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
-
利用傅里叶变换中红外光谱和传统机器学习算法快速检测及光谱特征分析骆驼奶中的矿物质含量
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 定量预测/回归分析 红外/拉曼光谱数据 中等规模数据集食品标签
乳清及乳清制品 基本营养价值评价 光谱/色谱/质谱等分析方法 矿物质与微量元素骆驼奶富含营养和生物活性因子，其矿物质含量通常高于牛奶，但目前国际上尚未建立快速、批量的矿物质含量检测方法。本研究收集了中国新疆113个地点的骆驼奶样品。基于电感耦合等离子体发射光谱法测定的真实矿物质值和提取的中红外光谱数据，国际上首次利用傅里叶变换中红外光谱和传统机器学习算法偏最小二乘回归，建立了10种关键矿物质（钙、铁、钾、镁、锰、钠、磷、锶、锌、硒）的定量预测模型。测试集的R²t在0.61至0.91之间，RMSEt在2.21微克/千克（硒）至197.08毫克/千克（钾）之间，RPDt在1.59至3.28之间。此外，本研究还总结了骆驼奶中矿物质相关特征波数的分布、模式和相关性。该研究为快速检测骆驼奶矿物质开辟了新途径，填补了利用FT-MIRS检测骆驼奶矿物质含量的研究空白。
-
利用近红外光谱成像仪快速非接触式识别可食用昆虫中的豆粉：以白星花金龟幼虫粉为例的研究
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 智能手机/其他 卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
昆虫蛋白 其他安全问题 光谱/色谱/质谱等分析方法 蛋白质与氨基酸可食用昆虫作为高蛋白的新型食品，具有重要价值。目前虽未报道过可食用昆虫的掺假案例，但其作为高价值产品在供应链中存在潜在风险。本研究证明了近红外高光谱成像（NIR-HSI，范围1000-2100 nm）用于快速、无损识别白星花金龟幼虫（PBS）粉末中豆粉掺假的可行性。研究采用了三种不同的豆粉检测方法：扩展的主成分分析（PCA）、数据驱动的软独立建模类比（DD-SIMCA）以及回归算法，即偏最小二乘回归（PLSR）和一维卷积神经网络（1D-CNN）。研究表明，用于识别豆粉像素的扩展PCA效果较差（R² = 0.835，RMSE = 12.39%）。采用DD-SIMCA则达到了100%的准确率，显示了单类别分类方法的优越性能。在回归方法中，结合Savitzky-Golay一阶导数光谱的1D-CNN获得了最佳的预测精度（Rp² = 0.99，RMSEP = 1.15%，RPD = 12.92）。此外，由1D-CNN生成的化学图像清晰地可视化了掺假的PBS。最终，结合1D-CNN模型优化的NIR-HSI技术，有望成为一种用于无损识别PBS粉末中豆粉的有前景的技术。
-
当涉及NIR光谱数据时深度卷积神经网络的可解释性：马铃薯块茎淀粉含量估算的案例研究
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
深度学习 定量预测/回归分析 高光谱/多光谱光谱 大规模数据集食品标签
马铃薯 其他品质相关性质 光谱/色谱/质谱等分析方法可解释性人工智能作为一种理解神经网络决策过程、洞察其预测结果的方式，正日益受到欢迎。本文应用了集成梯度法来评估深度卷积神经网络在预测马铃薯淀粉含量时所使用的光谱特征的重要性。为此，使用NIR光谱仪在940–1650 nm光谱范围内采集了12个马铃薯品种共7651个块茎的光谱信息，随后进行了淀粉含量的参考测量。使用Keras API开发了三种一维深度卷积神经网络，即VGG-19、InceptionV3和SpectraNet-32。这些深度网络在淀粉含量预测方面优于传统模型，其中SpectraNet-32达到了最高的预测准确度（R² = 0.84，RMSE = 1.41%，RPD = 2.46，以及rRMSE = 9.88%）。通过IG对神经网络的进一步分析表明，这些预测是基于与淀粉相关的光谱波段生成的。本研究结果表明，深度卷积神经网络不仅能够准确预测马铃薯中的淀粉含量，而且为其预测提供了确定性。
-
用于鉴别纯正和掺假金合欢蜂蜜的 FTIR-ATR 光谱和 PLS 回归组合模型的开发
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
蜂蜜等天然糖 品质、结构与理化性质 其他安全问题 光谱/色谱/质谱等分析方法本研究评估了一种基于傅里叶变换红外光谱和衰减全反射技术（FTIR-ATR）的化学计量学模型，用于快速识别和估计蜂蜜中的掺假物。两种蜂蜜，即蜜蜂蜂蜜和无刺蜂蜂蜜，分别被酸类掺假物（乙酸、柠檬酸和罗望子提取物）以不同的浓度（1%、3%、5% 和 7%）以及糖类掺假物（液体玉米糖浆、蔗糖、棕榈糖和转化糖）以不同的浓度（1%、2% 和 3%）掺假。在FTIR分析前，测定了每种蜂蜜及其掺假样品的基本理化性质（白利糖度、水分含量、pH值和游离酸度）和糖含量（葡萄糖、果糖和蔗糖）。对所有样品，在中红外范围内采集FTIR光谱，并对得到的光谱进行偏最小二乘（PLS）分析，以建立用于测定蜂蜜样品中掺假物的模型。该PLS模型为掺有乙酸（0.95）、柠檬酸（0.98）、罗望子提取物（0.97）的蜜蜂蜂蜜，以及掺有液体玉米糖浆（0.99）、转化糖（0.91）、蔗糖（0.86）和棕榈糖（0.77）的无刺蜂蜂蜜产生了高决定系数（R²）。FTIR-ATR光谱与PLS回归模型的组合可以成为一种快速、可靠、无损的蜂蜜掺假检测方法。
-
基于高光谱成像的富硒开菲尔谷物总硒及有机硒快速无损定量检测方法
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 定量预测/回归分析 红外/拉曼光谱数据食品标签
其他谷物与块根 基本营养价值评价 光谱/色谱/质谱等分析方法 碘/硒等微量元素快速监测富硒开菲尔谷物中的总硒和有机硒含量对开发富硒食品至关重要。首先，使用便携式高光谱系统获取富硒开菲尔谷物的光谱。其次，基于竞争性自适应重加权采样（CARS）、自助软收缩、遗传算法和粒子群优化筛选特征变量。然后，比较了极端随机树、偏最小二乘（PLS）和最小二乘支持向量机模型的定量预测性能。对于总硒含量的预测，CARS-PLS表现最佳，预测集相关系数和相对预测偏差值分别为 0.97 和 3.88。对于有机硒，CARS-PLS的预测集相关系数和RPD值分别为 0.94 和 2.97。CARS-PLS实现了在1分钟内对总硒和有机硒含量的快速预测。这为筛选富硒微生物和快速检测硒含量提供了新思路。
