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
-
基于机器学习与光谱特征采集优化的蔷薇科水果品质特性预测研究
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
随机森林 梯度提升决策树 定量预测/回归分析 高光谱/多光谱光谱食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 碳水化合物与糖类机器学习算法已被广泛应用于食品与农产品各类品质指标的估算和预测研究中。本研究旨在探究基于机器学习算法的李亚科果实品质预测模型的适用性与准确性。研究选取极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）、类别型特征梯度提升（CatBoost）以及随机森林（RF） 四种机器学习算法，分别构建针对桃、杏、樱桃这三种李亚科果实的可溶性固形物含量（SSC）与可滴定酸含量（TA）的预测模型。同时，研究考察了三种高光谱数据去噪方法，并采用两种特征提取技术实现高光谱数据的降维处理；通过融合多种光谱数据，模型的预测精度得到了进一步提升。实验结果表明，以互补光谱数据作为输入时，多层感知机 - 平滑滤波 - 极端梯度提升（MLP-SG-XGBoost）模型在桃和杏的可溶性固形物含量预测任务中表现最优，决定系数（R 2）分别达到 0.9162 与 0.9251；而逻辑回归 - 平滑滤波 - 轻量级梯度提升机（LGR-SG-LightGBM）模型则在桃和杏的可滴定酸含量预测中准确率最高，决定系数（R 2）分别为 0.9193 与 0.9206。上述研究结果表明，所构建的模型能够对李亚科果实的品质指标实现精准预测。
-
利用红外、拉曼及荧光光谱数据多变量计量学模型预测牛奶成分：研究综述
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 定量预测/回归分析 红外/拉曼光谱数据 多模态/融合数据食品标签
液态乳 品质、结构与理化性质 营养与生物功能 光谱/色谱/质谱等分析方法 传统统计分析与回归 维生素 蛋白质与氨基酸 脂质与脂肪酸 碳水化合物与糖类牛奶是人类获取多种营养的综合性来源，同时也是生产其他乳制品的重要原料，因此乳制品行业需对其品质进行严格检测。相较于传统的湿法化学分析方法，快速、经济且无损的光谱分析技术在牛奶检测中更具应用优势。本研究的目的是，综述基于近红外光谱（NIR）、中红外光谱（MIR）、荧光光谱及拉曼光谱数据的多元化学计量学建模，以及数据融合技术，在牛奶成分预测方面的应用情况，涉及的成分既包括脂肪、蛋白质、乳糖等常量营养素，也涵盖脂肪酸、维生素等微量营养素。该综述梳理了描述牛奶样品光谱分析及多元数据分析方法应用的相关文献资料；此外，还评述了整合多种光谱技术时所采用的数据融合策略的重要性，以此评估这类策略对于提升预测模型准确率的应用潜力。近期相关研究表明，采用数据融合策略有助于改善牛奶成分预测模型的性能。
-
葡萄运输过程中包装性能评估与保鲜智能预测建模研究
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
支持向量机 机器学习/统计学习 超参优化/自动机器学习 分类/鉴别/等级评定 时序传感器/物联网数据食品标签
新鲜水果 包装与智能监测 数值仿真运输过程中产生的振动不可避免地会造成葡萄的机械损伤，进而损害其新鲜度，直接影响经济价值。尽管采用适宜的包装是一种切实可行的解决手段，但目前针对包装防护效果的相关研究仍不够深入。此外，传统的果实新鲜度预测方法，无法适配不同包装方式下葡萄存在的新鲜度差异问题。为此，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。该方法通过对包装性能开展合理评估，有效提升了果实新鲜度预测的自动化、智能化与精准化水平。研究首先运用危害分析与关键控制点法（HACCP），对葡萄供应链物流环节的关键控制点进行分析，明确了振动、温度、湿度这三项核心环境参数，以及它们与葡萄新鲜度之间的关联作用。随后，研究搭建了一套葡萄供应链环境监测平台，以此实现对瓦楞纸箱、泡沫箱、塑料箱及充气包装这四种不同包装形式下的环境监测。结合环境监测结果与理化指标，并辅以有限元分析，研究人员对各类运输包装的防护效果展开了细致的分析与评价。值得注意的是，环境数据可替代品质数据实现对葡萄新鲜度的表征，其中振动相关指标与品质指标的关联性尤为显著。基于环境监测数据，研究构建了机器学习预测模型用于葡萄新鲜度预测，支持向量机（SVM）模型的预测准确率达 92.512%，遗传算法优化人工神经网络（GA-ANN）模型的预测准确率更是达到 94.334%。
这种自动化、无损化的数据采集方式，以及创新的机器学习方法，为葡萄物流环节的包装性能评价、新鲜度预测与食品品质管控，开辟了全新的技术路径。 -
基于中红外光谱与化学计量学的奇亚籽油掺假检测及α-亚麻酸含量预测研究
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 脂质与脂肪酸奇亚籽油因富含多不饱和脂肪酸（尤其是 α- 亚麻酸）而具有很高的商业价值，同时也成为掺假的高发目标。传统的油脂掺假检测多采用气相色谱法，但该方法存在耗时等缺点。开发红外光谱等快速分析方法，对于打击油脂掺假行为具有重要意义。本研究旨在采用中红外光谱技术（FTIR） 结合化学计量学方法，实现奇亚籽油掺假检测。研究人员先通过冷榨工艺提取奇亚籽油，再向其中分别掺入葵花籽油、玉米油与大豆油制备掺假样品；随后利用傅里叶变换红外分光光度计，搭配水平衰减全反射附件（HATR）采集样品的衰减全反射中红外光谱（FTIR-ATR）。
研究构建并优化了偏最小二乘回归模型（PLS），用于预测奇亚籽油的掺假含量以及脂肪酸（包括 α- 亚麻酸）含量。其中，脂肪酸含量的测定以气相色谱法作为参比方法，掺假含量则为已知设定值。结果显示，奇亚籽油掺假含量预测模型的性能优异，预测集决定系数（r 2）达 0.9868，检测限低至 1.47%，定量限为 4.40%；脂肪酸含量预测模型同样表现出良好的预测能力，模型参数满足r2>0.90、均方根误差（RMSE）<21 mg/g、相对标准偏差（RSD）<6.5%、检测限（LOD）<12 mg/g、定量限（LOQ）<36 mg/g 的要求。研究结论表明，将衰减全反射中红外光谱技术与偏最小二乘回归模型相结合，即便面对不同种类的掺假油脂，也能实现奇亚籽油掺假程度的定量检测。该方法检测速度快、成本低，可作为植物油掺假监控的重要替代方案。 -
利用短波红外高光谱成像技术测定牛肉末和羊肉末中的猪肉掺假
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 高光谱/多光谱光谱食品标签
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 传统统计分析与回归肉类掺假不仅会引发宗教层面的争议，还会带来经济、品质与安全等多方面的问题。因此，保障标称的主料肉中未掺入其他非必要肉类，具有重要的现实意义。本研究采用工作波段为 895–2504 nm 的短波红外高光谱成像技术（SWIR HSI），旨在检测牛肉糜与羊肉糜样品中的猪肉掺假比例。实验中，研究人员向牛肉糜、羊肉糜样品中分别掺入质量占比为 2%–50% 的猪肉糜，随后利用无监督学习算法 ——主成分分析法（PCA） 对光谱数据进行分析与可视化处理，以此判别不同样品光谱特征的相似性。
研究人员进一步基于光谱数据构建了偏最小二乘回归模型（PLSR），用于预测牛肉糜与羊肉糜中的猪肉掺假比例。结合多种光谱预处理方法后，猪肉 - 牛肉混合样品模型的决定系数（R2）达到 0.97，均方根误差（RMSE）处于 2.47–2.55 区间；猪肉 - 羊肉混合样品模型的决定系数（R2）为 0.84–0.91，均方根误差（RMSE）为 5.07–6.10。之后，研究人员将所构建的偏最小二乘回归模型应用于图像的每个像素点，生成化学成像图，直观呈现猪肉在牛肉糜与羊肉糜中的分布情况。本研究证实，短波红外高光谱成像技术具备应用于肉类加工行业分选设备的潜力，可有效实现肉类掺假检测。
