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
-
利用近红外光谱鉴别特定野味物种的肌肉类型
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 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 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近红外（NIR）光谱技术，对选定野味动物的同一物种内不同肌肉部位进行区分，并实现无视肌肉部位差异的物种分类鉴别。
实验样本肌肉部位如下：高角羚与大羚羊的胸腰最长肌（LTL）（取自胴体第 6 根肋骨处）、前躯的冈下肌（IS）与冈上肌（SS），以及后躯的股二头肌（BF）、半腱肌（ST）和半膜肌（SM）；鸵鸟样本则包括扇形里脊（FF）、大腱子肉（BD）、三角排（TS）、月牙排（MS）与臀肉排（RS）。研究使用手持式近红外分光光度计，在908–1700 nm光谱范围内对所有样本进行扫描。
研究采用多种预处理方法对光谱数据进行预处理，并通过偏最小二乘判别分析（PLS-DA）构建分类模型。结果表明，按肌肉在胴体的解剖位置分组建模，其分类准确率高于对各肌肉单独分类。整体分类准确率可达85.0%~100%，其中高角羚与大羚羊的前躯肌肉均取得最高分类准确率。
此外，在无视肌肉部位、仅区分物种的试验中，经 标准正态变量变换 - 去趋势（SNV-Detrend）与萨维茨基 - 戈莱一阶导数（Savitzky-Golay 1st derivative） 预处理的 PLS-DA 模型，对大羚羊、高角羚、鸵鸟的鉴别准确率分别达到 97%、81% 和 92%。
上述结果证实，近红外光谱技术可用于高角羚、大羚羊及鸵鸟等野味肉的产地 / 物种真实性鉴别，且无视肌肉部位的物种区分难度，低于同一物种内不同肌肉部位的区分难度。 -
利用ATR-MIR光谱与多元分析监测酒精发酵及检测乳酸菌污染
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 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 红外/拉曼光谱数据食品标签
酒精饮料 微生物安全 过程监测与在线检测 光谱/色谱/质谱等分析方法葡萄酒生产工艺目前仍依赖生产后评估与非现场实验室分析，来保障终产品的品质。本研究提出一种在线旁检测方法，将便携式衰减全反射 - 中红外光谱仪（ATR-MIR）与多元分析相结合，用于酒精发酵过程监控及葡萄酒发酵异常的检测。
研究共开展 36 组微型发酵实验，其中 14 组为正常发酵条件组（NFC），22 组为接种不同浓度乳酸菌（LAB）的人为污染发酵组（ICF）。在酒精发酵与苹果酸 - 乳酸发酵阶段采集 ATR-MIR 光谱数据，同时采用传统方法测定样品相对密度、pH 值与 L - 苹果酸含量。
偏最小二乘回归法可实现发酵样品密度与 pH 值的精准预测，其预测均方根误差分别为 0.0014 g・mL⁻¹ 和 0.06。针对人为污染发酵组，在苹果酸 - 乳酸发酵结束前，当正常组与污染组间 L - 苹果酸浓度差值达到 0.7~0.8 g・L⁻¹ 量级时，多元判别分析法即可成功检出乳酸菌污染。
该方法具备快速、简便的优势，作为在线旁分析工具，在发酵异常的早期预警方面展现出极大应用潜力。 -
利用近红外高光谱分析与化学计量学快速无损研究及鉴别松子的方法可行性
查看原文
2021
Food Control
中科院一区JCR一区
计算机标签
主成分分析/判别分析 深度学习 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） 质量管理与追溯系统 光谱/色谱/质谱等分析方法 脂质与脂肪酸西班牙松子凭借独特的香气与风味，在全球市场广受青睐。然而，随着中国松子在市场中的流通量日益增加，以中国松子冒充西班牙松子销售的造假与标识欺诈行为频发，严重扰乱了西班牙松子的市场秩序。本研究首次将近红外高光谱成像技术（940~1625 nm）与化学计量学方法相结合，针对市售包装标注为西班牙松子和中国松子的商品开展光谱特征研究（分析化学成分的分布与组成），并构建单类别判别模型。
实验共选取 63 份不同产地标识、不同品质等级的市售松子样品进行分析。主成分分析（PCA）与多元曲线分辨法（MCR）的结果显示，不同产地标识的松子样品中，主要化合物的光谱特征峰存在差异：1170~1210 nm 波段的特征峰与油脂及脂肪酸相关，1485~1550 nm 波段的特征峰则与水分及蛋白质相关。研究分别采用基于像素和基于单粒松子两种分析策略，结合类比软独立建模法（SIMCA）对样品产地标识进行判别，正确预测率分别达 89%~98% 和 84%~100%。
综上，本初步研究证实，该技术方法可作为松子产业中兼具快速性、全面性与创新性的质量控制工具，实现对松子的成分表征与产地鉴别。 -
利用随机森林模型对具有原产地保护标志的绿茶进行预测性地理溯源
查看原文
2020
Food Control
中科院一区JCR一区
计算机标签
随机森林 分类/鉴别/等级评定食品标签
茶/茶饮料 质量管理与追溯系统 光谱/色谱/质谱等分析方法 矿物质与微量元素可靠的产地溯源鉴别方法，对于保护具有特定地理标志的高价值食品而言至关重要。2012 至 2016 年间，研究从中国各大核心绿茶产区共采集了 623 份茶叶样本，并构建了包含 19 个输入预测变量（如碳稳定同位素 δ¹³C、镁同位素 ²⁴Mg、铷同位素⁸⁵Rb、铅同位素比值 ²⁰⁶Pb/²⁰⁷Pb 等）的随机森林（Random Forest, RF）模型。
本研究建立的随机森林模型不仅能将西湖龙井茶（Westlake Xihu Longjing, XHLJ）与其他产区茶叶精准区分，鉴别准确率达 97.6%，对其周边产区绿茶的正确判别准确率也高达 97.9%；对后续年份采收茶叶的地理溯源判别同样表现出良好的稳定性，预测准确率均高于 91%。
⁸⁵Rb、²⁴Mg、δ¹³C 与 ³⁹K 是判别茶叶产地来源的核心地理标识物，其相对贡献度分别为 20.6%、12.5%、12.1% 和 7.4%。该随机森林模型的分类准确率优于其他常用化学计量学模型，为依托历史数据构建预测模型、开展受保护地理标志（Protected Designation of Origin, PDO）农产品的产地溯源鉴别提供了全新思路。 -
结合稳定同位素与矿物元素特征及化学计量学分析鉴定贵州绿茶的产地来源
查看原文
2021
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/等级评定食品标签
茶/茶饮料 质量管理与追溯系统 光谱/色谱/质谱等分析方法 矿物质与微量元素贵州绿茶是贵州省级地理标志保护产品，兼具高经济价值与良好市场口碑。然而，在经济利益的驱使下，市场上针对贵州绿茶的蓄意产地造假与掺伪现象日益突出。因此，亟需建立可靠的产地溯源鉴别方法，以打击此类造假行为，保护正品贵州绿茶。
本研究采集了中国不同省份（贵州、湖北、广东）及贵州省内不同县域（都匀、雷山、湄潭）的绿茶样品，对其 4 种稳定同位素及 31 种矿质元素特征进行分析。结果显示：湖北产区绿茶样品的 δ²H 与 δ¹⁸O 同位素比值显著偏高，这一现象或可归因于该地区相对湿度较低引发的强烈二次蒸发效应；同时，不同产区绿茶的矿质元素含量存在显著地域差异，例如铁（Fe）、锰（Mn）、铜（Cu）及稀土元素等。上述差异主要源于产地土壤环境（包括土壤性质、地质背景及矿产资源），且可能与气候条件存在关联。
此外，本研究将稳定同位素与矿质元素特征相结合，分别采用主成分分析（PCA）、线性判别分析（LDA）及正交偏最小二乘判别分析（OPLS-DA）方法，探索了贵州绿茶在省级与地级行政区域尺度上的产地鉴别可行性。经交叉验证与外部验证表明，LDA 与 OPLS-DA 模型的预测准确率均高于 97%。研究发现，δ²H 同位素比值及钾（K）、钒（V）、钴（Co）、铜（Cu）、锌（Zn）、铈（Ce）元素含量，是区分三省绿茶样品的关键特征变量；而镝（Dy）、铒（Er）、钆（Gd）、钬（Ho）、钐（Sm）、铽（Tb）、铥（Tm）、镱（Yb）等稀土元素含量，则是实现贵州省内三县域绿茶样品次级分类的核心指标。
综上，稳定同位素与矿质元素联合分析策略，可作为鉴别贵州绿茶与其他产地绿茶（包括邻近产区样品）的高效技术手段。
