抗氧化活性是评价茶叶制品品质与功效的一项重要特性。为建立一种智能监测储藏绿茶制品抗氧化活性变化的电化学分析方法，本研究采用循环伏安法，对储藏时长为 0、3、6、9 及 12 个月的 15 种绿茶制品进行电化学响应信息检测，并提取出 10 项电化学特征参数。结合偏最小二乘判别分析与系统聚类分析，筛选出变量投影重要性值大于 1 的 5 项参数（峰电位差 ΔEp、阳极峰电流 ipa、阳极峰电量 Qpa、阴极峰电位 Epc、阳极峰电位 Epa）作为特征变量。在此基础上，构建人工神经网络（ANN）预测模型，用于预测储藏绿茶抗氧化活性表征指标（DPPH 自由基清除率、ABTS 阳离子自由基清除率、铁离子还原能力 FRAP、总还原能力 TRC）的变化情况。
值得关注的是，所构建的人工神经网络模型能够基于电化学参数，以可解释的方式实现对茶叶制品抗氧化活性的预测。预测值与实测值的平均绝对百分比误差均控制在 2% 以内，表明该预测模型兼具可靠性与准确性。电化学特征参数与人工神经网络模型的结合，通过自学习训练实现了数据的有效压缩与分析时长的缩短，为茶叶制品的智能化调控提供了技术支撑。本研究所建立的方法高效、精准且环境友好，在学术研究与工业生产领域均具有良好的应用前景。

本研究旨在评估可见 / 近红外（VIS/NIR）及近红外（NIR）光谱仪对饲喂不同添加量家蚕（Bombyx mori L.）蛹粉（SWM）的鹌鹑鲜蛋的鉴别能力。试验设置 4 个实验组，产蛋鹌鹑饲喂含 0%、4%、8% 和 12% 家蚕蛹粉的日粮，试验周期为 8 周。试验第 7 周采集 120 枚鹌鹑蛋（每组 30 枚）作为训练集，用于构建基于光谱技术的分类模型；试验结束时采集第二批鹌鹑蛋（48 枚）作为独立测试集，以验证分类模型的可靠性。
研究采用一台台式光谱仪与两台便携式光谱仪采集训练集样品的可见 - 近红外及近红外光谱数据，随后通过随机森林（RF）算法进行特征波长筛选。筛选得到的近红外特征波长被用于构建以下监督分类模型：偏最小二乘判别分析（PLS-DA）、K 近邻算法（KNN），以及线性核函数和径向基核函数支持向量机（SVM）。基于筛选出的特征波长构建的随机森林预测模型被用于独立测试集验证，并通过混淆矩阵评估模型可靠性。
结果显示，受试可见 / 近红外及近红外光谱仪对鹌鹑蛋饲喂组别的预测能力中等，这可能与各组间家蚕蛹粉添加量差异相对较小有关。将添加量为 4%~12% 的家蚕蛹粉实验组合并后，台式近红外光谱仪与便携式近红外光谱仪结合先进机器学习模型，均成功实现了对日粮中添加昆虫源蛋白的鹌鹑蛋的识别，模型准确率均高于 0.90。相比之下，便携式可见 - 近红外光谱仪的预测性能较差，准确率低于 0.73。
具有显著鉴别价值的近红外特征波长集中在 1350~1600 nm 和 1850~2200 nm 光谱区间。从模型准确率来看，K 近邻算法（KNN）和支持向量机（SVM）模型的性能优于偏最小二乘判别分析（PLS-DA）模型。研究结果表明，便携式近红外光谱仪与台式近红外光谱仪的分类准确率相当，凸显了便携式近红外光谱仪在饲喂家蚕蛹粉的产蛋鹌鹑蛋在线监测中的应用潜力。

大西洋鲑鱼市场掺假现象频发，且此类掺假难以甚至无法通过目视检测识别。本研究旨在探究两套高光谱成像（HSI）系统在快速精准检测大西洋鲑鱼糜掺假行为中的应用潜力，其中一套系统覆盖可见 - 近红外波段（VNIR，397~1003 nm），另一套覆盖短波近红外波段（SWIR，935~1720 nm）。
研究人员人工制备了涵盖 11 个掺假水平的样品（掺假比例按质量分数计为 0~100%，梯度间隔为 10%）。实验采用 4 种光谱预处理方法与 5 种特征波长筛选算法，结合卷积神经网络（CNN）构建定量模型，以实现对鲑鱼糜掺假水平的预测。通过对比两套高光谱成像系统的预测性能，筛选出最优光谱检测波段。
分析结果显示，基于可见 - 近红外波段（VNIR）数据构建的模型，预测效果始终优于短波近红外波段（SWIR）模型。其中，标准正态变量变换 - 卷积神经网络组合模型（SNV-CNN）在 VNIR 波段的预测性能最优，模型平均预测决定系数（Rp2​）达 0.9885，预测均方根误差（RMSEP）为 3.3526，残差预测值（RPD）为 9.6882；而短波近红外波段（SWIR）表现最佳的模型为标准正态变量变换 - 变量组合集群分析 - 迭代保留信息变量法 - 卷积神经网络组合模型（SNV-VCPA-IRIV-CNN），其平均Rp2​为 0.9839、RMSEP 为 3.9926、RPD 为 8.0251。
此外，研究利用最优模型成功实现了掺假成分在样品中分布特征的可视化表征。综上，本研究证实，高光谱成像技术结合卷积神经网络是实现大西洋鲑鱼糜掺假快速、无损、精准检测的有效方案；相较于短波近红外高光谱成像系统（SWIR-HSI），可见 - 近红外高光谱成像系统（VNIR-HSI）兼具成本低廉与预测性能更优的优势，是更为合理的检测波段选择。

藏红花是食品工业中颇负盛名的香辛料产品，受经济利益驱使，其掺假现象时有发生。近年来，机器视觉系统作为一种新型、无损且低成本的检测手段，已被广泛应用于食品与农产品的品质管控领域。
本研究搭建一套基于深度学习的机器视觉系统，用于藏红花的品质分级与掺假鉴别。研究构建了包含 1869 张图像的数据集，并将其划分为 6 个类别，具体包括：烘干处理的藏红花柱头、压榨处理的藏红花柱头、纯藏红花花柱、向日葵花丝、染色藏红花花柱以及染色玉米须。针对智能手机拍摄的藏红花图像，研究团队开发出一种融合数据增广学习策略的 Inception-v4 卷积神经网络（LAII-v4 CNN），以实现藏红花的分级与掺假检测。
为解决模型过拟合问题，研究人员向图像中添加高斯噪声、斑点噪声与脉冲噪声，并通过所提 LAII-v4 CNN 筛选出最优数据增广策略。同时，将该模型与常规卷积神经网络方法及传统分类器展开性能对比；传统分类器的建模流程为：先通过方向梯度直方图（HOG）与局部二值模式（LBP）提取图像特征，再经主成分分析（PCA）筛选特征，最后结合袋装决策树集成、提升决策树集成、k 近邻算法、随机欠采样提升树及支持向量机完成分类。
实验结果表明，引入批量归一化、随机失活（Dropout）与带泄露修正线性单元（Leaky ReLU）机制的LAII-v4 CNN 模型性能最优，分类准确率高达 99.5%。

传统果实新鲜度预测建模高度依赖水分散失率、pH 值、维生素 C 含量等理化指标，存在检测耗时费力、具有破坏性且预测精度偏低等现实难题。针对这一问题，本研究提出一种基于多传感技术与机器学习算法的果实新鲜度预测新方法，旨在提升果实新鲜度预测的自动化、智能化水平与检测精度。
研究首先依据危害分析与关键控制点（HACCP）方法，解析蓝莓冷链物流的关键控制点，明确氧气（O2​）、二氧化碳（CO2​）、乙烯（C2​H4​）三类核心气体参数，以及气体指标与蓝莓新鲜度之间的作用机制。在此基础上，研发蓝莓冷链微环境监测平台（BCCMMP），实现 0℃、5℃、22℃三种温度条件下核心气体含量的实时监测。
实验证实，气体信息可替代品质指标实现对蓝莓新鲜度的表征。研究进一步利用核心气体信息，构建反向传播神经网络（BP）、径向基函数神经网络（RBF）、支持向量机（SVM）、极限学习机（ELM）四种前沿机器学习预测模型。结果显示，各模型预测准确率分别为 90.87%（BP）、92.24%（RBF）、94.01%（SVM）、91.31%（ELM）；而基于温度与品质参数的传统阿伦尼乌斯方程法，预测准确率仅为 85.10%。
本研究通过传感数据的自动化无损采集结合前沿机器学习算法，为提升果实冷链物流过程中的新鲜度预测精度与食品质量管理水平提供了全新技术路径。