Glycyrrhizae Radix et Rhizoma (Gancao) is a functional food whose quality varies significantly owing to the genetic and geographical factors, and is often used by unscrupulous merchants as a substitute for profit. This study developed a rapid identification method for Gancao that determined the species, geographical origin, and main quality marker using a six-channel visual array sensor. This sensor detected the color changes resulting from the competitive coordination with metal ions and color-changing organic dyes. The combination of the array sensor with a random forest (RF) algorithm achieved 100% accuracy in identifying Gancao. Additionally, the smartphone app enabled the rapid and intelligent identification of Gancao within 1 min. The identification accuracy was 91.43%, and the prediction error of two quality markers was less than 13%. This research provides a foundation for rapid and reliable assessment of Gancao quality, enabling the industry to combat fraudulent practices effectively.
翻译：甘草是一种功能性食品，其品质因遗传和地理因素差异显著，常被不法商贩用以次充好。本研究开发了一种快速鉴定甘草的方法，使用六通道视觉阵列传感器来确定其物种、地理来源和主要质量标志物。该传感器检测由与金属离子和变色有机染料的竞争性配位作用引起的颜色变化。阵列传感器与随机森林算法结合，在鉴定甘草时达到了100%的准确率。此外，智能手机应用程序能在1分钟内实现甘草的快速智能鉴定。鉴定准确率为91.43%，两种质量标志物的预测误差小于13%。本研究为快速、可靠地评估甘草品质奠定了基础，有助于行业有效打击欺诈行为。

出于食品安全原因，根茎类蔬菜等农产品受到关于痕量金属元素（TME）的严格监管。评估这些商品是否符合规定限值通常是通过成本高、耗时的传统分析技术来实现。作为替代方案，我们提出了一种基于反射光谱的、新的快速且可扩展的方法来评估根茎类蔬菜中的TME含量。该方法利用根样本的反射光谱，通过机器学习回归和分类来预测TME的绝对浓度或其是否符合特定阈值。我们的方法已成功应用于预测两种胡萝卜品种在受控条件下根部的镉积累，通过利用根横截面的反射光谱，达到了高达95%的准确率（回归和分类中的R2 = 0.95 和 F1分数 ≥0.96）。我们还探索了使用胡萝卜叶片或未去皮胡萝卜的非破坏性模型，分别对根镉的预测达到了中等到高准确率（0.48 < R2 < 0.87 和 64 < F1分数 < 90）。我们的模型在面对变化的镉限值时表现出稳定的准确性，并能够识别可见光和短波红外区域光谱中对预测贡献最大的波长。因此，我们的研究为评估从田间到收获的农产品中的TME合规性开辟了令人鼓舞的前景。

本研究结合稳定同位素和脂肪酸（FA）分析来鉴别池塘与稻田养殖的中华绒螯蟹（河蟹）。研究了性别差异对蟹体内稳定同位素和脂肪酸谱的影响。结果表明，14种脂肪酸和δ13C在池塘养殖和稻田养殖的蟹之间存在显著差异。蟹体内的δ13C和δ15N值不受性别影响。然而，池塘养殖蟹中的四种脂肪酸和稻田养殖蟹中的三种脂肪酸在不同性别间存在显著差异。使用典型判别分析（CDA）对数据（脂肪酸和稳定同位素）进行降维。此外，采用正交偏最小二乘判别分析（OPLS-DA）来建立基于稳定同位素和脂肪酸的判别模型。该模型的正确分类率达到96.61%。δ13C和C23:0是OPLS-DA模型中区分池塘与稻田养殖蟹的最重要变量。这些结果表明，稳定同位素和脂肪酸谱有潜力在较少受性别差异影响的情况下，区分河蟹的生产方法。

鸡蛋的无损性别鉴定可以改善动物福利、提高经济效益、减少环境影响，并促进可持续孵化场运营的技术创新。本研究探讨了高光谱成像（HSI）和机器学习用于鸡蛋孵化前性别预测的有效性。开发了多种分类模型，如偏最小二乘判别分析（PLS-DA）、极限梯度提升（XGBoost）、随机森林（RF）和分类提升（CatBoost），在全波长（452-899 nm）范围内进行了评估，并进行了外部验证。评估了多种光谱预处理方法，如标准正态变量变换（SNV）、多元散射校正（MSC）和Savitzky-Golay平滑，用于校准模型开发。此外，还评估了重要的特征选择和模型优化技术，以开发稳健的预测模型。使用35个重要特征，经过SG预处理的CatBoost模型取得了最佳性能，在校准集和验证集上的准确率分别为82.9%和75.5%。该研究展示了HSI和先进机器学习在孵化前对鸡蛋进行性别预测方面的潜力，为新一代家禽业提供了一种非侵入式、精确且高效的解决方案。

可可是全球贸易中重要的原材料，需要严格的质量检测。精确测量可可豆的成分，尤其是水分含量（MC）和脂肪含量（FC），对于质量控制至关重要。本文描述了一个组合系统，该系统可靠地利用光谱、光谱预处理、数据增强、降维、波长选择和先进的机器学习（ML）模型来预测这些关键特性。多输出ML技术被用于MC和FC的预测。此外，还使用了光谱增强和波长选择策略来提高有效性。所提出的方法在MC预测中获得了决定系数（R2）= 0.992，均方根误差（RMSE）= 0.072，性能与偏差比（RPD）= 10.620；而在FC预测中，R2 = 0.984，RMSE = 0.093，RPD = 7.919。还进行了分类分析，所提出的方法在MC和FC预测中分别获得了96.0%和90.0%的准确率。此外，统计分析得出的t统计量为44.445，p值为0.001。这些发现证明了这种非破坏性技术的实用性，它提供了一个可靠、高效且实用的选项，用于检测可可豆的质量，并在可可贸易的质量控制操作中具有巨大的应用潜力。