在当前全球食品安全背景下，对水产品中组胺含量的评估已成为一个至关重要的问题，因其对人类健康具有深远影响，并会显著影响食品品质与国际贸易。组胺中毒源于摄入组胺含量过高的食品，这是由于在不当的处理、加工或储存条件下，细菌将组氨酸脱羧生成组胺所致。本研究旨在对冻融黄鳍金枪鱼（Thunnus albacares）样品中的组胺污染情况进行系统性评估，采用了一种融合近红外光谱（NIRS）与先进机器学习技术的综合方法。共采集101份样品，并通过系统的加标处理获得四个组胺浓度水平（0、50、150 和 250 mg/kg）；所有加标浓度均经液相色谱-串联质谱（LC-MS/MS）分析验证。随后，采集各样品的NIRS光谱，并分别采用改进型偏最小二乘回归（MPLS）和支撑向量机（SVM）进行定量与定性分析。基于全光谱的MPLS模型在交叉验证和独立验证集上均表现出良好的预测性能（R²CV = 0.88，R²P = 0.74），证实了NIRS在金枪鱼组胺含量估算方面的应用潜力。SVM分类模型在二分类（有/无组胺）和多分类（四个浓度等级）任务中分别达到了100%和93%的准确率。本研究表明，将近红外光谱与机器学习相结合，可实现对冻融金枪鱼中组胺的快速、精准检测，为传统检测方法提供了一种无损、环保的替代方案。该方法对食品企业经营者和监管机构具有重要价值，有助于提升水产品安全水平、加强质量控制，并优化与组胺污染相关的决策流程，在海产品行业中展现出广阔的应用前景。

Fermentation is a key process in forming the flavor quality of black tea. Evaluating the degree of fermentation during black tea processing is difficult. This paper proposes an improved 3D-SwinT-CNN network for the end-to-end processing of black tea's hyperspectral images to evaluate the degree of fermentation. The model incorporates dilated convolution and a shifted window self-attention mechanism, expanding the network's receptive field and capturing both local spatial-spectral and global features of black tea hyperspectral images. The accuracy is 98.13% on the test set. Compared to manual feature extraction methods, the accuracy improved by 3.45%. Compared to baseline 3D-CNNs, 3D-SwinT-CNN demonstrates superior spatial-spectral feature extraction, achieving an average accuracy improvement of 10.17%. Ablation experiments were conducted to further verify the effectiveness of the introduced modules. The proposed 3D-SwinT-CNN aims to establish a research foundation for online evaluation of black tea's fermentation degree.
摘要翻译：
发酵是形成红茶风味品质的关键工序，但在红茶加工过程中准确评估发酵程度具有较大难度。本文提出了一种改进的3D-SwinT-CNN网络，用于对红茶高光谱图像进行端到端处理，以评估其发酵程度。该模型融合了空洞卷积（dilated convolution）与移位窗口自注意力机制（shifted window self-attention mechanism），有效扩展了网络的感受野，能够同时捕捉红茶高光谱图像的局部空-谱特征和全局特征。在测试集上的分类准确率达到98.13%。与传统人工特征提取方法相比，准确率提升了3.45%；相较于基础的3D-CNN模型，所提出的3D-SwinT-CNN在空-谱特征提取能力上表现更优，平均准确率提高了10.17%。此外，本文还通过消融实验进一步验证了所引入模块的有效性。所提出的3D-SwinT-CNN模型旨在为红茶发酵程度的在线评估奠定研究基础。

近红外光谱（NIRS）分析技术因其无损特性，在农产品品质检测中具有重要的研究与应用价值。以卷积神经网络（CNN）为代表的深度学习方法减少了光谱分析对专家经验和先验知识的依赖，能够从原始光谱数据中自动提取有效的特征信息，从而提高模型的预测精度。然而，水果品种的多样性给模型的鲁棒性带来了挑战。本研究提出了一种用于多品种水果光谱定量分析的端到端一维卷积神经网络模型——1D-Inception-ResNet，并在两个理化性质相近的薄皮水果数据集上验证了该模型的有效性。实验结果表明，该模型对可溶性固形物含量（SSC）和干物质（DM）的预测均方根误差（RMSEP）分别为0.48 °Brix和0.60%，预测决定系数（Rp²）分别为0.95和0.89。与传统的偏最小二乘回归（PLSR）方法（Rp²分别为0.86和0.80，RMSEP分别为0.84 °Brix和0.81%）以及极限学习机（ELM）方法（Rp²分别为0.82和0.77，RMSEP分别为0.95 °Brix和0.86%）相比，所提出的1D-Inception-ResNet模型在SSC和DM预测上的RMSEP分别降低了46.1%和28.1%，Rp²则分别提高了13.1%和13.4%。结果表明，相较于其他线性和非线性算法，1D-Inception-ResNet显著提升了建模效果。此外，在使用新样本集进行外部验证时，Inception-ResNet模型对SSC和DM的预测RMSEP分别为0.62 °Brix和1.45%。综上所述，通过采用合适的CNN网络结构构建适用于多种水果的全局模型，不仅拓展了模型的应用范围，也提高了其在不同物种间的预测稳定性，这对未来农产品及食品领域的实际应用具有重要意义。

Firmness is valuable in evaluating pear quality, as it determines ripeness and storability. This research presents a new method that combines deep data augmentation and ensemble learning for predicting firmness in three pear cultivars using dielectric spectra. Firstly, 126 sets of pear dielectric spectra and firmness data were obtained, and the characteristic dielectric frequencies were selected based on the prediction accuracy of partial least squares regression (PLSR) model established using different preprocessing methods. Then the generative adversarial networks (GAN), least squares GAN (LSGAN), and Wasserstein GAN (WGAN) models with different numbers of generated samples in the model’s training set on the prediction accuracy of the PLSR model were compared. Finally, the optimal GAN model was combined with support vector regression (SVR), artificial neural networks (ANN), random forest (RF), and AdaBoost decision tree (AdaBoost-DT) to predict pear firmness. Results showed that the selected characteristic dielectric frequencies included two ε′ and eight ε″ points. GAN, LSGAN, and WGAN all improved the prediction accuracy of the PLSR model, and the model accuracy improvement of GAN and LSGAN was proportional to the generated sample numbers added to the training set. GAN had the highest accuracy improvement for PLSR model. Ensemble learning models (RF, AdaBoost-DT) outperformed SVR and ANN. GAN-AdaBoost-DT model added 126 sets of generated data in the training set had the highest prediction accuracy, with average R²p and RMSEP of 0.90 and 3.35 N during 300–1000 epochs, respectively. This study proved the feasibility of deep data augmentation and ensemble learning methods to improve the prediction accuracy of pear firmness model without increasing the labor and time costs.
摘要翻译：
硬度是评价梨果品质的重要指标，因为它决定了果实的成熟度和贮藏性能。本研究提出了一种结合深度数据增强与集成学习的新方法，利用介电谱预测三个梨品种的硬度。首先，采集了126组梨的介电谱及其对应的硬度数据，并基于采用不同预处理方法构建的偏最小二乘回归（PLSR）模型的预测精度，筛选出特征介电频率。随后，比较了生成对抗网络（GAN）、最小二乘GAN（LSGAN）和Wasserstein GAN（WGAN）在训练集中加入不同数量生成样本后对PLSR模型预测精度的影响。最后，将最优的GAN模型分别与支持向量回归（SVR）、人工神经网络（ANN）、随机森林（RF）和AdaBoost决策树（AdaBoost-DT）相结合，用于预测梨的硬度。研究结果表明：所筛选出的特征介电频率包括2个介电常数实部（ε′）点和8个介电常数虚部（ε″）点。GAN、LSGAN和WGAN均提升了PLSR模型的预测精度，其中GAN和LSGAN的精度提升效果与加入训练集的生成样本数量呈正相关。在100–1000轮训练期间（在GAN-PLSR模型训练集中加入126组生成数据），GAN对PLSR模型的精度提升最为显著，预测集的平均决定系数（Rp²）提高了13.70%，预测集的均方根误差（RMSEP）降低了19.48%。在集成学习模型中，随机森林（RF）和AdaBoost-DT的表现优于SVR和ANN。其中，GAN-AdaBoost-DT模型在训练集中加入126组生成数据后，在300–1000轮训练期间取得了最高的预测精度，其平均Rp²和RMSEP分别为0.90和3.35 N。本研究证实了深度数据增强与集成学习方法在不增加人力和时间成本的前提下，能够有效提升梨硬度预测模型的准确性，具有良好的应用前景。

小麦品种鉴定是官方小麦籽粒检验中确定其品质与贸易价值的关键环节。传统上，小麦类别鉴定依赖于对植株和籽粒外观、历史及地理分布的深入专业知识，因此亟需一种自动化技术来规范小麦品种命名，使种植者和生产者能够便捷、准确地识别其谷物。本研究探讨了可见光-近红外（Vis-NIR）与短波红外（SWIR）光谱成像技术用于小麦类别识别的可行性。实验分别采集了单粒小麦籽粒的腹面（正面）和背面（反面）以及整批（bulk）小麦的高光谱数据，并对垂直与水平方向的数据进行拼接，以比较不同数据组合方式对分类性能的影响。此外，还研究了基于单粒数据构建整批样本分类模型的可行性。光谱数据预处理采用了标准正态变量变换（SNV）、Savitzky-Golay一阶导数（SG-1）和二阶导数（SG-2）。分类算法包括线性判别分析（LDA）、支持向量机（SVM）和人工神经网络（ANN）。同时，采用最小冗余最大相关性（mRMR）算法进行特征选择，以对比数据拼接与特征选择策略在分类性能上的差异。
结果表明：腹面（up）数据的分类效果优于背面（down）数据；Vis-NIR波段的分类准确率高于SWIR波段；对于单粒小麦，最佳分类性能由LDA-SNV模型实现，该模型融合了Vis-NIR与SWIR波段的腹面和背面数据，并进行垂直与水平拼接，在10折交叉验证和测试集上的准确率分别达到93.72%和94.93%；基于mRMR筛选出的100个特征所构建的模型，其准确率未超过全拼接数据模型；整批样本的分类性能显著优于单粒样本，在交叉验证和测试集中均达到100%的准确率。本研究表明，光谱成像技术在无损、高效识别小麦类别方面具有巨大潜力，为小麦品质监管和自动化分级提供了可靠的技术路径。