中国农业科学院油料作物研究所李培武院士团队在Food Research International发表题目为“Progress in machine learning-supported electronic nose and hyperspectral imaging technologies for food safety assessment: A review”综述论文（机器学习支持的电子鼻和高光谱成像技术在食品安全评估中的进展：综述）。 摘要： 食品污染和掺假等威胁日益加剧，人们对食品安全的担忧也随之而来，这促使人们采用电子鼻 (e-nose) 和高光谱成像 (HSI) 等先进技术，而机器学习创新也不断增强这些技术的性能。本文旨在结合电子鼻、HSI 技术和机器学习算法的洞见，对食品安全进行全面的综述。首先，本文简要讨论了电子鼻、高灵敏度检测 (HSI) 和机器学习的基本原理，并重点介绍了人工神经网络 (ANN) 和深度学习 (DL)。随后，本文探讨了机器学习如何增强电子鼻和 HSI 的性能，并探讨了它们在食品危害检测（包括药物残留、微生物污染物、农药残留、毒素和掺假物）方面的最新应用。随后，本文重点介绍了机器学习、电子鼻和HSI技术在应用中遇到的关键限制，以及这些技术未来发展的潜在前景。电子鼻和HSI技术已展现出通过机器学习辅助在食品安全评估方面的巨大潜力。尽管如此，它们的应用主要局限于实验室环境，限制了其在实际中的应用。此外，缺乏标准化方案阻碍了它们在食品安全评估中的应用和测试的可重复性。因此，进一步的研究对于解决这些局限性并提高电子鼻和HSI技术在实际应用中的有效性至关重要。最终，本文对这两项技术进行了详细的阐述，强调了机器学习的关键作用，并对其在食品安全评估中的创新应用进行了深入分析。 2.电子鼻 Fig. 1. Schematic diagram an e-nose system 3. 高光谱成像 Fig. 2. Overview of HSI. 4.机器学习 Fig. 3. Classification of machine learning techniques: supervised and supervised learnings. Fig. 4. Schematic diagram of (a) ANN with a single (output) layer and no hidden layers b) ANN with two hidden layers. c) CNN with convolutional, pooling and fully connected layers. 原文链接： https://doi.org/10.1016/j.foodres.2025.116285
