类目筛选（计算机学者）
清除筛选
-
模型类型
-
机器学习/统计学习
-
偏最小二乘法
-
支持向量机
-
随机森林
-
K-近邻
-
梯度提升决策树
-
主成分分析/判别分析
-
逻辑回归/贝叶斯
-
智能手机/其他
-
-
深度学习
-
卷积神经网络
-
循环神经网络
-
目标检测网络
-
图像分割网络
-
生成对抗网络
-
图神经网络
-
序列到序列/编码-解码
-
其他深度学习结构
-
-
大模型与 LLM
-
大语言模型
-
视觉基础模型
-
多模态基础模型
-
知识图谱与 LLM 集成
-
垂直领域微调/指令调优
-
检索增强生成
-
-
模型设计/优化策略
-
迁移学习/领域自适应
-
小样本学习
-
模型可解释性
-
模型轻量化/边缘计算
-
特征工程与选择策略
-
超参优化/自动机器学习
-
强化学习
-
-
-
模型任务
-
分类/鉴别/等级评定
-
定量预测/回归分析
-
缺陷/异物检测与定位
-
过程控制与实时优化
-
知识抽取与语义理解
-
设计/生成与推荐
-
模拟与数字孪生
-
-
模型数据
-
来源
-
可见光/RGB/视频数据
-
高光谱/多光谱光谱
-
红外/拉曼光谱数据
-
时序传感器/物联网数据
-
组学数据
-
质构/流变/感官数据
-
文本/知识库/法规数据
-
多模态/融合数据
-
-
量级
-
小规模数据集
-
中等规模数据集
-
大规模数据集
-
超大规模/工业级数据集
-
公开数据集
-
合成/仿真数据为主
-
-
深度筛选（食品学者）
清除筛选
-
研究对象/基质维度
-
谷物/块根/豆与坚果类
-
小麦
-
玉米
-
大米
-
杂粮
-
马铃薯
-
其他根茎类
-
其他谷物与块根
-
豆类与坚果（及籽类）
-
-
肉类/蛋类与水产品
-
畜肉
-
禽肉
-
鱼肉
-
甲壳类
-
软体与贝类
-
内脏及副产物
-
其他肉与水产品
-
蛋类及其制品
-
-
乳及乳制品
-
液态乳
-
发酵乳/酸奶
-
奶酪
-
乳粉
-
乳清及乳清制品
-
其他乳制品
-
-
水果/蔬菜与菌菇类/植物类
-
新鲜水果
-
新鲜蔬菜
-
果蔬汁/浓缩汁
-
果蔬干/果脯/蔬菜干
-
其他果蔬制品/植物类
-
食用菌菇
-
食用花卉
-
-
油脂及油脂制品
-
植物油
-
动物油脂
-
起酥油/人造脂肪
-
油炸食品
-
其他油脂制品
-
-
饮料
-
果蔬饮料
-
茶/茶饮料
-
咖啡饮料
-
乳饮料
-
功能/运动饮料
-
碳酸饮料
-
酒精饮料
-
其他饮料
-
-
糖、焙烤与糖果制品
-
面包
-
蛋糕/糕点
-
饼干/薄脆制品
-
糖果
-
巧克力及含可可制品
-
其他焙烤与糖果制品
-
蜂蜜等天然糖
-
-
发酵食品及酱腌制品
-
大豆发酵制品
-
蔬菜发酵制品
-
发酵豆制品
-
谷物发酵食品
-
肉类发酵制品
-
水产发酵制品
-
其他酱腌/发酵食品
-
-
复合/即食/餐饮食品
-
方便面及速食米面
-
预制菜/即食菜肴
-
冷冻方便食品
-
罐头菜肴
-
餐饮菜品与团餐
-
其他复合食品
-
-
新资源食材
-
昆虫蛋白
-
微藻及藻类产品
-
单细胞蛋白
-
细胞培养肉
-
其他新资源食材
-
-
食品添加剂与配料
-
碳水化合物配料
-
脂肪/油脂配料
-
蛋白质配料
-
乳化剂/稳定剂/增稠剂
-
甜味剂
-
香精香料
-
酸度调节剂/防腐剂/抗氧化剂
-
营养强化剂
-
其他添加剂与配料
-
-
新材料/包装与接触材料
-
塑料材料
-
纸及纸板
-
金属材料
-
玻璃材料
-
生物基/可降解材料
-
多层复合材料
-
探针与分析传感材料
-
其他材料
-
-
食品加工设备与机械系统
-
热处理设备
-
干燥设备
-
挤压/混合/成型设备
-
分选/分级/检验设备
-
灌装/封口/包装设备与生产线
-
清洗/CIP/卫生相关设备
-
输送/搬运/机器人系统
-
其他加工设备与系统
-
-
-
研究主题/科学问题维度
-
加工与新加工技术
-
传统热加工
-
非热加工技术
-
物理辅助加工
-
3D 打印与结构构筑
-
挤压膨化与共挤技术
-
其他加工技术
-
-
保藏与贮藏
-
冷藏与冷冻保藏
-
干燥保藏
-
改良气调/控气贮藏
-
保鲜涂膜与保鲜剂
-
货架期预测与品质劣变动力学
-
其他保藏技术
-
-
品质、结构与理化性质
-
质构与流变性质
-
颜色与外观品质
-
微观结构与成像
-
氧化、褐变等化学变化
-
其他品质相关性质
-
特征风味
-
-
营养与生物功能
-
基本营养价值评价
-
抗氧化/抗炎等功能
-
血糖、血脂与代谢相关功能
-
肠道健康与微生物相关功能
-
其他生物活性与健康效应
-
-
食品安全与风险评估
-
微生物安全
-
化学污染物
-
加工污染物
-
过敏原与毒性问题
-
暴露评估与风险表征
-
其他安全问题
-
-
包装与智能监测
-
包装设计与机械性能
-
活性包装
-
智能/指示型包装
-
包装系统中的监测与标签应用
-
其他包装相关研究
-
-
可持续性与资源高值化
-
副产物与废弃物高值利用
-
能耗/水耗与环境影响分析
-
生命周期评价与碳足迹
-
循环经济与绿色供应链
-
其他可持续性主题
-
-
感官科学与消费者研究
-
感官评价与方法学
-
消费者偏好与接受度
-
市场细分与消费行为
-
标签、营养声称与信息呈现
-
其他感官与消费者研究
-
-
过程控制与数字化
-
过程监测与在线检测
-
过程优化与控制策略
-
生产管理与数字化工厂
-
其他过程控制与数字化研究
-
-
-
研究方法/证据层级维度
-
理化与结构表征
-
常规理化指标测定
-
质构与流变测试
-
显微与成像技术
-
光谱/色谱/质谱等分析方法
-
其他理化与结构表征
-
-
微生物与发酵实验
-
微生物计数与生长曲线
-
菌种筛选与特性评价
-
发酵工艺与动力学
-
生物膜与耐受性研究
-
其他微生物/发酵方法
-
-
组学与高通量技术
-
基因组学
-
转录组学
-
蛋白质组学
-
代谢组学
-
微生物组/宏基因组学
-
其他组学方法
-
风味组学
-
-
体外模型
-
体外消化模型
-
体外发酵模型
-
细胞模型
-
模拟胃肠/肠道系统
-
其他体外模型
-
-
动物实验/人体试验
-
小动物实验
-
大动物实验
-
人体干预试验
-
观察性人群研究
-
其他体内/人群研究
-
-
统计建模与仿真
-
传统统计分析与回归
-
响应面分析与多因素优化
-
动力学建模
-
数值仿真
-
其他统计建模方法
-
-
问卷/市场与消费者研究
-
问卷设计与实施
-
访谈与质性研究
-
行为实验与选择实验
-
其他消费者研究方法
-
-
标准/法规/数据库分析
-
标准与法规对比分析
-
政策评估与影响分析
-
食品成分/消费数据库分析
-
其他标准法规相关方法
-
-
其他方法
-
专利分析
-
德尔菲法与专家咨询
-
情景分析与情景模拟
-
其他难以归类的方法
-
-
-
关键营养素/成分维度
-
常量营养素（宏量）
-
蛋白质与氨基酸
-
脂质与脂肪酸
-
碳水化合物与糖类
-
-
膳食纤维与抗性淀粉
-
可溶性膳食纤维
-
不溶性膳食纤维
-
抗性淀粉
-
其他膳食纤维类成分
-
-
维生素
-
脂溶性维生素 A/D/E/K
-
维生素 C
-
维生素 B 族
-
其他维生素或前体
-
-
矿物质与微量元素
-
钙
-
铁
-
锌
-
碘/硒等微量元素
-
钠/钾/镁等常量矿物质
-
其他矿物质
-
-
植物化学/生物活性成分
-
多酚与黄酮
-
花青素与类胡萝卜素
-
酚酸类
-
含硫植物化合物
-
其他植物化学物质
-
-
益生菌/益生元/合生元
-
益生菌菌株
-
益生元
-
合生元产品
-
可发酵底物与其他肠道相关成分
-
-
功能性脂类与糖替代品
-
植物甾醇/甾烷醇
-
共轭亚油酸
-
中链脂肪酸
-
糖醇类
-
非营养性甜味剂
-
盐替代品与其他代谢敏感因子
-
-
其他特殊成分
-
咖啡因
-
茶氨酸
-
胆固醇
-
嘌呤
-
其他特殊成分
-
-
标签记录（计算机学者）
清除全部筛选
标签记录（食品学者）
共 1098 条结果
-
应用机器学习模型对乳品巴氏杀菌工艺的全面综述
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
机器学习/统计学习 过程控制与实时优化 时序传感器/物联网数据食品标签
液态乳 品质、结构与理化性质 食品安全与风险评估 传统热加工 过程监测与在线检测机器学习（ML）是一种行之有效的工具，可通过多种途径助力巴氏杀菌工艺的优化升级。本文分析了基于机器学习的巴氏杀菌解决方案的研究现状与最新进展，并着重阐明了机器学习技术可为乳制品行业巴氏杀菌环节带来的潜在效益。
机器学习技术能够对巴氏杀菌过程进行有效实时监测、预测设备潜在故障、提升工艺运行效率，同时还能对杀菌后产品的品质进行评估。上述功能不仅有助于提高巴氏杀菌产品的安全性与品质，还能在降低生产成本的同时提升运营效率。
尽管机器学习技术在落地应用过程中仍面临诸多挑战，但我们应当认识到，该技术可为巴氏杀菌工艺带来显著的潜在效益，这对乳制品行业的发展具有重要意义。随着机器学习模型的持续优化以及数据可获取性的不断提升，预计机器学习将在巴氏杀菌工艺中发挥越来越重要的作用。
本综述可为科研人员、食品与乳制品工艺研发人员及行业从业者提供详实的参考信息，助力其进一步探索机器学习在乳制品巴氏杀菌工艺中的应用新方向。 -
迈向智能食品保障体系的进展
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
机器学习/统计学习 过程控制与实时优化 多模态/融合数据食品标签
品质、结构与理化性质 食品安全与风险评估 包装与智能监测 循环经济与绿色供应链 质量管理与追溯系统 理化与结构表征研究背景
食品保障体系（FAS） 是保障食品质量安全的关键所在，该体系可定义为一种系统化管理方案，贯穿食品从初始生产到最终消费的全流程，用于保障食品的安全性、品质及真实性。
研究范围与方法
本研究提出智能食品保障体系（IFAS） 的概念，该体系能够借助智能传感器、数据处理系统及其他前沿技术，实现食品质量安全的检测与管控。本文综述了食品保障体系的研究现状，重点聚焦于食品保障的四大核心维度：食品品质、食品安全、食品真实性及食品防护。研究团队首先对食品保障领域的相关科学文献进行梳理，明确了各核心维度的定义及内在关联；随后在阐述食品保障体系基本概念与定义的基础上，全面综述了构建智能食品保障体系所需的智慧食品技术最新进展，包括精准农业系统、远程传感器及智慧食品管理系统等关键技术。
主要研究结果与结论
本文还对构建智能食品保障体系过程中面临的挑战展开批判性分析，并探讨了未来的潜在发展方向。此外，研究重点指出，智能食品保障体系有望提升食品供应链的透明度与可追溯性，减少食品损耗与浪费以助力可持续发展，同时增强消费者对食品的信任度。 -
机器学习算法作为肉类追溯系统工具的有效性：一项对西班牙地中海羔羊胴体进行分类的案例研究
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
机器学习/统计学习 支持向量机 K-近邻 分类/鉴别/等级评定 质构/流变/感官数据 超大规模/工业级数据集食品标签
畜肉 食品安全与风险评估 感官科学与消费者研究 质量管理与追溯系统 理化与结构表征 传统统计分析与回归 脂质与脂肪酸近几十年来，建立肉制品溯源体系一直是食品科学领域的研究重点。在此背景下，食品营养生物标志物鉴定技术的最新进展，以及统计学技术的不断完善，推动了食品品类识别与分类精度的提升。此外，人工智能技术的兴起更为优化现有动物源性产品鉴别方法提供了全新的突破口。
本研究以西班牙本土马略卡绵羊品种的商品肉羊为研究对象，这些肉羊来源于三种养殖模式：哺乳羔羊、放牧育肥轻量级羔羊、放牧结合谷物补饲育肥轻量级羔羊。研究基于羊肉的感官特性、风味特征及营养成分等原始检测数据，对比分析了不同机器学习算法对肉羊养殖模式的鉴别效能。
研究共评估了六种机器学习算法，分别为人工神经网络（ANN）、决策树、K 近邻算法（KNN）、朴素贝叶斯、多项逻辑回归以及支持向量机（SVM）。针对每种算法，研究人员测试了三类数据集：一是感官与风味特征数据集，涵盖 CIELAB 色泽参数、持水性、沃布剪切力、挥发性风味物质及专业品鉴评分；二是营养成分数据集，包含常规营养组成与脂肪酸谱；三是整合了前两类数据的组合数据集。所有检测数据最终整合为一个包含 144 个变量、11232 条检测记录的羊肉品质特征数据集。
实验结果显示，人工神经网络算法在三类单一数据集上均表现出优异性能：其基于感官风味数据集、营养成分数据集及组合数据集的总体分类准确率分别达到 0.88、0.83 和 0.88。支持向量机算法在基于营养成分数据集和全特征组合数据集鉴别肉羊养殖模式时，表现同样出色，分类准确率与人工神经网络算法持平。K 近邻算法的性能则在所有算法中最差，在各类数据集上的总体准确率均不超过 0.54。
本研究证实，机器学习技术是商品肉羊胴体分类的有效工具。其中，人工神经网络与支持向量机算法可作为鉴别地中海型轻量级羔羊养殖模式的技术手段，其判别依据为羊肉的感官、风味及营养特征。不过，为了完善肉羊养殖模式溯源技术，更好地保障消费者权益，同时优化算法的学习过程，未来仍需针对其他绵羊品种开展更多同类研究。 -
基于贝叶斯网络的数据驱动食品欺诈脆弱性评估：香料供应链
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
逻辑回归/贝叶斯 分类/鉴别/等级评定 文本/知识库/法规数据 公开数据集食品标签
香精香料 食品安全与风险评估 标准/法规/数据库分析鉴于调味品供应链中存在的食品掺假风险隐患，明确需要评估的产品品类与掺假类型，对于保障食品质量安全至关重要。
本研究提出了一种基于贝叶斯网络（BN）与失效模式及影响分析（FMEA）的数据驱动型食品掺假风险评估方法，用于预测输欧调味品的掺假风险等级，同时明确供应链各环节对应的掺假类型与潜在掺假物质。该贝叶斯网络模型的构建，依托于 2005—2020 年欧盟食品饲料快速预警系统（RASFF）中通报的调味品相关掺假案例数据集。研究选取了辣椒、黑胡椒和姜黄这三类产品开展实例验证。
模型验证结果显示，其预测准确率超过 95%。在调味品供应链的各项风险影响因素中，对掺假行为预测准确率最高的因素，与产品品类、干预节点及产品原产国密切相关。
本研究构建的食品掺假风险评估方法，能够为食品行业从业者及监管部门提供支持，助力其更高效地分配监督核查资源，同时最大程度提升查获掺假产品的概率。 -
基于量子点与金纳米颗粒的智能手机辅助比率型FRET适体传感器用于谷物中玉米赤霉烯酮的即时检测
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
定量预测/回归分析 可见光/RGB/视频数据食品标签
谷物/块根/豆与坚果类 食品安全与风险评估 包装与智能监测 化学污染物 光谱/色谱/质谱等分析方法本文构建了一种比率型荧光适配体传感器，用于玉米赤霉烯酮（ZEN）的检测，该传感器的作用机制基于荧光共振能量转移（FRET） 原理，以适配体修饰的碲化镉量子点（CdTe QDs）作为能量供体，金纳米颗粒（AuNPs）作为能量受体。在该体系中，碲化镉量子点的荧光会因金纳米颗粒的荧光共振能量转移作用而发生淬灭，同时以具有蓝色荧光的硅量子点（Si QDs）作为荧光参比。当体系中存在玉米赤霉烯酮时，适配体修饰的碲化镉量子点会与玉米赤霉烯酮发生特异性结合，致使能量供体与受体之间的距离增大，荧光共振能量转移过程随即被阻断，碲化镉量子点的荧光也随之恢复。实验结果显示，该适配体传感器对玉米赤霉烯酮的检测限低至 3.5 pg/mL，线性检测范围为 0.01~100 ng/mL。此外，研究人员将该传感器与智能手机相集成，搭建了一套便携式检测装置，用于玉米赤霉烯酮的即时检测（POCT），并取得了理想的检测效果。这一技术为谷物中玉米赤霉烯酮的可视化即时检测提供了极具前景的应用方向。
