濕度、光照、季節以及天氣等諸多不可控因素影響較大，環境的多樣性和多變性導致圖像采集難度增加，需要投入大量的時間和資源，且目前極度缺乏支持實時糧油質量評估的多品種糧油數據集，現有的數據集多為各個實驗室制備的小規模數據集，無法全面綜合反映糧油性質。未來需要探索半監督學習和無監督學習，減少對人工標注數據的依賴，構建覆蓋不同品種、生長階段和儲存條件的大規模糧油圖像數據集，或開發能利用小規模數據集的算法模型。

多模態數據的融合與分析是糧油食品安全無損檢測領域的核心研究方向。目前，許多檢測方法依舊依賴單一數據源，如僅使用可見光成像和近紅外光譜成像的光譜數據或圖像數據，這種單一模態數據的應用存在諸多局限性，例如數據維度有限，無法全面反映糧油的品質信息，導致檢測精度受限，難以提供足夠的信息區分相似特征的糧油品種或檢測微小的品質變化。相比之下，多源數據融合在糧油安全檢測中展現出顯著優勢，其通過整合光譜數據、圖像數據等多源異構數據，可以更全面地反映糧油的生長環境和品質形成的關鍵因素，能夠提升檢測模型的精度和魯棒性，有效彌補單一模態數據的不足。盡管DL在多模態數據融合領域已獲顯著突破，但融合算法仍需持續精進，以更有效地應對異構數據的處理挑戰。因此，有必要構建可兼容多種成像模態的融合平臺，匯聚各類傳感器信息，從而進一步增強檢測的準確度與穩健性。

近年來，食品無損檢測的應用正從實驗室走向生產和生活場景，這對檢測方法的精度和可靠性提出更高的要求，還需要兼顧實時性、便攜性和低成本等方面。越來越多的研究者正把智能手機這類便攜終端引入糧油品質的實時在線監測體系。通過開發輕量級DL模型，可以顯著降低算法模型的大小和計算復雜性，使其能夠更好地適應智能手機和其他小型設備，但這容易導致檢測的準確性和性能降低。因此，需要在設備小型化與高性能之間找到平衡點，探索如何在實現便攜式設備小型化的同時保證其特異性和靈敏度，未來應致力于開發結構緊湊、計算能力更強、參數量更精簡的輕量化網絡，并加強對適用于邊緣設備的輕量化模型的研究，以便在實現實時快速檢測的同時，進一步提升視覺識別系統的性能。

引文格式：

張書鳴, 王欣, 談文嬌, 等. 計算機視覺和深度學習在糧油及其制品無損檢測中的應用[J]. 食品科學, 2025, 46(22): 40-49. DOI:10.7506/spkx1002-6630-20250520-133.

ZHANG Shuming, WANG Xin, TAN Wenjiao, et al. Application of computer vision and deep learning in non-destructive testing of grains, oils and their products[J]. Food Science, 2025, 46(22): 40-49. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250520-133.

摘要：本研究系統量化分析不同感興趣區域（region of interest，ROI）特征（部位、形狀、尺度）與獼猴桃可溶性固形物含量（soluble solids content，SSC）預測精度的相關性規律，以構建集成高光譜成像與ROI優選的獼猴桃SSC預測模型框架。針對全果ROI區域光譜數據，分別利用多元散射校正（multiplicative scatter correction，MSC）、Savitzky-Golay（SG）平滑、標準正態變量變換（standard normal variate，SNV）及SNV-SG平滑方法進行預處理，建立偏最小二乘回歸模型以預測獼猴桃SSC，并通過性能分析確定模型處理策略。進一步分別提取獼猴桃赤道、花萼、果梗處不同形狀、尺度組合ROI光譜信息進行模型預測精度對比。結果表明，SNV預處理效果最佳，全果ROI預測集的決定系數（）＝0.832 7、預測均方根誤差（root mean square error of prediction，RMSEP）＝0.387 1。ROI特征對獼猴桃SSC預測準確性有顯著影響，呈現“赤道＞花萼＞果梗” “圓形＞方形” “小尺度＞大尺度”的影響規律；而赤道處小圓形ROI預測結果最優，＝0.917 3、RMSEP＝0.221 7。本研究驗證了高光譜圖像ROI優選對模型性能的關鍵作用，明確了“赤道-圓形-小尺度”的組合特征優勢，可為利用高光譜技術提高獼猴桃SSC預測效果提供有效途徑。

結論：本研究基于高光譜成像技術，系統探討了不同光譜處理策略及不同ROI特征組合選取對獼猴桃SSC預測模型性能的影響。首先提取全果ROI光譜信息，通過建立PLSR模型橫向比較各處理策略的優劣，確定了SNV在提升預測精度方面表現最優。在此基礎上，進一步在獼猴桃的赤道、花萼與果梗3 個部位選取不同ROI，提取相應光譜信息并構建PLSR模型，比較各ROI特征組合在SSC預測中的性能差異。主要結論如下：1）對于全果光譜數據，SNV-PLSR模型預測效果最優（＝0.877 5，＝0.832 7），在SSC建模中表現出更優的回歸擬合效果，說明其在高光譜數據處理中具有顯著優勢。2）從區域特征方面來看，赤道部位整體預測性能優于花萼和果梗部位，并且整體預測精度呈現“赤道＞花萼＞果梗”的趨勢；在相同尺度下，圓形ROI優于方形ROI；小尺度ROI（50×50 像素及內切圓C1）在減少背景干擾、提升建模精度方面更具優勢。3）“赤道-圓形-小尺度”所構建的模型性能最佳：訓練集＝0.938 9，RMSEC＝0.263 3；預測集＝0.917 3，RMSEP＝0.221 7。

綜上所述，合理選擇高光譜圖像的處理策略及ROI特征組合，對于提升獼猴桃SSC預測模型的精度與穩定性具有重要意義。本研究不僅揭示了獼猴桃不同ROI特征的光譜梯度響應規律，而且量化分析了其對關聯模型預測性能影響，實現了獼猴桃SSC的快速、無損、精準檢測。未來研究將細化實際應用場景，逐步推動室外復雜環境ROI特征的圖像自適應優選；此外，將針對不同場景需求，結合特征波段選擇，以進一步優化模型精度、穩定性與計算效率，為果品智能分級分選及品質管理提供高效的方法手段和技術支撐。

引文格式：

卞子晗, 陳謙, 李佳利, 等. 基于高光譜圖像區域特征優選的獼猴桃可溶性固形物含量無損預測模型構建[J]. 食品科學,2025, 46(24): 1-8. DOI:10.7506/spkx1002-6630-20250709-069.

BIAN Zihan, CHEN Qian, LI Jiali, et al. Predictive modeling for nondestructive determination of soluble solids content in kiwifruits based on optimized regional features of hyperspectral images[J]. Food Science, 2025, 46(24): 1-8. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250709-069.

摘要：本研究以茶鮮葉為原料，按照自然萎凋、遠紅外輻射3 h、遠紅外輻射6 h 3 種工藝進行萎凋，測定主要滋味物質的含量，并采集萎凋樣本的近紅外光譜與圖像數據，構建融合卷積注意力模塊的一維卷積神經網絡（onedimensional convolutional neural network with convolutional block attention module，CBAM-1DCNN）模型。結果顯示，遠紅外輻射3 h條件下，萎凋15 h的酚氨比相比茶鮮葉下降了20.06%，感官得分最高。基于近紅外光譜與機器視覺技術構建的CBAM-1DCNN模型比單一技術建立的模型判別能力更強，校正集準確率為99.11%，預測集準確率為96.00%。遠紅外輻射顯著改變了主要滋味物質的含量，且通過近紅外光譜與機器視覺技術可以實現紅茶萎凋程度的快速判別。

結論：本研究圍繞紅茶萎凋過程中關鍵滋味物質的動態變化，系統分析了不同萎凋工藝下萎凋葉樣本中總游離氨基酸、茶多酚、水分、總糖、酚氨比的變化趨勢，并建立CBAM-1DCNN模型判別萎凋程度。結果表明，遠紅外輻射會促進萎凋進程，加速水分均勻蒸發與酶促氧化。構建的光譜-圖像融合CBAM-1DCNN模型能夠有效判別萎凋程度，其中校正集準確率為99.11%，預測集準確率為96.00%，比滋味物質建立的RF判別模型準確率提升了10.67%。本研究可為紅茶萎凋工藝優化提供新的思路，后續研究將聚焦于多模態數據融合及自適應算法開發，以推動茶葉萎凋從經驗控制向精準調控的轉變。

引文格式：

夏高帆, 馬圣洲, 常惠林, 等. 遠紅外輻射紅茶萎凋過程品質變化規律及光譜-圖像協同監測分析[J]. 食品科學, 2025, 46(24)：9-17. DOI:10.7506/spkx1002-6630-20250721-165.

XIA Gaofan, MA Shengzhou, CHANG Huilin, et al. Quality evolution during far-infrared radiation withering of black tea and its monitoring based on data fusion of near infrared spectroscopy and machine vision[J]. Food Science, 2025, 46(24)：9-17. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250721-165.

特邀主編簡介

郭志明 教授

郭志明，江蘇大學食品與生物工程學院教授、博士生導師，現任江蘇大學集成電路學院副院長，從事食品無損檢測與物聯網監測技術及裝備研發。入選農業農村部首批“神農青年英才”和江蘇高校“青藍工程”優秀青年骨干教師等，兼任中國農業機械學會農副產品加工機械分會副秘書長、中國食品科學技術學會果蔬加工技術分會理事、江蘇省食品科學與技術學會理事兼副秘書長等。專注食品智能檢測與加工，在食品快速無損檢測、食品光學傳感評價、食品質量安全物聯網、人工智能算法等方面取得了突出成效。近年主持了國家重點研發計劃項目、課題，國家自然科學基金面上、國合研究和青年項目，江蘇省重點研發計劃等國家及省部級項目20余項。第一發明人授權發明專利12 件、登記軟著8 件；第一/通信作者發表SCI論文70余篇，其中ESI高被引論文7 篇。研究成果獲教育部自然科學二等獎、江蘇省科學技術一等獎和中國商業聯合會科技進步特等獎等。

趙峙堯 教授

趙峙堯，教授，博士生導師，現任北京工商大學計算機與人工智能學院副院長，入選北京市科技新星、2021—2023北京市科協青年人才托舉工程、北京市屬高校優秀青年人才。長期從事基于人工智能的系統科學理論與控制工程領域理論、方法和關鍵技術研究，專注于利用復雜動態系統智能健康管理技術，探究工業智能系統、環保、食品安全領域的風險防控體系建設，在多旋翼無人機系統的健康性能評估與決策、食品供應鏈安全風險評估與防控、水環境機理建模及健康風險評價等方面取得了重要成果。主持國家自然科學基金項目、國家重點研發計劃課題、北京市自然科學基金面上、青年項目等國家及省部級課題，發表SCI論文50余篇，授權國家發明專利10余項，獲得中國食品學會科技進步獎一等獎、中國發明協會發明創新獎二等獎、中國儀器儀表學會科技進步獎二等獎、北京市水利學會科學技術獎一等獎等。

專欄網址：

《食品科學》2025年22期：

https://www.spkx.net.cn/CN/volumn/volumn_1923.shtml

《食品科學》2025年24期：

https://www.spkx.net.cn/CN/volumn/volumn_1925.shtml

實習編輯：李雄；編輯：閻一鳴；責編：張睿梅。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、西昌學院、北京聯合大學協辦的“ 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）