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Vis-NIR高光谱成像与独立成分分析的红花真伪鉴定
查看原文
2022
Food Chemistry
中科院一区JCR一区
Fatemeh Sadat Hashemi-Nasab & Hadi Parastar
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 高光谱/多光谱光谱食品标签
香精香料 食品安全与风险评估 光谱/色谱/质谱等分析方法本研究提出采用可见 - 近红外高光谱成像（Vis-NIR-HSI）技术，结合基于平均场独立成分分析（MF-ICA）的新型化学计量学方法与多元分类技术，用于藏红花真伪鉴别与掺伪检测。首先利用 MF-ICA 提取各组分的纯空间与光谱特征；随后通过主成分分析（PCA）和系统聚类分析（HCA），依据分布图谱挖掘真品藏红花的特征模式。研究进一步针对藏红花中 5 种常见植物类掺伪物（红花、藏红花花柱、金盏花、茜草、姜黄）开展掺伪检测，采用偏最小二乘判别分析（PLS-DA）进行有监督分类，构建真品与掺伪样品的判别边界。所有模型的校正集与预测集分类准确率均达到100%。最后构建混合样品数据集并使用所提策略分析，校正集与预测集准确率同样为100%。研究采用数据驱动类模拟软独立建模（dd-SIMCA）开展类别建模与模型验证，真品类别灵敏度为95%，所有掺伪物组别的特异度均为100%。
-
基于拉曼光谱和一维卷积神经网络对玉米-橄榄混合油的定量分析
查看原文
2022
Food Chemistry
中科院一区JCR一区
Xijun Wu, Shibo Gao, Yudong Niu, Zhilei Zhao, Renqi Ma, Baoran Xu, Hailong Liu & Yungang Zhang
计算机标签
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
植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法调和植物油是植物油市场中的重要产品，对高价值植物油进行定量检测，对于维护消费者合法权益具有重要意义。本研究基于拉曼光谱，建立了 一维卷积神经网络（1D CNN） 定量识别模型，用于测定玉米 - 橄榄油调和油中橄榄油的添加量。结果表明，基于 315 张扩展平均拉曼光谱构建的 1D CNN 模型可实现橄榄油含量的定量检测，其 预测集决定系数（Rp2）和预测集均方根误差（RMSEP） 分别为 0.9908、0.7183。与偏最小二乘回归（PLSR）、支持向量回归（SVR）相比，该模型指标虽非最优，但为植物油定量识别提供了一种新的分析方法。
-
利用荧光激发发射矩阵预测特级初榨橄榄油的苦味和辛辣味：一项可行性研究
查看原文
2022
Food Chemistry
中科院一区JCR一区
Beatriz Quintanilla-Casas, Åsmund Rinnan, Agustí Romer, Francesc Guardiola, Alba Tres, Stefania Vichi & Rasmus Bro
计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据食品标签
植物油 特征风味 光谱/色谱/质谱等分析方法与其他食品不同，初榨橄榄油必须开展感官评定，当前该评定依赖经专业培训的人类感官评定小组，此模式存在诸多缺陷，可能影响检测效率与方法稳健性。因此，开发可作为筛查工具、用以辅助感官小组的仪器分析方法，具有至关重要的意义。本研究旨在探究激发 - 发射荧光光谱法（EEFS） 用于预测苦味与辛辣度的可行性，原因是这两种感官属性均与极性酚类等荧光团化合物相关。研究采用官方感官小组测定的 250 份样品的苦味与辛辣度强度值，结合激发 - 发射矩阵数据，构建并对比了多种偏最小二乘回归（PLSR） 模型。基于平行因子分析（PARAFAC） 得分与二维展平数据建立的 PLSR 模型均取得良好效果。与模型相关性最高的 PARAFAC 得分与初榨橄榄油酚类物质光谱特征一致，证明激发 - 发射荧光光谱法可作为适配需求的筛查工具，辅助感官小组开展评定工作。
-
基于深度学习的中国市售食品图像营养素估算应用
查看原文
2022
Food Chemistry
中科院一区JCR一区
Peihua Ma , Chun Pong Lau, Ning Yu, An Li & Jiping Sheng
计算机标签
智能手机/其他 深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
显微与成像技术随着深度学习（DL）模型的商业化应用，基于智能手机图像的日常精准膳食记录得以实现。本研究将深度学习技术应用于图像识别任务，提出一套由大数据驱动、可从食物图像回归预测营养成分含量的深度学习模型体系。研究构建并公开发布了首个面向中国市场的食物图像数据库，命名为ChinaMartFood-109。该数据库包含 10921 张食物图像，涵盖 23 项营养成分指标，覆盖 18 个主要食物类别。研究结合其他前沿深度卷积神经网络对 Inception V3 模型进行优化，其 Top-1 识别准确率最高可达 78%，Top-5 准确率最高可达 94%。此外，本研究对比了三种营养成分估计算法，其中 归一化 + 算术均值（AM） 组合方法相较于算术均值、调和均值方法，取得了最优的回归决定系数（R2），在理论与实际应用层面均验证了该方法的可行性。上述理想结果为人工智能技术在食品分析领域的应用提供了进一步的支撑依据。
-
基于矿物元素分析和机器学习技术的中国不同地区红沼虾地理起源鉴别研究
查看原文
2022
Food Control
中科院一区JCR一区
Shuyan Bai, Dongli Qin, Zhongxiang Chen, Song Wu, Shizhan Tang, Lei Gao, & Peng Wang
计算机标签
支持向量机 深度学习 分类/鉴别/等级评定食品标签
甲壳类 光谱/色谱/质谱等分析方法 矿物质与微量元素为探究机器学习辅助矿物元素分析技术在克氏原螯虾（俗称小龙虾）产地溯源中的应用前景，并构建其产地溯源模型，本研究采用电感耦合等离子体质谱法（ICP-MS），测定了源自安徽、湖南、湖北三省的克氏原螯虾肌肉组织中铜（Cu）、锌（Zn）、镓（Ga）、砷（As）、硒（Se）、铷（Rb）、锶（Sr）、钼（Mo）等 24 种矿物元素的含量。研究通过主成分分析（PCA）筛选出 10 种特征元素，将其纳入线性判别分析（LDA），建立了克氏原螯虾产地判别模型，验证了矿物元素指纹图谱技术用于我国上述三省克氏原螯虾产地溯源的可行性。为进一步提升判别性能，本研究结合支持向量机（SVM）、前馈神经网络（FNN）和反向传播神经网络（BPNN）三种机器学习分类算法，基于矿物元素含量数据对不同产地的克氏原螯虾进行分类。结果显示，前馈神经网络（FNN）与反向传播神经网络（BPNN）模型的训练判别准确率均达 100%，交叉验证准确率分别为 91.88% 和 93.13%，受试者工作特征曲线下面积（AUC）均接近 1。由此可见，前馈神经网络（FNN）与反向传播神经网络（BPNN）模型的综合性能优于支持向量机（SVM）。综上，研究结果表明，矿物元素分析结合神经网络模型在克氏原螯虾产地溯源中具有显著优势与应用潜力。
