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
-
前表面荧光光谱与荧光成像技术在鉴别掺杂初榨橄榄油与普通橄榄油中的潜力
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 支持向量机 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法鉴于特级初榨橄榄油（EVOO）的健康功效及其消费量的持续增长，部分不法商家将初榨橄榄油（VOO）等次一级橄榄油掺入特级初榨橄榄油中，并冒充特级初榨橄榄油销售给不知情消费者，这已成为行业内亟待关注的问题。为保障特级初榨橄榄油的消费价值，亟需开发快速、可靠且经济的检测技术以揭露此类掺假行为。
本研究通过向特级初榨橄榄油中掺入不同比例的初榨橄榄油制备掺假样品，采用前表面荧光光谱法获取样品的荧光激发 - 发射矩阵（EEM），同时利用 365 nm 紫外发光二极管（UV LED）采集样品的荧光图像，进而开展综合分析。研究借助支持向量机（SVM）分类算法筛选荧光激发 - 发射矩阵与荧光图像的特征区域，并通过偏最小二乘回归（PLSR）算法对模型灵敏度进行验证。结果表明，选取激发波长 230~500 nm、发射波长 260~620 nm构建的荧光激发 - 发射矩阵，可有效区分纯特级初榨橄榄油、不同掺假比例的混合油样及纯初榨橄榄油。实现样品鉴别所依赖的特征荧光峰，由生育酚、生育三烯酚、酚类化合物、氧化产物及维生素 E 等物质的荧光信号共同构成。
综上，前表面荧光光谱技术与紫外诱导荧光成像技术有望成为鉴别纯特级初榨橄榄油与掺假橄榄油的有效手段。 -
利用“单类”多元素化学计量学模型区分在喜马拉雅巴斯马蒂地理区域内外部种植的巴基斯坦长粒米
查看原文
2021
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/等级评定食品标签
大米 质量管理与追溯系统“巴斯马蒂”（Basmati）是一类稻米的专用名称，特指种植于印度和巴基斯坦印度河 - 恒河平原特定产区的若干限定品种。该稻米因品质上乘而售价高昂，由此易成为受经济利益驱使的掺假欺诈目标。部分不良生产商或经销商会将非巴斯马蒂认证产区种植的稻米冒用标识，冒充巴斯马蒂稻米销售，以牟取暴利。
因此，巴斯马蒂稻米的产地溯源鉴别对整个产业链而言至关重要；加之目前相关方正向欧盟委员会提交地理标志（GI）认证申请，产地鉴别的重要性愈发凸显。尽管元素分析法此前已被应用于稻米溯源研究，但针对巴斯马蒂稻米产地鉴别开展的相关研究仍为数不多。
本研究证实，将元素分析法与 数据驱动型类比软独立建模法（DD - SIMCA） 相结合，对区分巴基斯坦巴斯马蒂认证产区与非认证产区稻米具有极高的应用潜力，这一方法可有效验证巴斯马蒂稻米产地溯源的 “地理属性” 特征。研究所构建的单类别 DD - SIMCA 模型，灵敏度达 100%，特异度达 98%。 -
结合图像分析和傅里叶变换近红外光谱预测橄榄成熟度以优化特级初榨橄榄油
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 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据食品标签
植物油 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法本研究基于完整油橄榄果实的傅里叶变换 - 近红外（FT-NIR）光谱数据，构建用于预测油橄榄成熟度指数的分类模型。研究专门开发了一种图像分析（IA）方法，以实现对油橄榄成熟度指数的客观评价。实验连续三年采集了 13 个油橄榄品种在不同成熟阶段的样本。通过相关性分析证实，该图像分析方法的检测结果与传统成熟度指数目视评价法具有极显著的相关性，验证了方法的可靠性。
研究以图像分析所得成熟度指数为参考标准，结合油橄榄果实的漫反射傅里叶变换 - 近红外光谱数据，采用偏最小二乘判别分析（PLS-DA）构建分类模型。结果显示，针对不同产地油橄榄分别建立的 PLS-DA 模型，其预测灵敏度与特异度均高于 81%；而整合所有样本构建的全局模型性能略低（灵敏度 79%、特异度 75%），但该模型的稳健性显著更优，可为橄榄油产业提供一种快速、绿色且无损的油橄榄分选方法，助力高品质初榨橄榄油的生产。 -
利用前表面荧光光谱和化学计量学鉴定意大利特级初榨橄榄油的品种和地理来源
查看原文
2021
Food Control
中科院一区JCR一区
计算机标签
K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
植物油 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前表面荧光分析法，在无需繁琐样品前处理的前提下，获取了意大利不同单品种及混合品种特级初榨橄榄油的荧光激发 - 发射矩阵（EEM）。实验选取230~360 nm 激发波长与260~390 nm 发射波长构建矩阵，旨在挖掘可用于橄榄油品种鉴别与产地溯源的特征光谱指纹信息。
为简化复杂的光谱数据集，研究采用总绝对主成分系数法进行变量降维。结果表明：选取至少 3 个激发波长可提取 5 个特征变量，结合 4 个主成分即可解释样品中 95% 以上的光谱变异信息。本研究推荐 5 组特征波长对（激发 / 发射：300/315、300/340、280/300、280/320、265/330 nm）作为特级初榨橄榄油的高灵敏度光谱指纹。
基于上述特征指纹构建多种分类模型后发现，非参数精细 k 近邻（k-NN）分类器对橄榄油品种及产地的鉴别效果最优。该研究证实，多激发波长荧光技术可有效应用于特级初榨橄榄油的品种鉴定与产地溯源。 -
利用原位漫反射近红外光谱和化学计量学检测茶油中玉米油、菜籽油和葵花籽油的掺假
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 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
植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法茶油在市场中常被掺入玉米油、菜籽油及葵花籽油以次充好。本研究基于原位近红外（NIR）光谱技术结合化学计量学方法，建立了一套针对茶油掺杂的新型实时定量检测方案。对光谱数据进行一阶导数预处理后，采用判别分析（DA）法可成功识别茶油中掺杂的低价油脂种类，识别准确率达 96.7%。研究进一步对比多元散射校正、标准正态变量变换、萨维茨基 - 戈雷平滑及归一化等多种光谱预处理方法并完成模型优化，经偏最小二乘（PLS）回归建模后，获得了优异的掺杂水平预测性能 —— 模型决定系数（R2）高于 0.995，校正均方根误差（RMSEC）与预测均方根误差（RMSEP）分别低于 6.79 和 4.98。综上，本研究建立的原位近红外检测方法可作为实时监测工具，替代传统定性检测与人工抽样手段，实现茶油真伪的快速鉴别。
