咖啡是目前全球最受欢迎的饮品之一。近年来，咖啡掺假案例频发，因此其真伪鉴别已成为一项亟待解决的重要课题。本研究建立了一种简便高效的非靶向高效液相色谱 - 荧光检测（HPLC-FLD）指纹图谱法，结合偏最小二乘（PLS）回归分析，实现咖啡样品掺假水平的定性检测与定量分析，以期保障咖啡的品质真实性与完整性。
为开展此项研究，本实验针对与咖啡产地及品种相关的多种掺假场景，设计了多组配对实验，具体包括：哥伦比亚 - 埃塞俄比亚、哥伦比亚 - 尼加拉瓜、印度 - 印度尼西亚、越南阿拉比卡 - 越南罗布斯塔、越南阿拉比卡 - 柬埔寨、越南罗布斯塔 - 柬埔寨掺假模型。
实验结果表明，所建立的非靶向 HPLC-FLD 指纹图谱法检测效果优异：当咖啡掺假比例低于 15% 时，偏最小二乘模型的交叉验证误差与预测误差分别低于 3.4% 和 7.5%。
综上，非靶向 HPLC-FLD 指纹图谱法可有效应用于咖啡品质真实性评估，为咖啡市场的掺假管控与欺诈防范提供技术支撑。

低产的早春龙井茶叶因稀缺性深受中国消费者青睐，且售价高昂，但由于其外观与晚季采摘的低价茶叶相似度较高，存在被后者掺假替代的风险。本研究采用稳定同位素分析技术（δ¹³C、δ¹⁵N、δ²H、δ¹⁸O）对不同采摘期的茶叶样本进行检测，旨在区分茶叶干燥工艺、叶片成熟度及采摘期这三个因素对检测结果的影响。
研究结果显示：不同干燥工艺处理的茶叶，其各项稳定同位素比值均无显著性差异（p > 0.05）；在整个春季周期内，不同成熟度茶叶的 δ¹³C 值差异较小（p > 0.05）；早春时节，成熟叶片的 δ¹⁵N 值较嫩叶片高 0.4‰；叶片 δ²H 与 δ¹⁸O 的分馏比（成熟叶 / 嫩叶，RM/Y）存在显著的季节性差异，早春与晚春的分馏比分别为 1.17 和 1.14（p < 0.05）。总体而言，茶叶稳定同位素比值呈现早春富集、晚春贫化的季节变化规律。相关性分析表明，δ¹⁸O 值与空气湿度、光照强度及降水量呈显著正相关（相关系数 r 介于 0.53~0.92）；δ¹³C 值与气温呈负相关，δ²H 值与空气湿度呈负相关（相关系数 r 介于 0.57~0.74）。
研究采用有监督化学计量学模型 —— 正交偏最小二乘判别分析（OPLS-DA）对早春龙井与晚春龙井进行分类鉴别，模型对训练集的判别准确率达 95%，对测试集和盲样集的判别准确率则分别为 100% 和 83.3%。
综上，本研究建立的稳定同位素结合化学计量学的检测方法，可有效鉴别早春龙井茶叶，为其市场溯源与品质保护提供技术支撑；同时也证实，利用稳定同位素分析结合化学计量学建模，可实现茶叶采摘期的精准判别。

仿刺参（Apostichopus japonicus）的产地是影响其经济价值的关键因素。为实现仿刺参产地的快速有效鉴别，本研究采用傅里叶变换近红外光谱技术（FT-NIR），结合随机森林（RF）、梯度提升决策树（GBDT）、轻量级梯度提升机（LightGBM）三种机器学习算法构建鉴别模型，并对模型性能进行对比分析。
结果表明，经优化的样本抽样方法与光谱预处理技术处理后，轻量级梯度提升机（LightGBM）模型的综合性能最优：模型训练过程中的多分类对数损失值最低可降至 0.36；在测试集验证中，该模型的准确率、精确率、召回率、F1 分数及受试者工作特征曲线下面积（AUC）分别达到 0.91、0.92、0.91、0.91 和 0.98。上述指标证实，所构建的 LightGBM 模型具备良好的稳健性与较强的泛化能力。
研究结论表明，近红外光谱技术结合轻量级梯度提升机算法，可作为仿刺参产地溯源的快速有效技术手段。

本研究旨在筛选出与产地亚区密切相关且受品种干扰较小的红外光谱特征波段，并结合化学计量学方法，实现花生产地亚区的精准判别。
基于在中国山东省开展的田间试验，研究采集了来自 3 个不同地市的 10 个花生品种，共计 90 份样本，利用傅里叶变换红外光谱（FT-IR）技术对样本进行光谱检测。随后采用主成分分析（PCA）、多元方差分析（ANOVA）、逐步线性判别分析（SLDA）、k 近邻算法（k-NN）及支持向量机（SVM）对所得光谱数据进行解析。
主成分分析结果显示，3 个不同地市的花生样本呈现出明显的聚类趋势。多元方差分析表明，产地亚区、品种及其交互作用均对花生红外光谱特征产生显著影响；其中波数为 2923 cm⁻¹、2851 cm⁻¹、1742 cm⁻¹、1162 cm⁻¹ 和 1051 cm⁻¹ 的光谱波段与产地亚区关联性强，且受品种因素的干扰较小。
判别模型验证结果显示：在训练集中，逐步线性判别分析、k 近邻算法、支持向量机对不同产地亚区花生样本的识别准确率分别达到 94.2%、82.6% 和 76.8%；在验证集中，三种模型的识别准确率则分别为 85.7%、76.2% 和 71.4%。
综上可得出结论：筛选与产地亚区密切相关且受品种干扰较小的红外光谱特征波段，并结合逐步线性判别分析算法，可实现花生产地亚区的有效鉴别，该技术方案具备实际应用可行性。

肉类新鲜度的监测与维持是保障消费级安全肉品供应的关键环节。本研究旨在构建一套短波红外高光谱成像（SWIR-HSI）检测系统，结合偏最小二乘回归（PLSR）模型与特征筛选方法，实现生鲜猪肉中挥发性盐基氮（TVB-N）含量的精准预测。
实验采集了猪肉样本在冷藏条件下贮藏 1 天、4 天、8 天、11 天、15 天及 21 天后的短波红外高光谱反射图像，并结合样本实测挥发性盐基氮含量数据，构建偏最小二乘回归预测模型。研究采用随机蛙跳算法（RF）与投影变量重要性（VIP）评分两种特征筛选策略对模型进行优化。结果显示，经最大归一化预处理优化后的 RF-PLSR 模型性能最优，其校正决定系数（R c2）与预测决定系数（R p2）分别达到 0.94 和 0.90。
此外，本研究基于筛选出的特征波段，结合最优模型实现了猪肉挥发性盐基氮含量的可视化成像，为直观解析样本的空间分布信息提供了有效途径。
综上，本研究构建的多变量分析模型可实现猪肉新鲜度的快速无损检测，有望替代传统检测方法，应用于在线检测系统，为肉品新鲜度的高效管控提供技术支撑。