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
-
基于伪孪生网络与无标记拉曼光谱的母乳中混合微量抗生素量化研究：一项可行性研究
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
Jing-Yi Mou, Muhammad Usman, Jia-Wei Tang, Quan Yuan, Zhang-Wen Ma, Xin-Ru Wen, Zhao Liu & Liang Wang
计算机标签
主成分分析/判别分析 卷积神经网络 超参优化/自动机器学习 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
液态乳 化学污染物 光谱/色谱/质谱等分析方法哺乳期母亲对抗生素的使用十分普遍。因此，快速测定人乳中微量抗生素对于保障婴儿的健康发育至关重要。在本研究中，我们构建了一个含有残留多西环素（DXC）和/或四环素（TC）的人乳体系。通过无标记表面增强拉曼散射（SERS）光谱，我们应用机器学习模型和聚类算法对单一及混合抗生素的低浓度进行分类和预测。实验结果表明，在最佳超参数组合下，卷积神经网络（CNN）模型的识别准确率达到98.85%。此外，我们采用独立成分分析（ICA）和伪孪生卷积神经网络（pSCNN）对混合人乳样本中各抗生素的比例进行定量分析。将SERS技术与机器学习算法相结合，在快速鉴别和精确定量人乳中低浓度的单一及混合抗生素方面展现出巨大潜力。
-
基于高光谱成像与深度学习的杏仁缺陷及新鲜度检测系统
查看原文
2024
Postharvest Biology and Technology
中科院一区JCR一区
Shih-Yu Chen, Mei-Yun Wang, Yung-Ming Kuo, Yu-Chia Chan & Yi-Cheng Chen
计算机标签
卷积神经网络 其他深度学习结构 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 多模态/融合数据食品标签
豆类与坚果（及籽类） 颜色与外观品质 微生物安全 显微与成像技术 光谱/色谱/质谱等分析方法杏仁被认为是一种营养丰富、低热量的零食，富含不饱和脂肪和必需营养素，主要从加利福尼亚进口。尽管经过美国农业部（USDA）的分级控制，但人们对缺陷杏仁核的存在仍然存有担忧。手工挑选是杏仁加工的传统方法；然而，长时间的挑选会因视觉疲劳而降低准确性。由于真菌可能产生黄曲霉毒素，消费者优先考虑新鲜度，这强调了需要警惕杏仁消费。为了应对这些挑战，本研究提出了一种创新方法，采用轻量级VGG16和改进的MobileNet模型，基于杏仁的RGB图像识别缺陷。该方法能有效分类破碎、刮伤和畸形杏仁核。此外，收集了400-1000 nm范围内的高光谱成像（HSI）数据，以区分虫害杏仁与完好杏仁，并评估杏仁的新鲜度。为了进行比较分析，应用了各种波段选择算法来提取不同的光谱波段。对于虫害识别，我们提出了一种通过同时结合1D-CNN和2D-CNN创建的合并CNN模型，允许同时提取光谱和空间特征。该方法实现了0.9905的准确率（ACC）和0.9521的Kappa值。同时，在评估新鲜度时，采用PCA选择前30个主成分作为关键波段。我们提出的轻量级1D-CNN在新鲜度评估中实现了0.9768的准确率（ACC）和0.9527的Kappa值。
-
深度学习在食品真实性中的应用：近期进展与未来趋势
查看原文
2024
Trends in Food Science and Technology
中科院一区JCR一区
Zhuowen Deng, Tao Wang, Yun Zheng, Wanli Zhang & Yong-Huan Yun
计算机标签
深度学习 卷积神经网络 循环神经网络 生成对抗网络 分类/鉴别/等级评定食品标签
品质、结构与理化性质 食品安全与风险评估背景：开发快速、高效、准确、可靠的食品真实性鉴别技术和方法对于食品质量保证至关重要。传统的机器学习算法在处理复杂样本数据时常常存在局限性，表现欠佳，特别是在处理复杂问题和大规模数据应用时。近年来，深度学习算法的出现预示着食品真实性鉴别领域取得了革命性突破，并且不断发展的深度学习将持续推动该领域的进步。
范围与方法：本综述概述了深度学习算法以及各种深度神经网络模型和结构，包括多层感知机、卷积神经网络、循环神经网络、自编码器、生成对抗网络和注意力机制。同时总结了这些模型的应用，以及集成模型与多种分析技术在食品真实性中的联合使用。此外，讨论了该领域深度学习的最新进展和趋势。
主要发现与结论：深度学习算法的强大能力，与广泛的分析技术相结合，提高了对不同食品成分分析的精确度和效率。同时，它们相对于传统机器学习算法具有明显优势，在食品真实性鉴别方面显示出巨大潜力。尽管深度学习应用仍面临一些挑战，但随着技术的不断进步，预计未来食品行业将出现更多的深度学习应用，以保障食品真实性。 -
深度机器学习利用多光谱成像识别鱼肉
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Zhuoran Xun, Xuemeng Wang, Hao Xue, Qingzheng Zhang, Wanqi Yang, Hua Zhang, Mingzhu Li, Shangang Jia, Jiangyong Qu & Xumin Wang
计算机标签
支持向量机 随机森林 主成分分析/判别分析 卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
鱼肉 食品安全与风险评估 光谱/色谱/质谱等分析方法食品欺诈在水产食品市场中十分普遍，因此需要快速且无损的鱼肉鉴别方法。本研究结合基于线粒体COI基因的鉴定方法，采用多光谱成像（MSI）技术对中国烟台周边海域常见的20种可食用鱼类的肉片进行了筛选。研究发现，由多光谱成像数据转换得到的nCDA图像在这20种鱼类的肉片上显示出显著差异。随后，我们采用8种模型，基于保留法（将数据集按70%用于训练、30%用于测试）对它们的预测性能进行了比较。卷积神经网络（CNN）、二次判别分析（QDA）、支持向量机（SVM）和线性判别分析（LDA）模型在交叉验证和测试数据上表现良好。其中，CNN和QDA在测试集上的准确率达到了99%以上。通过提取CNN特征并进行优化，所有物种都实现了高度的分离。此外，基于随机森林（RF）中的基尼指数，我们筛选出11个波段作为CNN的关键分类特征，准确率达到了98%。本研究成功构建了一个将机器学习模型（尤其是CNN）应用于多光谱成像鱼肉鉴别的流程，并为未来鱼肉的市场销售鉴别提供了一种便捷、无损的方法。
-
基于深度特征和主成分分析的果蔬新鲜度检测
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Yue Yuan & Xianlong Chen
计算机标签
主成分分析/判别分析 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 新鲜蔬菜 品质、结构与理化性质 显微与成像技术果蔬新鲜度检测能够确保消费者获得口感良好、营养丰富的果蔬，提高饮食健康水平，并保障农业和食品行业提供高质量产品以满足消费者需求，同时增加销售额和市场份额。目前，果蔬新鲜度检测主要依靠人工观察和判断，存在主观性强、准确性低的问题，难以满足大规模、高效率、快速检测的需求。尽管有研究表明，可以基于人工提取的特征对果蔬新鲜度进行大规模检测，但人工提取的特征仍存在适应性差的问题，导致新鲜度检测效率低下。为解决这一问题，本文提出了一种新方法，即利用不同架构的预训练深度学习模型提取的深度特征，更客观、准确、高效地检测果蔬新鲜度。首先，将调整尺寸后的果蔬图像输入预训练深度学习模型进行深度特征提取。然后，对深度特征进行融合，并通过主成分分析将融合后的深度特征降维到具有代表性的低维特征空间。最后，采用三种机器学习方法对果蔬新鲜度进行检测。实验结果表明，将GoogLeNet、DenseNet-201和ResNeXt-101这三种架构的预训练深度学习模型提取的深度特征相结合，并进行PCA降维处理，果蔬新鲜度检测的最高准确率达到了96.98%。本研究得出结论，所提出的方法有望提高果蔬新鲜度检测的效率。
