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
-
利用可见光成像卷积识别和认证大米及其制粉品种
查看原文
2020
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/视频数据食品标签
大米 质量管理与追溯系统 显微与成像技术本研究采集超过 27000 张图像（样本），涵盖 5 个不同品种的水稻（Oryza sativa L.），用于设计并验证一套基于深度学习的稻谷分类系统。
研究采用常规数码相机获取这 5 种水稻品种的图像，图像经适当预处理后用于品种分类建模。通过卷积神经网络（CNNs） 对所得图像进行处理，利用该批图像完成网络的训练与优化，以实现不同水稻品种的判别识别。最后，使用初始从训练集中独立划分出的图像完成模型验证，验证取得成功，所构建算法可精准检测并区分全部 5 类水稻品种。
综上，卷积神经网络凭借高灵敏度、检测快速，且优化后的算法无需高度专业人员即可部署应用等优势，已被证实是用于该类谷物品种鉴别、品质评价的极具应用价值的工具。 -
近红外光谱结合化学计量学快速检测辐照干燥发酵香肠
查看原文
2020
Food Control
中科院一区JCR一区
计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
肉类/蛋类与水产品 品质、结构与理化性质 光谱/色谱/质谱等分析方法本研究采用近红外（NIR）光谱数据结合化学计量学分析，探究快速检测经电离辐照处理的干发酵香肠的可行性，实验设置辐照剂量为0、0.5、1、2、3 kGy。
对 1000～2500 nm 波段的近红外光谱，首先进行探索性主成分分析（PCA），随后开展正交偏最小二乘判别分析（OPLS‑DA），以此构建可依据辐照剂量区分样品的分类模型。
所建模型对辐照组与未辐照组样品的正确判别率均达到 100%；针对不同辐照剂量的细分判别结果为：1 kGy 和 3 kGy 组香肠正确判别率为 100%，2 kGy 组为 92%，0.5 kGy 组为 83%。
上述理想结果证实，将化学计量学分析应用于近红外光谱数据，适用于快速筛查经辐照处理的干发酵香肠。 -
基于中红外光谱和化学计量学快速测量鸡肉中微塑料污染：一项可行性研究
查看原文
2020
Food Control
中科院一区JCR一区
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/拉曼光谱数据食品标签
禽肉 化学污染物 光谱/色谱/质谱等分析方法截至目前，微塑料检测仍被公认为极具挑战性，尤其是现场原位分析领域。尽管学界已投入大量精力，开发快速分析方法以检测、识别环境中的微塑料，但针对食品基质内微塑料的定性鉴别与定量检测研究仍较为匮乏。
本研究旨在评估一种快速检测方法的应用可行性：该方法基于衰减全反射中红外光谱（ATR‑MIR） 结合化学计量学技术，用于鉴别均质鸡胸肉中聚苯乙烯（PS，粒径 100 μm）、 聚氯乙烯（PVC，粒径 3 μm、100 μm 及 2–4 mm） 两类微塑料的污染水平。研究采用中红外光谱法，对添加不同剂量微塑料的鸡肉样品进行污染水平评估。
尽管该方法检测灵敏度中等，但 ATR‑MIR 技术仍可作为快速、可靠的分析工具，对鸡肉中添加 / 污染水平为 1%～10%的高剂量微塑料实现定性检测与定量分析。本研究为首次探索鸡肉基质中微塑料定量检测可行性的相关报道。该方法经优化并提升灵敏度后，未来可大幅拓展其在生物体或组织样品中非破坏性微塑料检测的应用范围，甚至有望实现活体生物内微塑料的原位检测。 -
利用表面增强拉曼光谱快速检测和预测动物饲料中的氯四环素和氧四环素
查看原文
2020
Food Control
中科院一区JCR一区
计算机标签
偏最小二乘法 K-近邻 主成分分析/判别分析 智能手机/其他 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
其他复合食品 化学污染物 光谱/色谱/质谱等分析方法本研究对表面增强拉曼光谱（SERS） 进行考察，探究采用该技术建立一种快速、无损、可靠的光谱方法，用于定性与定量分析动物饲料中金霉素（CTC）和土霉素（OTC） 的可行性。
实验样品采用无四环素类添加的动物饲料，经不同浓度梯度加标制备。在包含特征峰的多个拉曼位移区间内，不同浓度的金霉素、土霉素组间的光谱差异与拉曼强度变化可被清晰观测，且差异特征与四环素种类相关。k 近邻（KNN） 与线性判别分析（LDA） 模型取得优异的正确判别率，加标样品仅出现零次或一次假阴性误判。
用于分类的化学计量模型中，前两个典型变量可解释 SERS 光谱中超过 95% 的变异信息。在针对金霉素、土霉素含量预测所构建的模型里，用于金霉素定量的多元线性回归（MLR） 和偏最小二乘回归（PLSR） 模型表现出极佳的性能与预测能力：决定系数（r2）＞0.94，预测误差较低（＜10.0 mg/kg），线性回归斜率理想（接近 1.0）。土霉素定量的 MLR 与 PLSR 模型预测能力与拟合效果略低。
本研究结果表明，SERS 可作为现有标准化学方法的替代或补充检测技术，在灵敏度与准确度满足要求的前提下，实现动物饲料中特定四环素类药物的快速检测，可作为优良的筛查体系，用于四环素污染饲料样品的实时监测。 -
基于ICP-OES元素分析和化学计量学的扁豆地理鉴别与认证
查看原文
2020
Food Control
中科院一区JCR一区
计算机标签
主成分分析/判别分析 分类/鉴别/等级评定食品标签
豆类与坚果（及籽类） 质量管理与追溯系统 光谱/色谱/质谱等分析方法本研究采用判别分析与模式识别建模方法，基于电感耦合等离子体发射光谱法（ICP‑OES） 测定的多元素组成，对小扁豆（Lens culinaris Medik.）开展产地判别与真伪鉴定研究。
所有样品经微波消解前处理后，研究对89 份意大利产小扁豆样品与20 份加拿大进口样品共测定 15 种元素含量；其中意大利样品产自亚平宁山脉中部三处地理位置相近的产区（诺尔恰堡、科尔菲奥里托、塞萨尼奥圣斯特凡诺）。对 ICP‑OES 原始数据的初步探索表明，采收年份对样品矿物元素组成存在可观测的显著影响。
通过判别分析方法，可实现小扁豆样品良好的产地分类；采用软独立建模类比（SIMCA） 方法构建的类别模型，表现出高灵敏度（所有校正集与外部验证样品均被目标类别正确接纳），同时具备良好特异性 —— 四个建模类别均能有效剔除绝大多数非归属样品。
