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 2456 条结果
-
基于智能手机的便携式荧光传感器用于选择性检测亚硝酸根离子：金纳米粒子的介导作用
查看原文
2022
Food Chemistry
中科院一区JCR一区
Kitayanan Ponlakhet, Kittirat Phooplub, Nopphakon Phongsanam, Thirakan Phongsraphang, Samuch Phetduang, Chayada Surawanitkun, Chittanon Buranachai, Watcharin Loilome & Wittaya Ngeontae
计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据食品标签
食品安全与风险评估 光谱/色谱/质谱等分析方法本研究研发了一种基于荧光法、简便便携的亚硝酸盐（NO 2−）检测装置。该装置由暗箱与智能手机组成，暗箱内集成低功率蓝光 LED 作为激发光源，智能手机搭配用于 RGB 分析的移动应用程序作为光信号检测器。检测体系采用实验室合成的十六烷基三甲基溴化铵稳定化金纳米颗粒（CTAB-AuNPs）作为传感介质：NO2−可刻蚀 CTAB-AuNPs 生成金离子（Au3+），Au3+在过氧化氢（H2O2）存在下催化邻苯二胺（OPD）氧化，生成 2,3 - 二氨基吩嗪（DAP）；体系中加入曲拉通 X-100（TX-100）胶束可增强 DAP 的荧光发射信号。智能手机以 RGB 强度值记录 DAP 的荧光强度，该强度与NO 2−浓度呈线性相关。该方法的线性检测范围宽（0.5~100 μmol/L），检出限低至 0.17 μmol/L，且对NO2−具有优异的选择性，可排除其他阴离子的干扰。
-
基于谷物仓质量检测系统的大米直链淀粉含量无损评估
查看原文
2022
Food Chemistry
中科院一区JCR一区
Edenio Olivares Díaz, Shuso Kawamura,Hiroyuki Ishizu, Toru Nagata & Shigenobu Koseki
计算机标签
机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据食品标签
大米 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸直链淀粉含量是决定稻米品质的关键指标，其精准、无损检测一直是行业内的技术难题。本研究探究了稻米品质自动检测系统能否精准测定直链淀粉含量。研究选取 2008—2017 年产自日本北海道的 902 份样品，分别定标构建糙米与精米模型，并采用该地区 2018 年（n=33）和 2019 年（n=71）采自多家谷物加工厂的样品独立开展验证。该模型通过整合自动检测系统多源数据建立，数据来源包括近红外光谱仪、可见光谷物分选仪，结合化学计量学联合分析，并合并低直链淀粉与普通直链淀粉品种的验证结果。两种模型的预测标准误差均较低（<0.52%），预测偏差比均较高（>4.0），可实现直链淀粉含量的精准无损测定。综上，该品质自动检测系统能够满足稻米高品质、高食味性的生产与检测需求，是一种实用检测工具。
-
基于选择离子流动管质谱指纹图谱和化学计量学的特级初榨阿甘油认证
查看原文
2022
Food Chemistry
中科院一区JCR一区
Mourad Kharbach, Huiwen Yu, Rabie Kamal, Ilias Marmouzi, Katim Alaoui, Joeri Vercammen, Abdelaziz Bouklouze & Yvan Vander Heyden
计算机标签
偏最小二乘法 支持向量机 分类/鉴别/等级评定 定量预测/回归分析食品标签
植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法特级初榨阿甘油（EVAO）因其营养价值与药用价值广受认可，却常遭遇掺假问题。研究采用选择离子流动管质谱（SIFT‑MS） 图谱，对特级初榨阿甘油中的掺假物（低品质阿甘油 LQAO、橄榄油 OO、葵花籽油 SO）进行定量分析，分别考察了H₃O⁺、NO⁺、O₂⁺· 三种试剂离子及三者数据融合后的四组数据集。研究采用软独立建模类比（SIMCA）、偏最小二乘判别分析（PLS‑DA）两种方法，对纯品特级初榨阿甘油与掺假样品进行判别分析；同时评估了 SIFT‑MS 结合偏最小二乘（PLS）、支持向量机（SVM）回归，用于定量检测特级初榨阿甘油中微量掺假物的有效性。研究还通过投影重要性变量（VIP）、区间偏最小二乘法（iPLS）筛选有效特征变量，并构建多种模型预测特级初榨阿甘油的真伪与掺假程度，均实现了较高的预测准确率。结果表明，SIFT‑MS 图谱结合适配的化学计量学工具，可有效用于特级初榨阿甘油的品质评价与掺假鉴别。
-
使用高光谱图像结合递归图和卷积神经网络对新鲜和冻融掺假羊肉末进行掺假鉴别与分析
查看原文
2022
Meat Science
中科院一区JCR一区
Yaoxin Zhang, Minchong Zheng, Rongguang Zhu & Rong Ma
计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 中等规模数据集食品标签
畜肉 食品安全与风险评估 显微与成像技术 光谱/色谱/质谱等分析方法本文提出了一种利用光谱变换递归图结合卷积神经网络检测掺假羊肉的方法。为此，准备了100个掺入不同比例（0.5%、1%、2%、5%和10% w/w）猪肉的羊肉掺假样本和20个纯羊肉样本。该方法建立的掺假羊肉分类模型和猪肉含量定量预测模型在新鲜、冻融和混合数据集上的结果具有可比性。结果显示，掺假羊肉在三个数据集上的分类准确率分别为100.00%、100.00%和99.95%。此外，对于掺假羊肉中猪肉含量的预测，新鲜、冻融和混合样本三个数据集的R2分别为0.9762、0.9807和0.9479。因此，本文提出的高光谱结合RP-CNN方法在掺假羊肉的分类和掺假羊肉中猪肉含量的预测方面显示出巨大潜力。
-
基于蛋白质激光诱导击穿光谱分析鉴定加工肉制品中的肉种
查看原文
2022
Food Chemistry
中科院一区JCR一区
Banu Sezer, Armin Bjelak, Hasan Murat Velioglu & Ismail Hakkı Boyaci
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/回归分析食品标签
肉类发酵制品 食品安全与风险评估 光谱/色谱/质谱等分析方法 蛋白质与氨基酸加工肉制品中肉类掺假与标签虚假标注的检测，已日益受到消费者关注。本研究旨在建立并验证一种基于蛋白质的激光诱导击穿光谱法（LIBS），用于鉴别发酵香肠和萨拉米制品中的牛肉、鸡肉与猪肉成分。研究提取了香肠与萨拉米制品中的总蛋白，以及富含肌浆蛋白和肌原纤维蛋白的蛋白组分，并对其进行 LIBS 检测。通过化学计量学方法解析 LIBS 光谱：采用主成分分析实现肉类物种判别，采用偏最小二乘分析测定掺假比例。肌原纤维蛋白组分中，牛肉香肠里鸡肉、猪肉掺假的检出限分别为 3.68% 和 3.83%；肌浆蛋白组分中，牛肉萨拉米里鸡肉、猪肉掺假的检出限分别为 3.80% 和 3.47%。
