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 712 条结果
-
机器学习在食品安全中的新兴应用
查看原文
2021
Annual Review of Food Science and Technology
中科院一区JCR一区
Xiangyu Deng, Shuhao Cao & Abigail L. Horn
计算机标签
机器学习/统计学习 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 知识抽取与语义理解 组学数据 大规模数据集食品标签
复合/即食/餐饮食品 食品安全与风险评估 标准/法规/数据库分析食品安全继续威胁着公众健康。机器学习在利用大量新兴数据集来提高食品供应的安全性和减轻食品安全事件的影响方面具有潜力。食源性病原体基因组以及包括文本、交易和贸易数据在内的新型数据流，在机器学习方法的推动下得到了新兴应用，例如抗生素耐药性预测、病原体来源归因以及食源性疫情检测和风险评估。在本文中，我们将对食品安全领域的机器学习进行简要介绍，并概述其最新进展和应用。由于许多此类应用仍处于起步阶段，与机器学习相关的一般性和特定领域的缺陷及挑战已开始被认识和解决，这对于大规模数据集及其相关机器学习模型在食品安全应用中的未来使用和部署至关重要。
-
面向“下一代”食品生产系统的人工智能土壤质量与健康指数
查看原文
2021
Trends in Food Science & Technology
中科院一区JCR一区
Vinícius Henrique Gomes Zuppa de Andrade, Marc Redmile-Gordon, Bruno Henrique Groenner Barbosa, Fernando Dini Andreote, Luiz Fernando Wurdig Roesch & Victor Satler Pylro
计算机标签
机器学习/统计学习 定量预测/回归分析 组学数据食品标签
可持续性与资源高值化 微生物组/宏基因组学目前，缺乏通用的土壤质量指数限制了该方法的采用，并可能阻碍作物生产力和环境可持续性的改善。一些土壤质量指数仅依赖于物理化学特征，这些特征变化缓慢，因此在预测土壤退化方面缺乏适当的时效性。相比之下，微生物对土地利用和/或管理的变化反应迅速。此外，微生物产生许多土壤功能所需的酶和生物物理结构，从而驱动“肥力”、“健康”和“质量”。因此，理解群落驱动的转化应能预测土壤质量响应管理的轨迹。然而，依赖于特定地点因素而产生的多种不同后果和反馈回路超出了现有模型的能力。过去十年中产生了大量的土壤（宏）基因组数据。与此同时，人工智能的进步已经彻底改变了我们在多个领域创建预测模型的能力，例如帮助植物育种者寻找特定的有益性状，以及通过预测天气变化来指导作物管理。作为土壤微生物学家和生物信息学家，我们认为创建一个通用、稳健和动态的人工智能土壤质量指数意味着要利用机器学习算法和土壤微生物组数据，结合传统的物理化学参数和生产力数据。该指数必须足够灵活，以涵盖区域特性，同时允许进行比较研究。在同一指数内细化不同模型可能会提高其准确性，有助于进行实时预测。建立协作努力对于创建该指数至关重要，以最大程度地增强农业管理实践和生态系统可持续性。
-
深度学习与机器视觉在食品加工中的应用：综述
查看原文
2021
Current Research in Food Science
中科院一区JCR一区
Lili Zhu, Petros Spachos, Erica Pensini & Konstantinos N
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据食品标签
品质、结构与理化性质 食品安全与风险评估 过程监测与在线检测 生产管理与数字化工厂 显微与成像技术食品的质量与安全是全社会关注的重要问题，因为它是人类健康、社会发展与稳定的基础。保障食品质量安全是一个复杂的过程，必须考虑食品加工的各个环节，从种植、收获、储存到制备和消费。然而，这些过程往往劳动密集。如今，机器视觉的发展能极大地帮助研究人员和行业提高食品加工效率。因此，机器视觉已被广泛应用于食品加工的各个方面。同时，图像处理是机器视觉的重要组成部分。图像处理可以利用机器学习和深度学习模型，有效识别食品的种类和质量。随后，机器视觉系统中的后续设计能够完成食品分级、检测缺陷点或异物位置以及去除杂质等任务。在本文中，我们概述了可应用于食品加工领域的传统机器学习和深度学习方法，以及机器视觉技术。我们介绍了当前的方法、面临的挑战以及未来的发展趋势。
-
利用无损检测技术评估谷物质量和定量方面的最新进展：综述
查看原文
2021
Trends in Food Science & Technology
中科院一区JCR一区
Muhammad Zareef, Muhammad Arslan, Md Mehedi Hassan, Waqas Ahmad, Shujat Ali, Huanhuan Li, Qin Ouyang, Xiangyang Wu, Malik Muhammad Hashim& Quansheng Chen
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 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
谷物/块根/豆与坚果类 品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法背景：谷物作为主食在全球范围内被广泛消费，因其提供了必需营养素。其质量属性越来越受到营养学家和科学家的关注。新兴的无损检测技术因其在定性和定量特性检测方面具有非侵入性和快速性的特殊优势而展现出广阔前景。此外，目前尚未发现涵盖所有结合化学计量学的谷物无损检测技术的综述文章。考虑到这一点，本文旨在提供一篇深入且最新的综述文章。
范围与方法：传统方法和用于谷物质量监测的无损检测技术都发挥着重要作用。与传统技术相比，无损检测技术克服了传统技术耗时、繁琐、离线且具有破坏性的局限性。
主要发现与结论：本文介绍了近红外光谱、红外光谱、拉曼光谱、荧光光谱，以及比色传感器阵列、基于成像的技术和数据融合策略，作为谷物质量、真实性和鉴别的有前景的技术。文中还记录了基于人工智能和机器学习的化学计量学方法的应用。本综述还涵盖了与谷物加工相关的挑战，这些挑战需要在未来的研究中加以解决或探讨。 -
机器学习方法应用于中红外光谱牛奶，以区分牛奶与牧场或全混合饲料的牛奶
查看原文
2021
Journal of Dairy Science
中科院一区JCR一区
Frizzarin, M., O'Callaghan, T. F., Murphy, T. B., Hennessy, D., & Casa, A
计算机标签
机器学习/统计学习 偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据 大规模数据集食品标签
乳及乳制品 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归 常量营养素（宏量）近年来，市场上标注为“草饲”的食品产品越来越常见，且往往价格较高。迄今为止，用于验证草饲来源产品的大多数方法都是通过审核和检查农场记录来实现的。因此，能够核实草饲来源的声明以确保消费者信心在未来将非常重要。中红外（MIR）光谱技术在乳制品行业被广泛用于快速监测单个牛群的牛奶成分和质量。进一步利用单个光谱的数据提供了一种有前景且易于实施的策略，可在农场和加工者层面验证牛奶来源。在此，对 11 种机器学习统计分析方法的稳健性、特异性和准确性进行了全面比较，以基于 4320 份来自在户外放牧或室内全混合日粮饲养系统中饲养的奶牛的牛奶样本的 MIR 光谱来区分草饲牛奶和非草饲牛奶，这些样本是在 3 年的时间内收集的。线性判别分析和偏最小二乘判别分析（PLS-DA）被证明在根据中红外光谱预测奶牛饮食方面具有最高的准确性。此外，还强调了在光谱范围内选择最具区分性的波长的简约化策略。
