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 364 条结果
-
基于机器学习引导REIMS脂质组指纹的零售鲜牛肉切块误标识别
查看原文
2024
Food Control
中科院一区JCR一区
Gongshuai Song, Xichuang Guo, Qianyun Li, Jimin Lv, Danli Wang, Tinglan Yuan, Shaoli Liu, Ling Li, Jie Liao, Mengna Zhang, Qing Shen, Fuping Zheng, & Jinyan Gong
计算机标签
机器学习/统计学习 支持向量机 K-近邻 分类/鉴别/等级评定 组学数据食品标签
畜肉 食品安全与风险评估 光谱/色谱/质谱等分析方法 脂质与脂肪酸牛肉掺假、虚假标注等欺诈行为频发。本研究基于电刀 - 快速蒸发电离质谱（iKnife-REIMS）技术，结合机器学习（ML）算法，建立了一套用于生鲜市售牛肉部位（眼肉、西冷、牛腩、牛腱子、牛前腱）精准鉴别的快速可靠方法。研究利用机器学习模型解析不同牛肉部位的 REIMS 脂质组指纹图谱，挖掘其中的特征信息；并采用判别分析（DA）、支持向量机（SVM）、K 近邻（KNN）三种主流机器学习算法构建真伪鉴别模型，以实现对牛肉部位虚假标注行为的甄别。结果显示，判别分析、支持向量机、K 近邻模型的鉴别准确率分别达 95.54%、99.91% 和 100%。研究通过混淆矩阵、受试者工作特征曲线及曲线下面积指标对模型性能进行综合评估，并验证了所建 REIMS 检测方法的有效性，其鉴别掺假牛肉的准确率达 96.80%。综上，这套融合机器学习的智能 REIMS 分析方法，可高效实现对牛肉部位虚假标注的真伪鉴别。
-
基于机器学习的高光谱成像无损验证绿咖啡豆的洲际、国家和区域来源
查看原文
2024
Food Control
中科院一区JCR一区
Joy Sim, Yash Dixit, Cushla Mcgoverin, Indrawati Oey, Russell Frew, Marlon M. Reis, & Biniam Kebede
计算机标签
偏最小二乘法 支持向量机 随机森林 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
豆类与坚果（及籽类） 食品安全与风险评估 光谱/色谱/质谱等分析方法咖啡是产地溯源欺诈的高发目标产品，因此亟需更快速、经济且可持续的溯源技术方案。本研究首次探究近红外高光谱成像技术（HSI-NIR）结合先进机器学习模型在咖啡产地快速无损分类中的应用潜力，研究目标包括两方面：（1）明确近红外高光谱成像技术在不同产地尺度（洲际、国家、产区）下的分类灵敏度；（2）筛选具有判别意义的特征波长区间。实验采集三大洲、八个国家及 22 个产区的生咖啡豆样品，对其开展近红外高光谱成像分析，并对比偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、径向基函数支持向量机（RBF-SVM）及随机森林（Random Forest）四种机器学习模型的分类性能。结果显示，线性支持向量机模型在洲际、国家及产区三个尺度上均实现近乎精准的分类，同时还具备特征筛选的应用优势。本研究证实，近红外高光谱成像技术结合机器学习方法，可实现咖啡产地的快速无损筛查，且无需对样品进行前处理。
-
面向通用化的食物源识别：一种采用稳定同位素和元素标记分析进行大米鉴别的可解释深度学习方法
查看原文
2024
Food Research International
中科院一区JCR一区
Yinghao Chu, Jiajie Wu, Zhi Yan, Zizhou Zhao, Dunming Xu & Hao Wu
计算机标签
深度学习 支持向量机 智能手机/其他 模型可解释性 分类/鉴别/等级评定 中等规模数据集食品标签
大米 光谱/色谱/质谱等分析方法 矿物质与微量元素针对数据驱动方法在食品产地溯源中面临的泛化问题，尤其是在遇到不同输入变量集（例如元素含量（C， N， S）、稳定同位素（C， N， S， H， O）以及在不同实验室条件下测量的43种元素）时，我们引入了一种创新的、多功能且基于深度学习的框架，该框架融合了可解释分析，能够通过学习到的神经元权重来确定特征重要性。我们提出的框架，使用来自四个亚洲国家的三个大米样本批次（总计354个实例）进行了验证，表现出高达97%的卓越识别准确率，超越了决策树和支持向量机等传统参考方法。该适应性方法体系可容纳各种溯源指标的组合，促进了无缝复制和广泛适用性。这一突破性解决方案有效解决了因不同数据批次间变量集不同而产生的泛化挑战，为在实际应用中增强食品产地溯源能力铺平了道路。
-
机器学习辅助激光解吸/电离飞行时间质谱分析，用于牛奶产品的快速分类
查看原文
2024
Journal of Dairy Science
中科院一区JCR一区
Yaju Zhao, Hang Yuan, Danke Xu, Zhengyong Zhang, Yinsheng Zhang, & Haiyan Wang
计算机标签
支持向量机 智能手机/其他 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
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 常量营养素（宏量）本研究建立了一种通过结合 MALDI-TOF MS 分析与机器学习技术来快速对乳制品进行分类的方法。以两种不同类型的乳制品的分析为例。为了选择关键变量作为潜在的标志物，基于 6 种特征选择技术并结合支持向量机（SVM）分类器的综合机器学习策略被实施，以筛选有用特征并对乳制品样本进行分类。通过准确率、阿基卡信息准则（AIC）和贝叶斯信息准则（BIC）对模型进行了评估和比较。结果表明，与 SVM 结合的最小绝对收缩和选择算子（LASSO）表现最佳，预测准确率为 100% ± 0%，AIC 为 -360 ± 22，BIC 为 -345 ± 22。通过 LASSO 选择了 6 个特征，并根据可用的蛋白质分子质量数据进行了鉴定。这些结果表明，MALDI-TOF MS 与机器学习技术相结合可用于寻找食品产品认证和质量控制的潜在关键目标。
-
利用空间频率域成像技术实现苹果光学属性映射与早期碰伤识别
查看原文
2024
Postharvest Biology and Technology
中科院一区JCR一区
Zengrong Yang, Mei Li, Jiachuang Zhang, Junhui Li & Longlian Zhao
计算机标签
支持向量机 K-近邻 梯度提升决策树 主成分分析/判别分析 缺陷/异物检测与定位 可见光/RGB/视频数据 红外/拉曼光谱数据食品标签
新鲜水果 颜色与外观品质 显微与成像技术 光谱/色谱/质谱等分析方法苹果碰伤是一种常见缺陷，会降低水果的经济价值。因此，一种有效的碰伤检测方法至关重要。近红外和高光谱成像等无损检测方法通常利用组织的吸收特性，即使水果组织是高度散射介质，也将散射视为噪声。本研究创建了一种空间频率域成像系统，通过聚焦于散射特性来识别苹果早期碰伤。使用本文提出的新反演方法确定了碰伤和非碰伤苹果组织的光学参数。对比分析表明，交流分量在检测早期碰伤方面比直流分量更有效。结构光图像中交流分量与直流分量的比值有助于识别碰伤。使用差分高斯图像和霍夫圆检测来识别可疑点，这些点对应于潜在的碰伤位置。随后提取子图像，并使用分类算法评估这些子图像内是否存在碰伤。决策树、线性判别分析、K近邻和支持向量机的分类准确率分别为94.56%、98.12%、97.75%和99.81%。最终，支持向量机结合定位算法对苹果的分类准确率达到98.78%，并准确定位了所有碰伤位置。结果表明，所提出的方法实现了显著的检测精度，为苹果碰伤检测提供了一种新途径。
