我们提出了FSF-ViT，这是一种基于视觉变换器（ViT）的模型，集成了图像增强和自适应的全局-局部特征融合，用于Few-Shot Food（FSF）分类。该方法侧重于有限的食物图像训练，以降低数据收集和注释成本。该方法在测试集中实现了最高的分类准确率95.1%。与ViT模型相比，FSF-ViT在我们构建的Food-30和三个基准数据集上，平均准确率分别提升了12.8%、15.1%、4.6%和8.3%。此外，本研究可视化了分类结果，并验证了FSF-ViT的有效性。本研究为利用智能设备快速在线饮食记录提供了低成本且高效的技术支持，推动了饮食管理和健康的发展。
思考过程与原因：该研究的应用场景是利用智能设备进行在线饮食记录（Dietary recording），识别的对象通常是各类餐饮菜品（A95）；研究属于数字化管理工具的开发，归类为其他过程控制与数字化研究（B95）。在AI维度，研究提出了一种基于Vision Transformer（ViT，属于其他深度学习结构E28）的方法，并专门针对小样本（Few-Shot）场景设计了策略（E42小样本学习）。模型的主要任务是对食物图像进行分类/鉴别（F01）。使用的数据是RGB图像（G11），且验证过程中使用了三个公开基准数据集（G25）。

The uncontrolled use of antibiotics poses a significant threat to human health and ecosystems. Accurate differentiation and trace detection of fluoroquinolone antibiotics (FQs) in foods are imperative. Fluorine–doped carbon quantum dots chelated with Al3+ (FCQDs–Al3+) was prepared to design a ratiometric fluorescence sensor for the detection of ciprofloxacin (CIP) in milk. The fluorescence of the FCQDs at 360 nm was quenched by CIP and enhanced at 430 nm by CIP chelation with Al3+. The limit of detection of the sensor was 4.20 nM, and the spiked recovery rates in milk samples were 96.32 %–100.07 %. Machine learning methods confirmed quenching mechanism caused by the F单键F interaction and established identification models of six FQs. Therefore, fluoroquinolone antibiotics detection can be conducted qualitatively first and then quantitatively. The developed sensor had excellent quantitative results for the other five FQs. The method demonstrated significant potential in the identification and detection of FQs.
抗生素的无序使用对人类健康和生态系统构成重大威胁。准确区分和微量检测氟喹诺酮类抗生素（FQ）在食品中至关重要。掺氟碳量子点与Al螯合3+（FCQDs–Al3+准备设计一种用于检测牛奶中环丙沙星（CIP）的比分荧光传感器。FCQD在360 nm的荧光被CIP淬灭，并在430 nm通过CIP与Al螯合增强3+.传感器的检测极限为4.20 nM，牛奶样本的峰值回收率为96.32%至100.07%。机器学习方法确认了由单键F-F相互作用引起的淬火机制，并建立了六个FQ的识别模型。因此，氟喹诺酮类抗生素的检测可以先进行定性检测，然后再定量检测。开发的传感器在其他五个FQ中取得了优异的定量结果。该方法在识别和检测FQ方面展现出显著潜力。
思考过程与原因： 该研究的应用场景是检测牛奶（A31）中的氟喹诺酮类抗生素（Fluoroquinolones），抗生素残留属于食品安全中的化学污染物（B52），其成分归类为其他特殊成分（D85）。主要检测方法是基于碳量子点的比率荧光传感器（属于光谱分析C14）。在AI与数字化方面，研究使用了机器学习方法（E01）来探究机理并建立模型，任务包括对六种抗生素的识别/鉴别（F01）以及对环丙沙星的定量检测（F02）。所使用的数据是荧光光谱数据（归类为G13光谱数据）。

颜色是糖的主要质量参数之一，在决定其商业价值中起着关键作用。本研究结合近红外（NIR）光谱和化学计量工具，评估糖色并分类为精细或未精化。基于偏最小二乘回归（PLS）和多重线性回归（MLR）的校准模型，采用了连续投影算法（SPA）、遗传算法（GA）和区间SPA（iSPA）等变量选择算法开发。使用两种不同的设备获得89个样品的光谱，一台台式，一台便携式。便携设备实现了最佳的预测性能。基于PLS-DA和LDA的分类模型，结合SPA和iSPA，实现了高达98.9%的准确率和RMSEP（5.087）。这种方法以速度快、成本低和样本保存性著称，尤其是在使用便携设备时。
思考过程与原因：思考过程与原因： 该研究的对象是精炼糖（Refined sugar），在标签体系中归类为甜味剂（A115）（注：虽属于A07糖类制品大类，但作为原料/成分A115更为精准，或者归入A76其他）；研究关注的科学问题是糖的颜色指数（商业价值/质量参数），属于品质与理化性质（B03）。主要检测手段是近红外光谱技术（NIR，C14），核心成分为碳水化合物（D13）。在AI与数字化方面，研究使用了近红外光谱数据（G13），样本量为89个，属于小规模数据集（G21）。算法模型方面，使用了偏最小二乘回归/判别分析（PLS/PLS-DA，E11）、线性判别分析（LDA，E16）以及遗传算法/连续投影算法（GA/SPA）进行特征选择（E45）。模型任务同时包含对颜色指数的定量预测（F02）和对精炼/非精炼糖的分类/鉴别（F01）。

水稻品种的评估是一个复杂且耗时的过程，需要先进的设备。本研究旨在通过分析生化、理化和烹饪特性，区分6个类型的22种商业水稻品种。近红外（NIR）光谱结合机器学习，将分子性质与质量性状联系起来，提供了高通量解决方案。偏最小二乘模型准确预测了诸如白度（R）等参数2= 0.94），宽度（R2= 0.94），韧性（R2= 0.96），以及弹簧度（R2= 0.98），突出关键波长区域。主成分分析（PCA）显示出明显的聚类模式，而偏最小二乘判别分析（PLS-DA）在外部预测中实现了17%的错误率。A6032/4457厘米的光谱标记−1，A7004/5241厘米−1以及A7004/4749厘米−1反映了不同品种间的生物分子差异。这一创新方法能够精确量化、分类和区分水稻品种，提升质量控制，提升消费者满意度，并高效优化育种选择流程。
思考过程与原因：该研究的对象是大米（A13），研究目标包括评估其生化、理化及烹饪特性（B03，品质与理化性质），并区分商业大米品种，这属于质量管理与鉴别（B94）。主要使用的分析手段是近红外光谱技术（NIR，C14）。在AI与数字化方面，研究使用了近红外光谱数据（G13）。算法模型方面，使用了偏最小二乘法（PLS，E11）及其判别分析版本（PLS-DA），以及主成分分析（PCA，E16）。模型任务包含两部分：一是利用PLS模型对白度、韧性等质量指标进行定量预测（F02），二是利用PLS-DA对水稻品种进行分类/鉴别（F01）。

基于2,3-二氨基苯二烯（DAN）和金纳米簇（AuNCs）纸条，开发了一种智能手机辅助的亚硝酸盐荧光和比色检测方法。DAN与NO反应2−通过酸性条件下的偶联反应生成萘曲唑（NAT），在435纳米处发出强烈蓝色荧光。AuNCs在650纳米处的红色荧光被亚硝酸盐还原所抑制。荧光强度比值（I435/我650）与NO表现出良好的线性关系。2−浓度（0.01–9.0 μg/mL），LOD和LOQ分别为2.3 μg/L和8.7 μg/L。荧光探测模式成功应用于水样和食品样品中的亚硝酸盐测定，回收率范围为80.0%至103.0%。此外，设计了一个集成智能手机的纸条平台，用于现场比色分析。值得注意的是，该纸条的荧光颜色在紫外线下动态从红色转变为蓝色，从而实现了视觉半定量。
思考过程与原因：该研究的目标是检测水和食品样品中的亚硝酸盐（Nitrite）。亚硝酸盐通常作为食品添加剂使用，但过量或不当存在被视为化学污染物（B52），且属于其他特殊成分（D85）。由于文中仅提及“Food samples”而未明确具体食品基质（如肉类或蔬菜），故未标注具体A类标签。主要分析方法是基于金纳米簇的荧光和比色检测（C14，光谱分析）。在AI与数字化应用方面，研究开发了集成智能手机的平台，采集试纸条的颜色/荧光图像数据（G11），利用荧光强度比值与浓度的线性关系（属于基础的统计学习/回归分析E01）进行亚硝酸盐的定量/半定量分析（F02）。