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
-
基于多种提取/浓缩方法、解卷积软件和多变量分析的梅斯卡尔酒挥发性化合物分析
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
偏最小二乘法 分类/鉴别/等级评定食品标签
酒精饮料 特征风味 光谱/色谱/质谱等分析方法梅斯卡尔（Mezcal）的感官特征被认为与其产区密切相关，这种特性主要源于酒体中所含的挥发性化合物。本研究对墨西哥杜兰戈州（Durango）四个不同地理区域所产梅斯卡尔的挥发性成分谱进行了分析。研究采用三种不同的方法提取和浓缩挥发性化合物，随后通过气相色谱-质谱联用技术（GC-MS）进行仪器分析。利用AMDIS软件，即使在存在共洗脱组分的情况下，也能有效识别化合物；同时，多元统计分析成功实现了对不同产地蒸馏酒的区分。研究还鉴定出若干此前未在梅斯卡尔样品中报道过的化合物，包括α-桉叶醇（α-eudesmol）、茴香脑（estragole）、癸酸丙酯（propyl decanoate）、β-石竹烯（β-caryophyllene）、葑醇（fenchol）和月桂烯醇（myrcenol）。基于地理来源的梅斯卡尔区分效果显著，其中来自Nombre de Dios和Tepehuanes两个市镇的梅斯卡尔在化学组成上更为接近。本研究所述的实验方法与数据处理流程可推广应用于其他酒类，以更全面地鉴定其微量成分组成。
-
使用集成计算机视觉系统和卷积神经网络的智能手机应用程序快速无损评估汉源花椒的质量等级
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集食品标签
香精香料 颜色与外观品质 其他理化与结构表征市场上特级汉源花椒（HZB）产品充斥着大量掺假商品，这一问题亟待解决。为此，本研究开发了一款集成了计算机视觉系统（CVS）与卷积神经网络（CNN）的智能手机应用程序，用于花椒的品种识别与等级评定。研究共采集了5360张单粒花椒图像，涵盖不同等级的汉源花椒及其他花椒品种，均使用智能手机拍摄，并用于训练、验证和测试两种分类模型——VGG16 和 ResNet50。结果表明，ResNet50 模型表现更优，准确率超过97%。随后，该模型结合分水岭算法（watershed algorithm），进一步实现了对花椒簇状样本的分割与分类，对特级汉源花椒的识别准确率达到97.67%。此外，上述模型被嵌入到一款智能手机应用程序中，并通过严格的缺陷率评估对该应用的有效性进行了验证。该方法提供了一种快速、无损且用户友好的解决方案，相比传统手段具有显著优势，特别适用于资源有限的场景，既可服务于专业人员，也便于普通消费者使用。
-
使用高光谱技术快速无损鉴别大米储存年份
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
支持向量机 梯度提升决策树 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
大米 其他品质相关性质 光谱/色谱/质谱等分析方法大米是全球超过一半人口的主食。食用长期储存的大米会对人体健康产生不利影响。为此，本研究提出采用近红外（NIR）高光谱成像（HSI）技术对不同储存年限的大米进行区分。首先，利用多元散射校正（MSC）、标准正态变量变换（SNV）和一阶导数（1st Derivative）对HSI数据进行预处理。为降低光谱特征的维度并实现可视化，采用主成分分析（PCA）和t分布随机邻域嵌入（t-SNE）方法对数据进行降维与展示。同时，通过竞争性自适应重加权采样（CARS）和最小绝对收缩与选择算子（Lasso）算法提取光谱的特征波长。此外，结合图像纹理信息，采用局部二值模式（LBP）、灰度共生矩阵（GLCM）和Tamura算法对大米样本的纹理特征进行分析。为实现光谱与纹理特征的有效融合，分别构建了支持向量机（SVM）和极端梯度提升（XGBoost）模型：其中SVM模型采用鲸鱼优化算法（WOA）进行参数优化，而XGBoost模型则基于融合后的光谱与纹理特征进行训练。实验结果表明，相较于其他单一或组合模型，该特征融合模型表现最优，分类准确率达到98.89%。综上所述，高光谱成像技术可作为一种高效、可靠的方法，用于不同储存年限大米的快速无损鉴别。
-
基于直径和SSC特征的苹果霉心病在线检测
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
新鲜水果 微生物安全 光谱/色谱/质谱等分析方法霉心病是苹果中一种常见的内部病害。目前基于可见光/近红外（Vis/NIR）光谱的检测方法常因果实直径和可溶性固形物含量（SSC）的差异而出现准确性不足的问题。为解决这一问题，本研究开发了一套在线检测系统，该系统在光谱分析中同时整合了针对果实直径和SSC信息的校正策略。具体而言，首先基于果实直径，采用双曲正弦函数对原始光谱进行初步校正；随后，利用变分模态分解（VMD）算法提取SSC相关的光谱特征，对光谱进行第二次校正。这一两步校正流程有效削弱了果实直径和SSC变化对光谱数据的干扰。在此基础上，利用校正后的光谱与霉心病标签构建了偏最小二乘判别分析（PLS-DA）模型。与未经校正的模型相比，改进后的模型在准确率、召回率和精确率方面均显著提升，分别达到94.44%、92.59%和96.15%。此外，在独立样本上的在线验证中，该系统实现了88.33%的检测准确率，充分体现了其在苹果霉心病在线检测中的稳定性与鲁棒性。
-
基于近红外光谱结合深度学习的小龙虾新鲜度无损检测
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
偏最小二乘法 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
甲壳类 品质、结构与理化性质 光谱/色谱/质谱等分析方法白度（W）、挥发性盐基氮（TVB-N）和菌落总数（TVC）是评价小龙虾新鲜度的三个重要指标。本研究旨在基于近红外（NIR）光谱技术，建立稳健的模型，以在冷藏过程中对小龙虾的多项新鲜度指标进行无损检测。研究首先采集小龙虾的NIR光谱，并采用传统方法测定其W、TVB-N和TVC值。随后，构建了偏最小二乘回归（PLSR）模型，结合多种光谱预处理与变量选择方法；同时，也基于原始光谱建立了基于一维卷积神经网络（1D-CNN）的预测模型。结果表明，采用小波阈值去噪（WTD）和竞争性自适应重加权采样（CARS）可有效提升PLSR模型的性能。与其他模型相比，1D-CNN模型在TVB-N和TVC的预测中表现最优，其预测决定系数（(R_p^2)）分别为0.9397和0.9318，残差预测偏差（RPD）分别为2.8279和2.7560，充分体现了卷积神经网络在NIR光谱分析中的显著优势。综上所述，本研究结果表明，将近红外光谱与深度学习相结合是一种可行且高效的小龙虾新鲜度无损检测方法。
