振动光谱技术是一种高效的无损检测技术，已成功应用于农产品与食品样本的特性鉴别。然而，由于光谱数据集具有高维度特性，仅通过观察原始光谱数据难以区分不同特性的样本。
本研究采用当前先进的降维方法 ——t 分布随机邻域嵌入算法（t-SNE），对五组振动光谱数据集进行可视化分析。同时，从二维空间区分能力与后续分类模型准确率两个维度，对比验证了 t-SNE 算法与其他参照方法（主成分分析法 PCA、等距映射算法 Isomap）的性能表现。
在二维空间区分能力方面，t-SNE 算法展现出更理想的可视化鉴别效果，且聚类评价指标得分更优：其轮廓系数平均得分为 0.59（主成分分析法为 0.24，等距映射算法为 0.59），戴维斯 - 布尔丁指数平均得分为 1.51（主成分分析法为 2.58，等距映射算法为 1.52）。
在后续分类模型准确率方面，研究基于三种方法降维得到的二维特征空间，构建了 k 近邻算法（KNN）与支持向量机（SVM）两种监督分类模型。结果显示，t-SNE 算法提取的特征数据在分类准确率上显著优于其他两种方法：基于 t-SNE 特征的 KNN 模型平均准确率达 96%（主成分分析法为 85%，等距映射算法为 92%）；基于 t-SNE 特征的 SVM 模型平均准确率同样为 96%（主成分分析法为 86%，等距映射算法为 92%）。
综上，研究结果表明，t-SNE 算法在识别样本间细微光谱差异方面具有巨大潜力，是一种高效的降维与可视化方法，尤其适用于复杂且高度重叠的振动光谱数据分析场景。

本研究以相机采集的咖啡粉图像为训练数据集，对卷积神经网络模型进行训练，旨在实现阿拉比卡咖啡与罗布斯塔咖啡的品质管控，并检测其是否掺入菊苣、大麦等其他食材。
研究所用卷积算法基于预训练的残差网络 34（ResNet34）卷积架构，结合迁移学习技术，大幅减少了模型训练所需的图像样本量，进而降低了最终数学模型的构建成本。
实验结果表明，本文所构建的模型对不同品类咖啡粉、菊苣及大麦的分类误差均低于 1.0%；同时，该模型可有效检测咖啡中质量占比为 0.5%~5.0% 的掺杂物，检测误差低于 1.4%。基于上述成果，研究团队研发出一款咖啡掺假检测原型设备，该设备操作简便、检测速度快且结果准确，可满足咖啡生产商、经销商及消费者的检测需求。

食品掺假问题给食品行业带来极大困扰。为降低成本、提高利润而实施的原料掺伪是食品掺假的常见形式之一。淀粉行业中掺假行为屡有发生，且这类掺假仅通过肉眼观察难以甚至无法识别。
为此，本研究旨在验证一种无损检测方法的可行性 —— 利用光谱范围为935~1720 nm 的近红外高光谱反射成像技术（NIR-HSI），实现木薯淀粉中掺杂物的快速检测。实验以石灰石粉作为掺杂物，按 0~100%（质量分数）的比例区间，以0.5% 为梯度将其掺入纯木薯淀粉中，共制备 201 份样本；随后将样本划分为校正集（140 份）与预测集（61 份）。
研究引入化学计量学方法，通过偏最小二乘回归算法（PLSR）构建掺杂物含量预测校正模型。模型验证结果显示，其预测精度优异：预测相关系数（R）高达0.996，预测均方根误差（RMSEP）仅为2.47%。基于该模型，研究进一步生成纯木薯淀粉、掺假木薯淀粉及纯掺杂物的预测成像图，图像可根据掺杂物含量呈现出差异化的颜色特征。
综上，近红外高光谱反射成像技术结合预测模型与可视化成像，有望成为一种快速检测木薯淀粉中掺杂物含量的有效手段。

本研究以 pH 值、加热温度和水分活度（aw​）为自变量，分别采用逻辑回归算法与神经网络算法，构建了简单芽孢杆菌（Bacillus simplex）的生长 / 非生长边界模型。
该模型的建立基于胰蛋白胨大豆肉汤（TSB）培养基中的菌株生长响应数据，培养基中初始菌浓度约为 10 CFU/mL。实验共设置 192 组条件：pH 值设 4 个水平（7.0、6.6、6.2、5.8），加热温度设 4 个水平（70、80、85、90 ℃，均保温 10 min），贮藏时间设 4 个水平（1、2、3、4 周），水分活度设 3 个水平（0.97、0.98、0.99）。为明确菌株生长概率，每组实验均重复 60 次，最终获得 11520 组数据。
研究人员采用胰蛋白胨大豆肉汤培养基和富含营养的加工食品基质代表 —— 卡邦尼酱的独立实验数据集，对所构建的两种模型进行验证。结果显示，两种模型均能准确表征简单芽孢杆菌的生长 / 非生长边界。在实验条件下，pH 值、加热温度、水分活度和贮藏时间这四个参数均对生长 / 非生长边界产生显著影响，其中加热温度与贮藏时间的影响程度高于 pH 值和水分活度。
在胰蛋白胨大豆肉汤培养基的独立验证实验中，逻辑回归模型与神经网络模型的正确分类率（FC）分别为 92.2% 和 89.8%。此前研究中普遍采用的三次重复实验方案，用于构建生长 / 非生长边界模型时可能导致生长状态误判；基于此类不准确数据集所建立的模型，其预测结果同样存在偏差，例如反映模型准确度的受试者工作特征曲线下面积（AUC）指标数值会偏低。
通过分析实验重复次数与 AUC 值的相关性，本研究确定：构建具有统计学明确意义的生长 / 非生长边界模型时，逻辑回归模型所需的最小实验重复次数应≥10 次，神经网络模型则应≥12 次。研究结果明确阐明了构建此类概率性生长 / 非生长边界模型所需的最低实验重复要求。

霉菌毒素对食品及其制品的安全性构成重大威胁。开发一种快速、可靠且低成本的检测方法，用于分析法规重点管控的霉菌毒素，具有重要的实用价值与时间效益。本研究旨在评估电子鼻技术在快速识别玉米样本中霉菌毒素污染水平是否超标方面的应用潜力。
2014—2018 年，研究人员从意大利北部某商业化农田共采集 316 份玉米样本，分别采用传统检测方法（高效液相色谱 - 质谱联用技术，HPLC-MS）和配备 10 个金属氧化物传感器阵列的便携式电子鼻（德国施韦林市艾森斯分析仪器有限公司，AIR PEN 3 型），对样本中黄曲霉毒素 B₁（AFB₁）和伏马毒素（FBs）的污染状况进行分析。
研究人员采用人工神经网络（ANN）、逻辑回归（LR）和判别分析（DA）三种算法，探究电子鼻能否有效区分黄曲霉毒素 B₁或伏马毒素污染水平超标与未超标的玉米样本。结果显示，三种算法均表现出较高的鉴别准确率（≥70%）；其中人工神经网络算法的性能最优，对黄曲霉毒素 B₁和伏马毒素的鉴别准确率分别达到 78% 和 77%。
本研究首次整合五年期样本数据，并采用三种不同统计学方法验证电子鼻的检测性能。研究结果表明，结合人工神经网络算法的电子鼻技术，可作为快速、可靠检测玉米中黄曲霉毒素 B₁与伏马毒素的实用工具。