在人工智能（AI）技术应用于供应链管理、质量控制、污染检测及消费者安全保障的推动下，食品安全正朝着 “零污染” 目标迈进。AI 与物联网（IoT）、区块链、基因组学等技术深度融合，旨在提升食品供应链全链条的可追溯性、预测分析能力及病原体识别效率。
AI 在食品安全领域的应用场景广泛，涵盖污染物检测、供应链监控、潜在风险预测及质量控制流程优化等多个方面。为实现 “零污染” 目标，AI 将在构建具备韧性、响应迅速且高效的食品安全体系中发挥核心作用，进而保护公众健康、增强消费者信任。
AI 有望在降低安全风险、保障食品完整性方面带来显著效益，但数据质量、监管框架、伦理考量等挑战仍需重点关注。持续创新与战略投入是充分释放 AI 潜力的关键，助力应对日益复杂的食品安全挑战，保障全球粮食安全。
未来研究方向包括完善数据共享机制、构建透明化 AI 系统及推动跨学科合作 —— 这些合作是最大化 AI 在公共健康保障及韧性食品体系建设中应用价值的核心所在。

花青素是评估水稻品种质量的关键参考指标，因此快速建立水稻籽粒花青素的无损检测方法具有重要意义。本研究构建了一种针对一维光谱数据优化的1D-DCGAN（一维深度卷积生成对抗网络）策略和一个1D-CNN（一维卷积神经网络）模型，在有限的数据集内实现了高质量的生成样本效果和更准确的花青素预测。SG（Savitzky-Golay）-1D-CNN在测试集中的表现显著优于LSR（最小二乘回归）、SVM（支持向量机）和BPNN（反向传播神经网络），其R2（决定系数）、RMSE（均方根误差）和RPD（残差预测偏差）值分别为0.83、10.99和2.45。此外，通过添加一定数量的生成样本来训练SG-1D-CNN可以增强模型在测试集中的性能。当添加样本数量为60（原始训练集样本量的75%）时，SG-DCGAN-1D-CNN（Savitzky-Golay深度卷积生成对抗网络一维卷积神经网络）表现出最佳性能，R2、RMSE和RPD分别达到0.87、9.40和2.88。基于此策略的DCGAN-1D-CNN方法有望为多品种水稻种子的精确预测提供新的见解。

英文
Pork batter products like sausages, meatballs, and patties are popular for their rich nutrition and versatility. In this study, a rapid, non-destructive method was developed for assessing pork batter gel quality subjected to varying thermal treatment using Raman spectroscopy combined with advanced chemometric techniques. To achieve this, pork batter samples were heated between 45°C and 90°C to induce varying levels of protein denaturation and gel formation. Raman spectra were then collected to capture molecular changes, while gel strength and water holding capacity (WHC) were measured using conventional methods as reference data. To analyze the spectral data, several chemometric models were evaluated, with competitive adaptive reweighted sampling coupled with partial least squares (CARS-PLS) ultimately emerging as the most effective approach. Notably, the CARS-PLS model demonstrated excellent predictive performance for both gel strength (Rp = 0.9600, RPD = 3.4418) and WHC (Rp = 0.9611, RPD = 3.3988) while utilizing minimal spectral variables. Consequently, this method represents a significant advancement in the rapid and accurate quality assessment of pork batters, offering the potential to enhance quality control and improve product consistency in the meat processing industry.
中文
香肠、肉丸、肉饼等猪肉糜制品营养丰富、用途广泛，深受消费者喜爱。本研究基于拉曼光谱技术结合先进化学计量学方法，建立了一种快速、无损的检测方法，用于评估不同热处理条件下猪肉糜的凝胶品质。
为此，研究将猪肉糜样品置于 45℃~90℃温度范围内进行加热处理，以诱导不同程度的蛋白质变性与凝胶形成。随后采集样品的拉曼光谱以捕捉分子层面的变化，并采用传统方法测定凝胶强度和持水性（WHC），作为参考数据。为分析光谱数据，本研究评估了多种化学计量学模型，最终确定竞争自适应重加权采样 - 偏最小二乘（CARS-PLS）模型为最优方法。
值得注意的是，该 CARS-PLS 模型在使用最少光谱变量的同时，对凝胶强度（预测集相关系数 Rp=0.9600，相对分析误差 RPD=3.4418）和持水性（Rp=0.9611，RPD=3.3988）均表现出优异的预测性能。因此，该方法为猪肉糜品质的快速精准评估提供了重要技术突破，有望在肉类加工行业中强化品质控制，提升产品质量的一致性。

英文
The current study investigates the potential of machine learning-assisted visible/near-infrared hyperspectral imaging (Vis-NIR HSI) for rapid and non-invasive evaluation of the overall flavor quality of green coffee beans. Spectral data was subjected to preprocessing and machine learning (ML) batch effect removal. Multivariate statistical analysis and various ML classifiers were compared and optimized for pass/fail flavor quality grading following non-few-shot and few-shot learning frameworks. Involving the full training dataset, the non-few-shot learning binary grading model achieved 100% accuracy using linear discrimination analysis (LDA). The few-shot learning model trained with data from only four of the 13 coffee bean types yielded the highest discrimination accuracies of 99% and 97%, in the internal validation and external evaluation, respectively, using the ensemble learning algorithm of LightGBM. Furthermore, the incorporation of ML batch effect removal enhanced the few-shot learning LightGBM model accuracy by 27% in external evaluation. The results demonstrate that assisted by ML batch effect removal and classification, Vis-NIR HSI serves as a rapid, sensitive, robust, and practical tool for evaluating the flavor potential of green coffee beans, especially when labeled data for training is limited.
中文
本研究旨在探究机器学习辅助的可见 / 近红外高光谱成像技术（Vis-NIR HSI） 用于快速、无创评估生咖啡豆整体风味品质的应用潜力。研究人员对光谱数据进行了预处理及机器学习批次效应消除操作；并基于非小样本学习与小样本学习两种框架，对比、优化了多元统计分析及各类机器学习分类器，以实现生咖啡豆风味品质的合格 / 不合格分级。在使用完整训练数据集的情况下，基于线性判别分析（LDA） 构建的非小样本学习二分类模型，分类准确率达到 100%。而仅采用 13 种咖啡豆品类中4 种的样本数据训练的小样本学习模型，在集成学习算法轻量级梯度提升机（LightGBM） 的支持下，内部验证和外部评估的最高判别准确率分别达到 99% 和 97%。此外，引入机器学习批次效应消除技术后，小样本学习 LightGBM 模型的外部评估准确率提升了 27%。研究结果表明：经机器学习批次效应消除与分类算法辅助的可见 / 近红外高光谱成像技术，是一种快速、灵敏、稳定且实用的生咖啡豆风味潜力评估工具，尤其适用于训练标记数据有限的场景。

中文：
鱼糜制品加工行业在维持产品品质方面面临着严峻挑战，而品质问题会直接影响产品的消费者接受度及整体质量。本研究采用高光谱成像技术，针对鱼糜两阶段水浴加热过程中的品质变化，开展快速、无损、在线监测研究。
实验中，鱼糜样品先经 40℃保温 30 分钟，再于 90℃保温 20 分钟，每 5 分钟采集一次关键品质指标数据，包括凝胶强度、持水性及白度。为全面评估两阶段加热过程中鱼糜的品质变化规律，基于高光谱成像数据构建了两种预测模型：偏最小二乘（PLS）模型和卷积神经网络 - 长短期记忆（CNN-LSTM）模型，并额外构建了一款 CNN-LSTM 模型用于多品质指标的同步预测。
结果显示，尽管单一指标最优预测模型的性能略优于多指标联合预测模型（预测集决定系数 Rₚ²＞0.93，相对分析误差 RPD＞3.9），但两种方法均表现出良好的有效性。此外，本研究还对加热过程中鱼糜的品质变化特征进行了可视化呈现与分析。
综上，高光谱成像技术结合化学计量学方法，为鱼糜热加工过程中的品质变化监测提供了一种无损、快速、在线的解决方案。该方法满足了行业对创新型品质评估工具的需求，有望提升鱼糜制品市场的产品质量与消费者满意度。