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
-
基于多任务卷积神经网络的水果新鲜度检测
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Yinsheng Zhang, Xudong Yang, Yongbo Cheng, Xiaojun Wu, Xiulan Sun, Ruiqi Hou & Haiyan Wang
计算机标签
卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
新鲜水果 品质、结构与理化性质 过程监测与在线检测背景：通过计算机视觉检测水果新鲜度在许多农业应用中至关重要，例如自动收获和供应链监控。本文提出采用多任务学习（MTL）范式构建用于水果新鲜度检测的深度卷积神经网络。
结果：我们设计了一个多任务学习模型，用于并行优化新鲜度检测（T1）和水果类型分类（T2）任务。该模型采用共享卷积神经网络（CNN）子网络和两个全连接（FC）任务头。共享卷积神经网络作为特征提取模块，为两个任务头提供共同的语义特征。基于一个公开的水果图像数据集，我们对多任务学习和单任务学习（STL）范式进行了对比研究。单任务学习模型使用相同的卷积神经网络子网络，但仅配备一个特定的任务头。在多任务学习场景中，测试集上T1和T2的平均准确率分别为93.24%和88.66%。同时，对于单任务学习，这两个准确率分别为92.50%和87.22%。统计测试表明，多任务学习和单任务学习在T1和T2的测试准确率上存在显著差异。我们进一步研究了从两个单任务学习模型中提取的特征向量（语义嵌入）。在整个数据集上，这些向量的平均余弦相似度为0.7，大多数值在0.6–0.8范围内。这表明任务之间存在相关性，并证明了所提出的多任务学习方法的有效性。
结论：本研究证明，多任务学习能够利用两个或多个相关任务之间的相互关联，并能最大限度地共享它们的底层特征提取过程。我们期望这种方法能够扩展到涉及多个相互关联任务的其他领域。 -
利用Wasserstein生成对抗网络增强高光谱成像：预测樱桃番茄可溶性糖含量的新方法
查看原文
2024
LWT
中科院一区JCR一区
Jiarui Cui, Yao Zhang, Jie hao, Yan ma, Jiali Men, Shibo pan, & Longguo Wu
计算机标签
卷积神经网络 生成对抗网络 定量预测/回归分析 高光谱/多光谱光谱 合成/仿真数据为主食品标签
新鲜蔬菜 品质、结构与理化性质 显微与成像技术 碳水化合物与糖类樱桃番茄的可溶性糖含量对其风味、营养价值和生理代谢有显著影响。因此，开发一个精确且灵敏的高光谱检测模型以测定樱桃番茄的甜度，对于其产业发展至关重要。然而，光谱特征的复杂性和样品中化学成分含量低等挑战，为此带来了障碍。在本研究中，采用了Wasserstein生成对抗网络（WGAN）来克服这些挑战并改善建模拟合的困难。经过多次迭代，WGAN成功生成了与原始数据高度相似的样本。结果表明，在引入WGAN进行辅助训练后，每个模型的性能都有显著提升。值得注意的是，改进后的数据集在CNN模型上分别取得了0.8853和0.7719的Rc和Rp值。本研究提供了一种创新且高效的方法来检测樱桃番茄中的可溶性糖含量，并为人工智能在食品和农产品检测领域的应用提供了宝贵的见解。
-
结合化学计量学的ATR-FTIR和FT-NIR光谱技术应用于牛肝菌物种鉴别与质量预测
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
Chuanmao Zheng, Jieqing Li, Honggao Liu & Yuanzhong Wang
计算机标签
偏最小二乘法 智能手机/其他 卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 组学数据食品标签
新鲜蔬菜 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法 代谢组学 蛋白质与氨基酸食用菌的风味和香气是消费者购买时的评判标准，它们受到氨基酸及其代谢物的影响。采用液相色谱-质谱联用技术（LC-MS）鉴定出68种氨基酸及其代谢物，并筛选出16种关键标志物成分。通过二维相关光谱（2DCOS）对不同种类牛肝菌的化学成分进行表征，以确定分子振动或基团变化的顺序。基于偏最小二乘判别法（PLS-DA）结合傅里叶变换近红外光谱（FT-NIR）和傅里叶变换红外光谱（ATR-FTIR），以及残差卷积神经网络（ResNet）结合三维相关光谱（3DCOS）对牛肝菌种类进行鉴定，准确率均达到100%。偏最小二乘回归（PLSR）分析表明，FT-NIR和ATR-FTIR光谱与LC-MS检测到的氨基酸及其代谢物具有高度相关性。所有模型的R²p均达到0.911，RPD＞3.0。结果表明，FT-NIR和ATR-FTIR光谱结合化学计量学方法可用于牛肝菌的快速种类鉴定以及氨基酸及其代谢物含量的估算。本研究为牛肝菌的种类信息真实性及质量评估提供了新的技术和思路。
-
基于高光谱成像与多任务深度学习回归方法的菠菜叶片色素同步检测与品质检验
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
Mengyu He, Chen Jin, Cheng Li, Zeyi Cai, Dongdong Peng, Xiang Huang, Jun Wang, Yuanning Zhai, Hengnian Qi & Chu Zhang
计算机标签
偏最小二乘法 智能手机/其他 卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱食品标签
新鲜蔬菜 货架期预测与品质劣变动力学 常规理化指标测定 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素快速且准确地测定色素含量对于菠菜叶片储存期间的质量检测至关重要。本研究旨在利用两个光谱范围（可见/近红外，VNIR：400–1000纳米；近红外，NIR：900–1700纳米）的高光谱成像技术，同时测定在不同储存时长和条件（未包装和包装）下菠菜中的色素（叶绿素a、叶绿素b、总叶绿素和类胡萝卜素）含量。研究采用偏最小二乘（PLS）、反向传播神经网络（BPNN）和卷积神经网络（CNN）建立单任务和多任务回归模型。单任务CNN（STCNN）模型和多任务CNN（MTCNN）模型的性能优于其他模型。使用VNIR光谱的模型优于使用NIR光谱的模型。总体结果表明，结合多任务学习的高光谱成像技术能够同时预测菠菜的质量属性，可用于不同储存条件下的菠菜质量检测。本研究将通过同时检测多种质量属性，为食品质量检测提供指导。
-
基于结构化照明反射成像与深度学习耦合的早期腐烂柑橘通用分类模型开发
查看原文
2024
Postharvest Biology and Technology
中科院一区JCR一区
Zhonglei Cai, Chanjun Sun, Hailiang Zhang, Yizhi Zhang & Jiangbo Li
计算机标签
偏最小二乘法 卷积神经网络 分类/鉴别/等级评定 缺陷/异物检测与定位 高光谱/多光谱光谱食品标签
新鲜水果 微生物安全 显微与成像技术由真菌感染引起的柑橘早期腐烂检测是柑橘产业面临的主要挑战，因为腐烂区域在果实表面几乎不可见。本研究构建了一种结合发光二极管（LED）灯和单色相机的结构照明成像检测系统。通过在0.25 cycles mm−1空间频率下解调三幅相移图案图像，恢复了直接分量（DC）图像和交流分量（AC）图像。与DC图像相比，腐烂区域在AC图像和比率图像（即AC/DC）中可以清晰显示。对于独立模型，通过将RT图像与卷积神经网络（CNN）方法结合，腐烂橙子和砂糖橘的分类准确率分别达到92.5%和95.0%。然而，为不同柑橘品种构建不同的预测模型耗时耗力。因此，本研究还探索了建立适用于多种柑橘果实的通用分类模型的可行性。评估并比较了偏最小二乘判别分析和CNN模型的分类性能。在所有通用模型中，CNN模型表现出优越的性能，对于包含两个柑橘品种（橙子和砂糖橘）的独立测试集，其分类准确率达到95.0%。对于四种类型的柑橘（橙子、砂糖橘、不知火和南丰蜜桔），通用模型的整体分类准确率为90.6%。本研究表明，通过构建结合结构化照明反射成像技术的通用CNN模型，可以有效识别不同品种的早期腐烂柑橘。
