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 291 条结果
-
基于HS-GC-IMS与深度学习结合的藏红花不同产地表征与真伪鉴别
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
Yingjie Lu, Chi Zhang, Kunmiao Feng, Jie Luan, Yuqi Cao, Khalid Rahman, Jianbo Ba, Ting Han & Juan Su
计算机标签
卷积神经网络 分类/鉴别/等级评定 组学数据食品标签
香精香料 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法随着藏红花需求的不断增长，规范其产地确认并识别任何掺假情况，对于维持市场上以质量为导向的产品至关重要。然而，目前仍缺乏一种快速且可靠的藏红花掺假识别策略。在此，我们开发了一种顶空-气相色谱-离子迁移谱（HS-GC-IMS）与卷积神经网络（CNN）相结合的方法。该方法可快速直接地检测出69种挥发性化合物（VOCs），其中包括7组异构体。我们提出了一种基于GC-IMS数据的CNN预测模型。凭借最少的数据预处理和自动特征提取能力的优势，GC-IMS图像可直接输入到CNN模型中。产地预测结果的平均准确率约为90%，高于主成分分析（PCA，61%）和支持向量机（SVM，71%）等传统方法。所建立的CNN在识别假冒藏红花方面也表现出98%的高准确率，可用于藏红花的真伪鉴别。
-
pLM4Alg：基于蛋白质语言模型的过敏原蛋白和肽预测器
查看原文
2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Zhenjiao Du, Yixiang Xu, Changqi Liu, & Yonghui Li
计算机标签
卷积神经网络 其他深度学习结构 定量预测/回归分析食品标签
过敏原与毒性问题 暴露评估与风险表征 标准/法规/数据库分析 蛋白质与氨基酸过敏患病率上升要求开发高效、准确的生物信息学工具，以加快过敏原识别和风险评估，同时减少湿实验成本和时间。近年来，预训练蛋白质语言模型已成功用于预测蛋白质结构和功能，但此前尚未用于过敏原蛋白/肽预测。本研究使用五种不同规模的蛋白质语言模型，并通过与卷积神经网络微调结合，开发稳健的过敏原蛋白/肽预测模型，并系统评估其性能。所开发的 pLM4Alg 模型达到当前先进水平，准确率、Matthews 相关系数和曲线下面积分别为 93.4%-95.1%、0.869-0.902 和 0.981-0.990。此外，pLM4Alg 是首个能够处理残基缺失序列以及含非标准氨基酸残基序列预测任务的模型。研究还建立了用户友好的网络服务器，便于访问。pLM4Alg 有望成为基于机器学习的过敏肽和过敏蛋白预测领先模型，并可与其他预测器协同加速过敏研究。
-
基于度量的元学习结合高光谱成像用于域偏移骆驼奶粉掺假快速检测
查看原文
2024
LWT
中科院一区JCR一区
Shiwei Ruan, Ruoyu Di, Yuan Zhang, Tianying Yan, Hao Cang, Fei Tan, Mengli Zhang, Nianyi Wu, Li Guo, Pan Gao, & Wei Xu
计算机标签
卷积神经网络 小样本学习 支持向量机 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
乳粉 食品安全与风险评估 其他安全问题 显微与成像技术骆驼奶粉具有高营养价值和经济价值。将骆驼奶粉掺入其他品种严重损害了消费者权益。在骆驼奶粉检测的高光谱分析实际应用中，用于测试的样品类别通常与构建模型时使用的类别不同。作为一种擅长处理领域偏移和少量样本场景的学习方法，元学习被用于解决此问题。在本研究中，我们使用掺入牛奶粉的骆驼奶粉作为训练样本，掺入山羊奶粉的骆驼奶粉作为测试样本。在对十一种掺假水平的检测中，纯骆驼奶粉的检测准确率达到98.92%。值得注意的是，对于不太明显的70%掺假水平，检测准确率也达到了77.69%。基于元学习的综合检测准确率达到了84.4%，与SVM、BP和CNN相比显示出显著提高，分别提高了24.67%、28.16%和18.4%。对特征向量和贡献的详细分析证实了基于元学习的定性分析的可靠性和稳定性。
-
基于知识引导的温度校正在线无损检测梨可溶性固形物含量的可见/近红外光谱研究
查看原文
2024
Postharvest Biology and Technology
中科院一区JCR一区
Zhizhong Sun, Jie Yang, Dong Hu, Hao Tian, Yibin Ying & Lijuan Xie
计算机标签
偏最小二乘法 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据食品标签
新鲜水果 其他品质相关性质 过程监测与在线检测 光谱/色谱/质谱等分析方法环境和仪器因素会导致样品温度发生变化，这可能会影响使用在线可见/近红外（Vis/NIR）光谱法预测新鲜水果可溶性固形物含量（SSC）的模型的预测性能，而可溶性固形物含量是影响水果价格的一个重要质量指标。本研究提出了一种基于一维卷积神经网络（1D-CNN）的知识引导（KG）温度校正方法，以减少样品温度对可溶性固形物含量预测模型的影响。首先，开发了一个一维卷积神经网络用于从光谱中预测温度，并使用梯度加权类激活映射来识别与温度相关的特征。这些对温度变化敏感的特征被用于抑制温度敏感波段，从而生成受温度影响较小的新光谱。随后，利用这些新光谱构建偏最小二乘（PLS）模型来预测可溶性固形物含量。为了验证所提方法的有效性，在可溶性固形物含量预测性能方面，将其与外部参数正交化方法（EPO）、竞争性自适应重加权采样（CARS）和连续投影算法（SPA）进行了比较。结果表明，虽然知识引导偏最小二乘（KG-PLS）方法并没有提升局部模型在局部（特定温度）测试集上的性能，但能够改善其在外部（除特定温度外的其他温度）测试集上的性能。使用知识引导偏最小二乘方法的15°C局部模型对可溶性固形物含量的交叉验证均方根误差（RMSECV）为0.415%，分别比偏最小二乘（0.611%）、竞争性自适应重加权采样-偏最小二乘（0.581%）、连续投影算法-偏最小二乘（0.584%）和外部参数正交化-偏最小二乘（0.480%）方法得到的交叉验证均方根误差低0.196%、0.166%、0.169%和0.065%。总体而言，所提出的知识引导方法能够有效减轻温度干扰对光谱建模的影响，为水果品质的高精度在线无损分选提供了参考。
-
基于鲸鱼优化算法和多任务卷积神经网络的近红外光谱多品种梨品质性状预测
查看原文
2024
Postharvest Biology and Technology
中科院一区JCR一区
Qi Shi, Yanlei Li, Fan Zhang, Qianyun Ma, Jianfeng Sun, Yaqiong Liu, Jianlou Mu, Wenxiu Wang & Yiwei Tang
计算机标签
智能手机/其他 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据食品标签
新鲜水果 其他品质相关性质 光谱/色谱/质谱等分析方法准确测定多个梨品种的可溶性固形物含量（SSC）、可滴定酸度（TA）和硬度对于提升其市场吸引力至关重要。使用光谱技术的传统方法需要繁琐且试错性的预处理、特征波长选择和模型建立过程。此外，需要训练多个独立模型来预测不同属性。在本研究中，我们开发了一种基于鲸鱼优化算法（WOA）的多任务卷积神经网络（MCNN）模型，用于建立同时测定三个梨品种SSC、TA和硬度的全局模型。使用自主设计的透射光谱采集装置从单个梨样品中采集了300-900 nm范围内的光谱数据。我们建立并比较了使用三个梨品种的单品种预测模型和全局模型。优化后的MCNN模型对SSC（Rw2 = 0.977，残差预测偏差RPD = 5.414）、TA（Rw2 = 0.970，RPD = 5.057）和硬度（Rw2 = 0.978，RPD = 6.326）实现了最佳预测精度。将全局建模策略与优化的MCNN架构相结合，增强了模型对品种变异的鲁棒性，并提高了检测梨品质性状的准确性。该模型为无需对原始光谱进行任何进一步处理即可对水果中多个质量指标进行端到端、同步预测提供了一种新颖、便捷且自动化的方法。
