当前的可追溯系统高度依赖外部标记，这些标记可以被修改或篡改。我们假设牛肉部位中独特的肌肉内脂肪模式可以作为可追溯性的自然物理标识，同时提供有关质量属性的信息。为了验证我们的假设，我们开发了一个包含38,528张高分辨率牛肉图像的综合数据集，涵盖了来自602块牛排的牛排，并结合了人工分级和配料分析的注释。利用该数据集，我们基于EfficientNet模型开发了高质量预测模块，在大理石花纹评分预测（96.24%前1±1,99.57%前1±2）、品种识别（91.23%）和饮食确定（90.90%）方面实现了高准确率。此外，我们证明内部肉类特征可用于可追溯性，样本到样本追踪中获得0.9942的F-1得分，样本到数据库追踪中为0.9479。这种方法显著增强了防欺诈能力，并实现了红肉供应链中客观的质量评估。
思考过程与原因：该研究的对象是牛肉（Beef/Steaks），属于畜肉（A21）。研究的核心目的是建立可追溯性（Traceability, B92）系统，以增强防欺诈/真实性鉴别（Fraud resistance, B94），同时进行质量控制（Quality control），具体是大理石花纹评分，属于品质与理化性质分析（B03）。主要检测手段是计算机视觉（Computer vision, C12）。检测的物理特征是肌肉内脂肪/大理石花纹（Intramuscular fat），属于脂类（D12）。在AI与数字化方面，研究使用了EfficientNet模型，这是一种卷积神经网络（CNN, E21）。模型的任务包括大理石花纹评分（Grading）、品种识别（Identification）和饮食判定，这些都属于分类（Classification, F01）任务（文中提到的Top-1准确率是典型的分类指标）。使用的数据是高分辨率图像数据（G11）。

卡查萨是一种传统的巴西酒精饮料，在巴西经济中扮演着重要角色。传统的质量控制方法成本高昂，需要专业劳动力和较长的响应时间。本研究提出了利用近红外（NIR）光谱技术进行酒精含量定量和欺诈检测的创新且环保的方法，无需化学试剂。分析了来自巴西帕拉伊巴Brejo微区的462个cachaça数据集，采用了变量选择算法：PLS、MCUVE-PLS、CARS-PLS和iSPA-PLS。MCUVE-PLS-DA/OFF 模型在欺诈检测中达到了97.3%的准确率，而 ISPA-PLS-DA/OFF 模型在酒精含量测定方面达到了 RMSEP 为 0.16 v/v，RPD 为 59.04，R 为 0.99。这些模型为传统方法提供了可持续且经济的替代方案，提升了可解释性并降低计算成本，同时确保了cachaça生产的合规性和一致性。
思考过程与原因：该研究的对象是卡查萨（Cachaça），这是一种蒸馏酒（A32）。研究的核心目的是定量酒精含量（属于品质与理化性质分析 B03）以及识别欺诈（Identification of fraud），这属于真实性鉴别（B94）。主要检测手段是近红外光谱（NIR, C14）。检测的目标成分是酒精（乙醇），属于挥发性化合物（D55）。在AI与数字化方面，研究使用了光谱数据（G13）。采用的算法是偏最小二乘（PLS）及其判别分析（PLS-DA），属于线性模型/化学计量学方法（E11），统称为机器学习（E01）。研究特别使用了多种变量选择算法（MCUVE, CARS, iSPA），这属于特征工程/优化（E28）。模型的任务包括对欺诈行为的分类（F01）和对酒精含量的定量预测（F02）。

谷物是人类的主要食物来源。监测、控制和预防谷物中的霉菌毒素对于确保谷物及其衍生产品的安全至关重要。本研究将迁移学习策略引入化学计量学，以改进应用于不同颗粒或毒素谱数据的深度学习模型。研究探讨了三种迁移学习方法，以定量检测谷物中真菌毒素的潜力。通过在不同仪器上预测小麦玉米烯酮（ZEN）和花生黄曲霉毒素B1（AFB1）样本集，验证了迁移学习的可行性。结果表明第二种转移方法在检测毒素方面有效。对于FT-NIR光谱法，转移模型获得了R值2为0.9356，小麦ZEN预测的相对预测偏差（RPD）为3.9497，以及一个R。2为0.9419，花生AFB1检测的RPD为4.1551。通过近红外光谱法，也实现了有效的花生AFB1检测，结果为R2预测集中为0.9386，RPD为4.0434。这些结果表明，所提出的迁移学习方法能够成功将源域模型更新为适合目标领域任务的模型。本研究为单源模型适应性不足的问题提供了可行的解决方案，提出了一种更通用的谷物真菌毒素光谱检测方法。
思考过程与原因：该研究的对象包括小麦（Wheat），属于谷物（A13）；以及花生（Peanut），通常归类为油料作物（A16）。研究的核心目的是检测霉菌毒素（Mycotoxins, ZEN/AFB1），这属于食品安全中的化学污染物（B52，生物毒素通常归为此类或视为污染物）。主要检测手段是近红外光谱技术（FT-NIR/NIR, C14）。在AI与数字化方面，研究的创新点在于引入了迁移学习（Transfer Learning, E27）策略，以解决不同仪器、不同谷物或毒素间的模型适应性问题。基础模型涉及深度学习（Deep learning, E21），整体属于化学计量学（E01）范畴。模型的任务是定量预测（F02）毒素含量。使用的数据是光谱数据（G13）。

含水量在药物的质量检测中至关重要，食品同源性物质。本研究旨在基于近红外光谱学提出一种新的含水量建模方法。在比较三种偏最小二乘回归、支持向量回归和卷积神经网络（CNN）三种方法来构建三种不同物质的含水量预测模型时，发现准确性受系统误差影响且较低。因此，本研究整合了三种物质的含水特性带数据，建立了通用模型。最优预测模型是SSA-CNN-BiLSTM。测试集的RMSEP值分别为0.3568%、0.2057%和0.0029%，RPD值分别为10.26、2.30和5.60。该研究的创新之处在于上述方法提高了建模的准确性和效率。它消除了每种物质单独建模时的系统性错误，简化了建模过程，并扩大了模型应用的范围。
思考过程与原因：该研究的对象是药食同源物质（Medicine food homology substances），属于药食同源/膳食补充剂（A114）。研究的核心目的是测定含水量（Moisture content），属于水分（D01）检测，也是常规的品质与理化性质分析（B03）。研究强调了快速测定（Rapid determination, B91）。主要检测手段是近红外光谱（Near-infrared spectroscopy, C14）。在AI与数字化方面，研究对比了多种算法，包括偏最小二乘回归（PLSR, E11）、支持向量回归（SVR, E12），并提出了基于卷积神经网络（CNN, E21）和双向长短期记忆网络（BiLSTM, E23）的组合模型（SSA-CNN-BiLSTM）。模型的任务是定量预测（F02）含水量。使用的数据是光谱数据（G13）。

快速且可靠地识别镰刀菌真菌至关重要，因为它们在食物变质和潜在毒性中的作用。传统的鉴定方法通常耗时且资源密集。本研究探讨利用表面增强拉曼光谱（SERS）鉴定从大麦中分离出的四种桑布镰刀菌物种。使用金纳米颗粒进行信号增强，采集了60个样品的SERS光谱，并应用了极端梯度增强（XGBoost）算法进行分类。该方法实现了100%的精度、召回率、准确性和F1评分，从而展现了卓越的性能。关于化学解释，关键光谱特征分别位于495、546、764、1228、1274和1605厘米−1由XGBoost揭示，并与真菌化学成分差异相关;尤其与几丁质、代谢物和蛋白质含量相关。因此，SERS和XGBoost具有对多种真菌及其他微生物进行分类的巨大潜力。
思考过程与原因：该研究的对象是从大麦（Barley）中分离的镰刀菌（Fusarium fungi），大麦属于谷物（A13）。研究的核心目的是微生物/真菌鉴定（Identification of fungi），这属于食品安全中的微生物污染（B51）检测。主要检测手段是表面增强拉曼光谱（SERS, C14）。检测的目标化学成分（通过光谱特征关联）包括几丁质（多糖/碳水化合物，D13）和蛋白质（D11）。在AI与数字化方面，研究使用了XGBoost算法，这是一种集成学习/梯度提升决策树（E13）方法。模型的任务是区分不同的真菌物种，属于分类（F01）。使用的数据是光谱数据（G13）。