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
-
利用多元分析技术基于颜色参数和色素测定干红葡萄酒的年份
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/回归分析食品标签
酒精饮料 颜色与外观品质 常规理化指标测定年份是商品瓶装干红葡萄酒市场定价的决定性因素。本研究旨在以颜色参数和色素指标为基础，结合偏最小二乘法（PLS）与多元线性回归法（MLR），建立干红葡萄酒年份预测模型。
两种模型均能实现葡萄酒年份的精准预测，拟合优度（R 2）较高，且交叉验证均方根误差（RMSECV）处于较低水平。尽管构建高性能多元线性回归模型所需的变量更少，但其预测精度与偏最小二乘模型相当。研究证实，一类聚合色素（TFPP）与锦葵色素 - 3 - 糖苷的比值是一项极具应用前景与实操性的化学指标，可用于干红葡萄酒年份的快速简便判定。 -
利用高光谱成像技术检测可可豆中的异物
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 支持向量机 K-近邻 分类/鉴别/等级评定 高光谱/多光谱光谱 中等规模数据集食品标签
巧克力及含可可制品 食品安全与风险评估 光谱/色谱/质谱等分析方法可可豆批次中掺杂的异物会直接影响产品的经济效益、市场流通性及整体品质等级。因此，对这些异物的识别与剔除是保障最终产品高品质的关键环节。本研究旨在探究高光谱成像技术用于检测和判别可可加工业中四类典型异物（木材、塑料、石子及植物器官）的可行性。
研究人员采集了 250 份可可豆及异物样本的光谱图像数据，并采用主成分分析（PCA）结合三种分类模型进行分析，分别为支持向量机（SVM）、线性判别分析（LDA）和 k 近邻算法（KNN）。研究将由二阶光谱图与前三个主成分提取的最优波段作为输入特征代入分类模型，并对比各模型的判别性能。
结果显示，支持向量机模型在可可豆与异物的分类任务中准确率可达 89.10% 以上；以最优特征为输入时，该模型训练集准确率为 86.90%，测试集准确率为 81.28%。为验证模型的泛化能力，研究引入外部测试集开展验证，结果表明：以最优特征作为输入数据时，异物分类模型的稳健性显著提升。 -
利用元素谱分析结合化学计量学鉴别太平洋白虾的地理来源
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 随机森林 K-近邻 分类/鉴别/等级评定食品标签
甲壳类 质量管理与追溯系统 矿物质与微量元素凡纳滨对虾（Litopenaeus vannamei）是全球范围内重要的水产养殖品种，而虾类制品产地标注不实的问题日益引发关注，产地溯源因此成为研究重点。本研究从中国南、北方 12 个产地采集凡纳滨对虾样本，旨在建立产地溯源技术方法。
为探究饲料对虾体元素组成的影响，研究人员在其中一个采样点选取了 5 家养殖场均使用同一水源、但投喂不同品牌饲料的虾样开展分析。通过检测，共在虾体及饲料中识别出 35 种元素，具体包括铈（Ce）、钕（Nd）、镨（Pr）、钐（Sm）、铕（Eu）、钆（Gd）、铽（Tb）、镝（Dy）、钬（Ho）、铒（Er）、铥（Tm）、镱（Yb）、镥（Lu）、钍（Th）、钇（Y）、铀（U）、锂（Li）、铝（Al）、钒（V）、铬（Cr）、锰（Mn）、铁（Fe）、钴（Co）、镍（Ni）、铜（Cu）、锌（Zn）、镓（Ga）、砷（As）、铷（Rb）、锶（Sr）、银（Ag）、镉（Cd）、铯（Cs）、钡（Ba）及铅（Pb）。
分析结果显示，仅虾体中镉（Cd）和铽（Tb）两种元素的含量与饲料呈正相关；此外，中国南、北方虾体样本中存在 24 种元素的含量差异显著，涵盖锂（Li）、铝（Al）、钒（V）、铁（Fe）、砷（As）、铷（Rb）、锶（Sr）、镉（Cd）、铅（Pb）、铈（Ce）、钕（Nd）、镨（Pr）、钐（Sm）、铕（Eu）、钆（Gd）、铽（Tb）、镝（Dy）、钬（Ho）、铒（Er）、铥（Tm）、镱（Yb）、镥（Lu）、钍（Th）及钇（Y）。
研究通过逐步判别分析（SDA）筛选出砷（As）、铁（Fe）、铅（Pb）、铷（Rb）、铯（Cs）和铀（U）这 6 种特征元素，构建特征元素数据集（SSDAs 数据集），并与全元素数据集（ATEs 数据集）进行判别效能对比。基于上述两个数据集，分别采用线性判别分析（LDA）、k 近邻算法（KNN）和随机森林（RF）三种分类模型建立凡纳滨对虾产地鉴别模型。结果表明，基于 SSDAs 数据集的随机森林模型判别效能最优，其总体正确判别率达 100%，交叉验证正确率为 98.78%，预测判别率为 100%。
综上，元素指纹图谱结合化学计量学建模是一种极具应用前景的凡纳滨对虾产地溯源技术方法。 -
基于UV-VIS和FTIR光谱数据结合化学计量学工具的薄荷品种质量控制
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
香精香料 品质、结构与理化性质 光谱/色谱/质谱等分析方法薄荷因其独特的精油成分而具有较高应用价值，该精油广泛应用于食品、医药及化妆品工业。不同薄荷品种的化学成分存在差异，进而导致其药用功效、抗氧化活性及香气特征有所不同。基于此，建立一种可对两种最常见薄荷品种 —— 胡椒薄荷与留兰香薄荷 —— 进行快速质量检测的方法，成为当前亟待解决的关键问题。
本研究采用紫外 - 可见分光光度法（UV-VIS）与傅里叶变换红外衰减全反射光谱法（FTIR-ATR），对 20 余个薄荷品种在 3 个采收期的样品进行光谱指纹图谱采集。针对薄荷质量检测，研究设计了两步式化学计量学分析策略：第一步采用 类软独立建模法（SIMCA）对样品进行初筛，剔除胡椒薄荷与留兰香薄荷以外的其他品种；第二步将疑似目标品种的样品进一步纳入判别分析，分别采用偏最小二乘判别分析（PLS-DA）与支持向量机（SVM） 两种适宜的判别模型完成最终品种鉴定。
模型性能测试结果显示，其判别准确率介于 60%~80%，具体数值取决于模型训练所用的光谱数据类型及样品采收季节。 -
应用短波红外高光谱图像的不同分类方法检测开心果中的污染物
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 K-近邻 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） 品质、结构与理化性质 光谱/色谱/质谱等分析方法本研究评估了多种多元分类方法在短波红外波段（SWIR：1000~2500 nm）高光谱图像分析中的应用，旨在实现开心果的品质检测，具体聚焦于食用开心果制品中污染物的识别。研究共设置 6 类物质样本，包括可食用开心果仁、不可食用开心果仁、开心果壳、开心果外皮、枝条及石子。所有样本被划分为训练集与验证集两组。
研究首先采用主成分分析（PCA）对采集的高光谱图像进行降维与特征探索；随后选取多种多元分类方法验证并对比其检测效能与稳健性，包括偏最小二乘判别分析（PLS-DA）、主成分分析结合判别分析（PCA-DA）、主成分分析结合 k 近邻算法（PCA-kNN）及分类回归树（CART）。
从预测分布图及模型性能参数（灵敏度、特异度、有效度）来看，四种模型的分类结果在多数情况下表现良好。主要误判情况集中于可食用开心果仁与不可食用开心果仁两类之间，以及开心果壳、开心果外皮与枝条三类之间，这与主成分分析中观察到的上述类别具有相似光谱特征的结果一致。其中，PCA-kNN 模型的预测鉴别能力最优，有效度数值介于 0.92~0.99；PLS-DA 与 PCA-DA 模型性能次之；而 CART 模型从校正阶段到验证阶段的性能出现下降。
总体研究结果表明，短波红外高光谱成像（SWIR-HSI）技术结合多元统计分析建模，是一种极具应用前景的技术方案，可用于开发食用开心果中污染物的离线及在线快速、可靠、稳健检测方法。
