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
-
结合可见光、近红外和中红外光谱的创新化学计量策略控制苹果泥质量
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 定量预测/回归分析 红外/拉曼光谱数据食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常量营养素（宏量）本研究采用可见 - 近红外光谱技术（Vis-NIRS）、中红外光谱技术（MIRS）及二者联用技术，结合偏最小二乘回归（PLS）与机器学习算法，开展两项研究：其一，对复合苹果泥中不同品种苹果的配比进行溯源分析；其二，基于原料品种苹果泥的光谱信息，预测复合苹果泥的品质特性。
偏最小二乘回归模型借助中红外光谱数据，可实现对复合苹果泥中各品种苹果占比的定量分析，模型预测均方根误差（RMSEP）均小于 8.1%，剩余预测偏差（RPD）均大于 3.6；其中，针对澳洲青苹（Granny Smith）的定量效果最优，预测均方根误差低至 2.7%，剩余预测偏差高达 11.4。通过多元曲线分辨 - 交替最小二乘法（MCR-ALS）解析得到的组分浓度谱，可实现复合苹果泥光谱的重构。研究证实，仅依靠原料品种苹果泥的光谱数据，中红外光谱技术即可实现对复合苹果泥终产品多项品质指标的预测，包括黏度（RPD>4.0）、可溶性固形物含量（RPD=4.1）、苹果酸含量（RPD=4.7）及葡萄糖含量（RPD=4.3）。
综上，红外光谱技术不仅可作为苹果泥配比溯源的高效工具，还能根据原料品种苹果泥的特性，为复合苹果泥产品的多指标优化提供技术支撑。 -
建立法医食品模型用于明胶和棉花糖中猪源掺假物的鉴定和定量
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
肉类/蛋类与水产品 食品安全与风险评估 光谱/色谱/质谱等分析方法 蛋白质与氨基酸本研究旨在将超高效液相色谱 - 二极管阵列检测法（UHPLC-DAD）氨基酸（AA）分析技术，与判别分析（DA）、主成分分析（PCA）等食品溯源分析模型相结合，建立明胶来源的鉴别方法。研究对比多元线性回归（MLR）、主成分回归（PCR）及偏最小二乘回归（PLSR）三种算法，筛选最优模型并实现两大目标：（1）测定非猪源明胶中猪源明胶的掺杂比例；（2）分别测定鱼明胶与牛明胶中猪源明胶的掺杂比例。
该分析方法的线性范围为 37.5~1000 pmol/μL，决定系数（R2）达 0.96~1.00，总回收率为 85%~111%。研究以鱼皮、牛皮及猪皮明胶的氨基酸数据为基础，构建训练集、测试集与验证集。判别分析（DA）实现了对鱼、牛、猪三种明胶 100% 的准确分类；主成分分析（PCA）则明确了不同来源明胶的特征性优势氨基酸。其中，非猪源 - 猪源明胶判别模型（NPPDM）与鱼 - 牛 - 猪源明胶判别模型（FBPDM）表现优异，对非猪源 / 猪源明胶的分类准确率达 100%，对鱼、牛、猪三种明胶的分类准确率同样达 100%。
模型验证结果显示：采用鱼 - 牛明胶混合训练集（PFBG）时，主成分回归（PCR）模型无法实现非猪源明胶中猪源掺杂成分的定量分析；而以鱼明胶中猪源掺杂训练集（PFG）与牛明胶中猪源掺杂训练集（PBG）为基础时，多元线性回归（MLR）模型的相对误差区间及平均相对误差均低于 PCR 模型，在非猪源明胶掺杂定量分析中表现更优。同理，基于 PFBG 训练集的 PCR 模型无法准确定量鱼明胶和牛明胶中的猪源掺杂成分；而 PFG 训练集对应的 MLR 模型为鱼明胶掺杂定量的最优模型，PBG 训练集对应的 MLR 模型则为牛明胶掺杂定量的最优模型。
在实际样品检测中，仅采用 PFG 训练集的 MLR 模型无法实现棉花糖中猪 -
结合光学光谱和机器学习提升食品分类准确性
查看原文
2021
Food Control
中科院一区JCR一区
计算机标签
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
豆类与坚果（及籽类） 食品安全与风险评估 光谱/色谱/质谱等分析方法在无损产品鉴别领域，近红外光谱数据的处理传统上依赖多元数据分析技术。然而，这类方法往往仅能覆盖有限的产品变异范围。本研究旨在开发一种新型机器学习算法，通过整合紫外 - 可见 - 近红外反射光谱与荧光光谱的多维信息，实现产品流中异物识别与食品安全品质检测的一体化分析。
为此，研究构建了一种新型级联式分类模型，将两类光谱数据的特征进行融合分析。同时，为了便于工业化应用落地、缩短数据处理时长，研究通过特征筛选优化，将模型所采用的光照与检测波长数量限定为 8 个。
本研究以核桃仁加工检测为应用案例，对该新型分类算法的性能进行验证。结果表明，最优级联模型由两部分构成：第一级为基于反射光谱数据的极限学习机分类器，第二级为基于荧光光谱数据的支持向量机分类器。该模型对合格核桃仁的漏检率（假阴性率）为 5.54%；针对皱缩核桃仁的误检率（假阳性率）最高，为 8.34%；而对于异物、霉变等其他各类缺陷样品，正确识别率均超过 98%。综上，该算法的优异性能充分证实，机器学习技术在多用途食品加工检测场景中具有显著的应用优势。 -
利用前表面同步荧光光谱快速、同时、无损检测藜麦粉中玉米粉和大豆粉的掺假
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 主成分分析/判别分析 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
杂粮 食品安全与风险评估 光谱/色谱/质谱等分析方法藜麦是一种天然无麸质的假谷物，近年来在全球范围内受到的关注度日益提升。本研究采用前表面同步荧光光谱技术（FFSFS），旨在实现对玉米粉、大豆粉掺杂藜麦粉的快速、无损鉴别，并分别探究了单一掺杂与双重掺杂（掺杂比例为 6%~50%）两种情形。
针对玉米粉或大豆粉单一掺杂的样品，研究采用主成分分析 - 线性判别分析联用技术（PCA-LDA） 开展初步定性鉴别；随后将一维展开的总同步荧光光谱数据与偏最小二乘（PLS）回归法相结合，构建一阶定量预测模型，并通过五折交叉验证与外部验证对模型可靠性进行验证。
针对双重掺杂样品，研究建立了可同时测定玉米粉和大豆粉掺杂比例的偏最小二乘 2（PLS2）通用模型。该模型表现出良好的预测性能：预测决定系数（Rp2）大于 0.9，预测均方根误差（RMSEP）低于 5%，剩余预测偏差（RPD）大于 3；对玉米粉和大豆粉的检出限（LOD）分别为 9.0% 和 6.9%。此外，大部分加标回收率处于 80%~120% 的合理区间。
本研究不仅为藜麦粉掺杂鉴别提供了重要的技术应用方案，还可为不同植物来源的谷物粉混合物成分定量分析提供研究思路与方法参考。 -
基于机器学习和发射与吸收光谱数据融合的橄榄油品种来源鉴别
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 红外/拉曼光谱数据食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法本研究首次将激光诱导击穿光谱技术（LIBS）与吸收光谱技术相结合，并辅以机器学习算法，用于区分希腊不同品种的特级初榨橄榄油。研究采集并分析了科洛维（Kolovi）、科拉尼基（Koroneiki）两个品种及其混合样品的特级初榨橄榄油的激光诱导击穿光谱与吸收光谱数据，随后分别采用线性判别分析（LDA）和梯度提升算法构建分类模型，其中梯度提升算法可实现对关键光谱特征的筛选。结果表明，两种算法均能对橄榄油光谱数据实现高效分类，分类准确率均超过 90%。此外，本研究首次将激光诱导击穿光谱的发射谱图与吸收光谱数据进行融合建模，所构建预测模型的准确率得到显著提升。本研究证实，激光诱导击穿光谱与吸收光谱联用技术具备更优的检测性能，二者结合的技术方案在橄榄油品质监测与质量控制领域具有良好的应用潜力。
