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
-
基于高光谱成像数据融合策略与改进深度学习方法的鲑鱼产地溯源
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 循环神经网络 其他深度学习结构 超参优化/自动机器学习 分类/鉴别/等级评定 高光谱/多光谱光谱 多模态/融合数据 中等规模数据集食品标签
鱼肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸三文鱼因经济价值高昂，成为食品欺诈的高发对象，因此精准判定其产地，对于贸易开展、消费者权益保障及食品安全监管都至关重要。本研究旨在挖掘三文鱼高光谱成像（HSI）数据中的光谱与纹理特征，并探究深度学习方法及信息融合策略在三文鱼产地溯源中的应用潜力。研究一方面构建了基于改进蜣螂优化算法优化的双向门控循环单元（BiGRU）深度学习模型（CNN-BiGRU），以实现对高维数据的精准处理，完成三文鱼产地判别；另一方面通过堆叠随机森林、轻量级梯度提升机、梯度提升决策树这三个基模型，搭建了集成学习模型，并对集成学习模型与各基模型的预测性能开展了综合评估。结果表明，集成学习模型的分类性能持续优于各基模型；但相较于传统机器学习方法，深度学习模型在处理高维数据时表现出更优性能，尤其在处理融合数据时具备较强的稳健性。值得注意的是，MSADBO–CNN–BiGRU 模型在所有算法中脱颖而出，与未优化的 CNN 模型相比，其测试集准确率提升了 0.8%—7%，最优模型的测试集准确率高达 99.5%。综上，本研究证实，将深度学习与信息融合策略相结合，可实现对三文鱼产地的快速精准识别，为今后农产品溯源研究提供了方法参考与理论借鉴。
-
基于高光谱成像与多质量指标的杏鲍菇采后贮藏期质量分级方法
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 K-近邻 主成分分析/判别分析 其他深度学习结构 分类/鉴别/等级评定 高光谱/多光谱光谱 中等规模数据集食品标签
新鲜蔬菜 其他品质相关性质 光谱/色谱/质谱等分析方法 传统统计分析与回归杏鲍菇在贮藏过程中易发生腐败变质，其商品价值也因此受到显著影响。本研究针对杏鲍菇品质分级标准不统一、检测准确率偏低的问题，提出一种适用于杏鲍菇采后低温（4℃）贮藏期的品质分级方法。该方法基于高光谱成像技术，结合聚类算法与综合评价法，可实现杏鲍菇的快速品质分级。研究人员选取 11 项理化指标，借助 K 均值聚类算法与主成分分析法，将杏鲍菇样本划分为优质、中等、劣质三个等级，并将此聚类结果作为标签，构建品质分类模型。同时，研究对比了卷积自编码器与竞争性自适应重加权采样两种方法的特征提取能力，以及支持向量机、线性判别分析、偏最小二乘判别分析三种算法的建模效果，还利用外部数据验证了各模型的实用性。结果表明，卷积自编码器 - 支持向量机模型在杏鲍菇品质分类任务中表现最优，其分类准确率达 91.58%、F1 分数为 91.36%、精确率为 89.65%、召回率为 90.60%。综上，本研究证实了采用聚类算法开展杏鲍菇品质分级的合理性，并凸显出卷积自编码器在提升模型预测精度与泛化能力方面的显著作用。
-
基于机器学习和低场核磁共振光谱数据的本地品种猪肉脂肪酸定量与分类研究
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 随机森林 K-近邻 逻辑回归/贝叶斯 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 中等规模数据集食品标签
畜肉 其他品质相关性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 脂质与脂肪酸以可持续性和卓越肉质著称的地方传统猪种，正日益受到消费者的青睐。此类猪肉的脂类成分构成，是其具备健康效益与优良感官特性的核心因素。因此，精准分析肌内脂肪的特性，对于维持品质标准、打击欺诈行为至关重要。本研究采用台式核磁共振波谱技术，对两个具有代表性的西班牙本土猪种不同部位肉品的脂类图谱进行解析。通过应用化学计量学与机器学习模型，研究实现了基于猪肉部位来源与品种来源的样本分类。此外，本研究率先将台式核磁共振技术与机器学习模型相结合并用于定量分析，成功实现了肌内脂肪中多不饱和脂肪酸、单不饱和脂肪酸及饱和脂肪酸的精准定量。这一创新方法有望提升传统猪肉制品的可追溯性与真伪鉴别水平，增强消费者信心，并推动可持续畜牧业的发展。
-
基于拉曼光谱与可解释性支持向量机的 Omega-3 鱼油补充剂鉴别方法
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 模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集食品标签
动物油脂 光谱/色谱/质谱等分析方法 传统统计分析与回归 脂质与脂肪酸近年来，利用机器学习算法开发自动化分析方法和智能传感器的相关研究显著增多。尽管这类算法通常能展现出优异性能，但其可解释性较差仍是主要局限性之一。本研究提出一种高效的认证方法，用于鉴别获得认证的 Omega-3 鱼油膳食补充剂，该方法基于振动光谱技术（拉曼光谱法）与具有化学可解释性的机器学习算法（区间支持向量机，iSVM）。研究以无损方式采集了 248 份认证 Omega-3 鱼油样品和 520 份非认证样品的拉曼光谱。通过将 iSVM 的判别能力与对应光谱区间内的拉曼特征峰相关联，揭示了认证与非认证补充剂在化学成分上的关键差异。研究对方法的各项性能指标（如准确率、F1 分数）进行了估算与严谨分析，并利用独立样品开展额外的外部验证，以评估模型的稳健性与泛化能力。结果表明，所提出的拉曼光谱 - 区间支持向量机（Raman-iSVM）方法不仅具备出色的化学可解释性（证实不饱和脂肪酸的拉曼特征峰对样品鉴别至关重要），还具有高准确率（内部验证集与外部验证集准确率分别达 96% 和 92%）、检测快速、设备便携、计算成本低等优势。
因此，本研究认为该方法可直接应用于 Omega-3 鱼油补充剂及其他食品的现场质量监测。 -
基于化学计量学结合ATR-FTIR光谱技术评估大豆基饮料中掺水掺假行为
查看原文
2024
中科院一区JCR一区
计算机标签
偏最小二乘法 随机森林 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据 小规模数据集食品标签
其他饮料 食品安全与风险评估 光谱/色谱/质谱等分析方法The adulteration of soy-based beverages (SBBs) by adding water to increase profitability is a fraudulent practice that requires urgent solutions to ensure product integrity and consumer trust. Therefore, the use of infrared spectroscopy (ATR-FTIR) associated with chemometrics methods can be a quick and advantageous alternative to this problem. In this study, the one-class and multiclass methods applied to ATR-FTIR data to classify a set of 80 SBBs samples were used. The unequal dispersed classes (UNEQ), soft independent modeling of class analogy (SIMCA), data driven SIMCA (DD-SIMCA), and one-class random forest (OC-RF) methods were used for one-class modeling. Models were constructed using the non-adulterated samples as target class (TA) and the adulterated samples as non-target class (NT). The k-nearest neighbors (k-NN), partial least squares discriminant analysis (PLS-DA), dual class random forest (DC-RF), and dual class random forest with Monte Carlo sampling (DC-RF-MC) methods were used for multiclass modeling. For k-NN and PLS-DA, samples were organized into four classes (non-adulterated samples, adulterated with 5% v∙v−1, 10% v∙v−1, and 20% v∙v−1 of water). DC-RF models used the same class settings as one-class models. DD-SIMCA, PLS-DA, and DC-RF-MC showed accuracy of 100%. The results show the feasibility of ATR-FTIR and chemometrics models to identify adulterations by adding water.
摘要中文：
通过向大豆基饮料（SBBs）中掺水以提高利润是一种欺诈行为，亟需有效解决方案以保障产品真实性并维护消费者信任。因此，结合化学计量学方法的红外光谱技术（ATR-FTIR）可成为应对该问题的一种快速且高效的技术手段。本研究利用一类分类（one-class）和多类分类（multiclass）方法对80个SBB样品的ATR-FTIR数据进行分类分析。在一类建模中，采用了不等分散类模型（UNEQ）、软独立建模类类比法（SIMCA）、数据驱动SIMCA（DD-SIMCA）以及一类随机森林（OC-RF）等方法。建模时，将未掺假样品设为目标类（Target Class, TA），掺假样品设为非目标类（Non-Target Class, NT）。在多类建模中，则采用了k近邻法（k-NN）、偏最小二乘判别分析（PLS-DA）、双类随机森林（DC-RF）以及结合蒙特卡洛采样的双类随机森林（DC-RF-MC）等方法。对于k-NN和PLS-DA，样品被划分为四类：未掺假样品，以及分别掺入5% (v/v)、10% (v/v) 和20% (v/v) 水的掺假样品；而DC-RF模型则采用与一类模型相同的类别设置。研究结果表明，DD-SIMCA、PLS-DA 和 DC-RF-MC 三种方法均达到了100%的准确率。这些结果充分证明了ATR-FTIR结合化学计量学模型在识别大豆基饮料中掺水掺假行为方面的可行性与有效性。
