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 130 条结果
-
基于高光谱成像的光谱和纹理特征组合用于肉牛饲养方式验证的研究
查看原文
2024
Food Control
中科院一区JCR一区
Sara León-Ecay, Kizkitza Insausti, Silvia Arazuri, Irantzu Goenaga, & Ainara López-Maestresalas
计算机标签
偏最小二乘法 支持向量机 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
畜肉 品质、结构与理化性质 理化与结构表征 光谱/色谱/质谱等分析方法本研究旨在探索近红外高光谱成像（NIR-HSI）技术作为一种无损、快速检测手段，区分两种肉牛育肥日粮的应用潜力。为此，研究人员以 24 头纯种比利牛斯犊牛为试验对象开展饲喂试验：其中 12 头饲喂大麦 - 秸秆日粮（BS 组），11 头饲喂植物副产物日粮（VBPR 组）。对两组犊牛的肉样进行基准指标检测后发现，仅有总胶原蛋白占比这一项指标呈现出显著的日粮效应（p值 < 0.05）。为建立日粮溯源鉴别方法，本研究采用两种判别分析模型 —— 偏最小二乘判别分析（PLS-DA）与径向基函数 - 支持向量机（RBF-SVM）。为精准提取牛排瘦肉部位的光谱及纹理信息，研究整合了多种技术手段，包括主成分（PC）图像分析、竞争性自适应重加权采样（CARS）特征波长筛选，以及灰度共生矩阵（GLCM）纹理特征提取。基于高光谱成像数据，并结合纹理特征构建的判别模型，实现了对不同育肥日粮来源牛肉的有效区分：PLS-DA 模型的总体鉴别准确率为 72.92%，RBF-SVM 模型则达到 80.56%。综上，本研究证实了高光谱成像技术在鉴别基于循环经济模式的日粮育肥肉牛产品方面的应用潜力。
-
高光谱成像的光谱与纹理特征融合用于牛肉特征氨基酸含量的量化与可视化
查看原文
2024
LWT
中科院一区JCR一区
Fujia Dong, Yinhong Niu, Yongzhao Bi, Jie Hao, & Songlei Wang
计算机标签
机器学习/统计学习 偏最小二乘法 特征工程与选择策略 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱食品标签
畜肉 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法 蛋白质与氨基酸特征氨基酸是评估牛肉营养价值和风味参数的重要指标。为准确量化和可视化牛肉中的精氨酸和丙氨酸含量，探索了可见近红外高光谱多元校准分析和数据融合的可行性。使用三种方法选择最佳特征波长和融合多级纹理信息，并在不同信号下开发线性、非线性和神经网络模型的预测性能。与所有模型相比，线性模型在特征光谱和融合光谱方面显示出优越的性能。其中，CARS-ASM-ENT-PLSR模型的预测性能最有效，对丙氨酸的R P 2 = 0.9211，RMSEP = 0.1252 mg/100 g，RPDp = 3.49。用于精氨酸预测的UVE-ASM-ENT-HOM-COR-PLSR模型表现良好，R P² = 0.8596，RMSEP = 0.8596 mg/100 g，RPDp = 2.62。最后，生成了精氨酸和丙氨酸含量分布的可视化图。这项研究表明，数据融合方法为快速评估CAA含量提供了一种新途径。
-
基于多任务卷积神经网络的水果新鲜度检测
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Yinsheng Zhang, Xudong Yang, Yongbo Cheng, Xiaojun Wu, Xiulan Sun, Ruiqi Hou & Haiyan Wang
计算机标签
卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
新鲜水果 品质、结构与理化性质 过程监测与在线检测背景：通过计算机视觉检测水果新鲜度在许多农业应用中至关重要，例如自动收获和供应链监控。本文提出采用多任务学习（MTL）范式构建用于水果新鲜度检测的深度卷积神经网络。
结果：我们设计了一个多任务学习模型，用于并行优化新鲜度检测（T1）和水果类型分类（T2）任务。该模型采用共享卷积神经网络（CNN）子网络和两个全连接（FC）任务头。共享卷积神经网络作为特征提取模块，为两个任务头提供共同的语义特征。基于一个公开的水果图像数据集，我们对多任务学习和单任务学习（STL）范式进行了对比研究。单任务学习模型使用相同的卷积神经网络子网络，但仅配备一个特定的任务头。在多任务学习场景中，测试集上T1和T2的平均准确率分别为93.24%和88.66%。同时，对于单任务学习，这两个准确率分别为92.50%和87.22%。统计测试表明，多任务学习和单任务学习在T1和T2的测试准确率上存在显著差异。我们进一步研究了从两个单任务学习模型中提取的特征向量（语义嵌入）。在整个数据集上，这些向量的平均余弦相似度为0.7，大多数值在0.6–0.8范围内。这表明任务之间存在相关性，并证明了所提出的多任务学习方法的有效性。
结论：本研究证明，多任务学习能够利用两个或多个相关任务之间的相互关联，并能最大限度地共享它们的底层特征提取过程。我们期望这种方法能够扩展到涉及多个相互关联任务的其他领域。 -
利用近红外光谱数据与统计方法进行蚕豆种子质量高通量分析
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
Antonio Lippolis, Pamela Vega Polo, Guilherme de Sousa, Annemarie Dechesne, Laurice Pouvreau & Luisa M. Trindade
计算机标签
偏最小二乘法 智能手机/其他 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 常规理化指标测定 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸近红外光谱（NIRS）提供了一种高通量表型分析技术，可辅助育种以提高蚕豆种子质量。我们通过化学计量学方法将蛋白质、油含量（及组成）的化学分析与近红外光谱相结合，采用偏最小二乘（PLS）、弹性网络（EN）、基于记忆的学习（MBL）和贝叶斯B（BB）作为预测模型。在田间试验中，蛋白质是预测最可靠的性状（R²=0.96–0.98），其次是油（R²=0.82–0.86）和油酸（R²=0.31–0.68）。使用K均值聚类选择用于训练模型的样本。用于预测的最佳统计方法因化合物而异：蛋白质采用PLS（均方根误差——RMSE=0.46），油采用BB（RMSE=0.067），油酸含量采用EN（RMSE=2.83）。缩减训练集模拟显示，根据模型和化合物的不同，对预测准确性有不同影响。利用EN和BB的收缩和变量选择能力，确定了几个近红外区域对这些化合物具有高度信息价值。
-
利用选择离子流动管质谱和机器学习快速无损预测气调包装新鲜猪肉的微生物质量
查看原文
2024
Meat Science
中科院一区JCR一区
Linyun Chen, Lotta Kuuliala, Mariem Somrani, Christophe Walgraeve, Kristof Demeestere, Bernard De Baets & Frank Devlieghere
计算机标签
偏最小二乘法 支持向量机 K-近邻 梯度提升决策树 智能手机/其他 特征工程与选择策略 定量预测/回归分析 组学数据食品标签
畜肉 特征风味 微生物安全 光谱/色谱/质谱等分析方法 微生物计数与生长曲线利用选择离子流动管质谱可以快速、痕量地定量指示猪肉微生物腐败的挥发性有机化合物。包装气氛是影响贮藏过程中挥发性有机物产生模式的因素之一。在此基础上，机器学习将有助于处理复杂的挥发组学数据并有效预测猪肉微生物质量。本研究侧重于：(1) 基于不同的嵌套交叉验证设置研究模型的泛化能力，以及 (2) 比较九种算法的预测能力和特征重要性，包括人工神经网络、k近邻、支持向量回归、决策树、偏最小二乘回归以及四种集成学习模型。使用的数据集包含 350 个不同贮藏时间猪肉样品的 37 种 VOC 浓度和总活菌数，其中包括在三种高氧和三种低氧条件下贮藏的 225 个猪里脊样品，以及 125 个商业包装产品。选择合适的交叉验证策略产生了可信且相关的预测。当使用所有可能选择的两种高氧和两种低氧条件组合进行训练时，人工神经网络对未见过的测试场景产生了满意的 TPC 预测。当 TPC 超过约 6 log CFU/g 时，基于人工神经网络的装袋算法优于其他模型。包括苯甲醛、3-甲基-1-丁醇、乙醇和甲硫醇在内的 VOC 被识别为具有高特征重要性。这个详细的案例研究说明了实时检测技术和机器学习在肉类质量预测中的巨大前景。进一步研究处理低水平 VOC 将有助于提高模型性能和商业肉类质量控制中的决策能力。
