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
-
利用机器学习和品种标签SNPs进行肉类品种鉴定
查看原文
2021
Food Control
中科院一区JCR一区
计算机标签
支持向量机 随机森林 K-近邻 深度学习 分类/鉴别/等级评定 组学数据食品标签
畜肉 食品安全与风险评估众多优良动植物品种为人类提供了优质且营养丰富的食物。高端食品因广受青睐且利润丰厚，往往伴随大量掺假产品流入市场，此举既损害消费者权益，也对守法生产商的利益造成侵害。因此，建立一套基于肉制品基因标记分型的品种鉴别体系至关重要，以此保障公众权益、增强消费者信任度。
为提升品种鉴别的准确性，本研究以 13 个猪品种为研究对象，选取不同数量的品种标签单核苷酸多态性位点（breed tag SNPs） 及不同规模的训练集，对六种机器学习方法的性能展开评估。这六种机器学习方法分别为朴素贝叶斯算法、支持向量机（SVM）、k 近邻算法、随机森林（RF）、人工神经网络和决策树。
实验结果表明，相较于随机选取的单核苷酸多态性位点（SNPs），采用品种标签单核苷酸多态性位点可显著提高鉴别准确率。以支持向量机模型为例：使用 20 个品种标签单核苷酸多态性位点时，鉴别准确率为 99.30%（±0.14%）；使用 200 个随机单核苷酸多态性位点时，鉴别准确率为 99.13%（±0.11%）。在六种方法中，随机森林与支持向量机算法在所有测试场景下均表现出良好的稳健性。
此外，在训练集内品种验证组的测试中发现，品种鉴别准确率随训练集规模的扩大呈先上升后趋于稳定的趋势。综上可推断，品种标签单核苷酸多态性位点、机器学习算法选型及训练集规模这三大因素，对保障品种鉴别的准确性具有至关重要的作用。 -
植物油中化学污染物的安全风险评估与早期预警
查看原文
2021
Food Control
中科院一区JCR一区
计算机标签
支持向量机 随机森林 深度学习 定量预测/回归分析 文本/知识库/法规数据食品标签
植物油 化学污染物食用植物油是人们日常饮食中的必需品，其安全问题受到政府与消费者的高度关注。近年来，食用植物油安全事件屡有报道，其中苯并芘、重金属及黄曲霉毒素 B₁等化学性危害物引发的食用植物油安全问题尤为突出。
本研究通过膳食暴露评估与暴露限值（MOE）分析，构建风险评估模型，对食用植物油中苯并芘、黄曲霉毒素 B₁及重金属的健康风险进行评估。在此基础上，结合层次分析法（AHP）与反向传播神经网络（BP 神经网络），建立食用植物油安全风险预警模型。
该风险预警模型依据国家相关标准及抽样检测数据，确定了八项食用植物油质量安全评价指标，并采用 熵权 - 层次分析法（EW-AHP） 对植物油的化学性污染风险值进行量化计算。研究将八项评价指标数据作为模型输入变量，以综合风险值作为输出变量，开展模型训练工作；同时选取支持向量机（SVM）、随机森林（RF）、径向基函数神经网络（RBF）及反向传播神经网络（BP）四种算法分别构建模型，并对模型性能进行对比分析。
研究将食用植物油化学性危害物的日常抽样检测数据，转化为具体的化学性危害风险等级，最终实现对食用植物油中化学性危害风险等级的预测。本研究为食用植物油安全监管工作提供了针对性的参考建议，以期提升监管效率，保障食用植物油的消费安全。 -
使用近红外光谱、偏最小二乘法和变量选择预测生咖啡豆中多种化合物的浓度
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 红外/拉曼光谱数据食品标签
咖啡饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 植物化学/生物活性成分近红外光谱技术结合化学计量学方法，已被证实是一种低成本、快速且环保的分析手段，可用于咖啡豆及咖啡饮品的离线与在线检测。然而，利用该技术对生咖啡豆中的化学成分进行定量分析时，仍存在若干方法学层面的局限性。具体而言，构建多元校正模型所需的参考数据存在微小波动性，且参考方法的检测分析次数要求较高，这两点均为技术应用的掣肘因素。
为克服上述局限性、推动近红外光谱技术的实际应用，本研究针对咖啡因、葫芦巴碱及5 - 咖啡酰奎宁酸（5-CQA） 三种成分的定量分析方法进行了创新优化。研究提出了新型基质混合掺杂方案，并引入了波长变量筛选流程。实验采用偏最小二乘回归（PLSR） 法作为多元分析工具，分别为三种目标化合物建立定量校正模型。
结果显示，当模型潜变量个数分别设置为 7、6、5 时，所构建的咖啡因、葫芦巴碱、5 - 咖啡酰奎宁酸含量预测模型，其预测均方根误差（RMSEP）依次为 0.08、0.07 和 0.27，校正集相关系数（rvc）则分别达到 0.98、0.96 和 0.96。此外，研究共筛选出 46 个特征波长区间，并将其作为预测化合物含量的重要标志物展开探讨。 -
使用卷积神经网络的高光谱图像分类：在工业食品包装中的应用
查看原文
2021
Food Control
中科院一区JCR一区
计算机标签
卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
新材料/包装与接触材料 食品安全与风险评估 光谱/色谱/质谱等分析方法在食品托盘包装过程中，可能会因异物混入而造成污染。因此，在包装工序中及时检测出异常品，对不合格托盘进行剔除，避免其流入消费环节，至关重要。
本研究以热封食品托盘为对象，将卷积神经网络（CNN） 作为分类器，结合高光谱成像系统开展实时食品包装检测，验证了该技术用于在线分类的可行性。实验采用高光谱相机采集单个食品托盘的图像信息，并将其输入卷积神经网络分类器，以识别存在异物污染的不合格托盘。该检测系统可识别多达 11 种不同类型的污染物（如塑料、橡胶等），一旦检测出不合格托盘，便会将其从自动化生产线中剔除。
研究构建了包含各类缺陷样本与正常样本的专用数据库，并针对卷积神经网络的网络结构及模型训练环节，提出了多种优化方案。实验结果表明，系统的综合缺陷检测准确率可达 94% 以上。此外，分类流程具备灵活性，可根据工厂实际需求进行参数调整：既可以对模型进行优化以实现检测准确率最大化，也可以通过改进漏检率（FOR） 指标来确保所有潜在缺陷品均被筛除。
本研究还对不同类型的缺陷进行了分析，明确了系统对部分缺陷类型检测的局限性。最终，该算法被成功集成至生产线自动化控制系统中。测试结果显示，单托盘检测的总运算时间为 70~105 毫秒（具体时长取决于为每个托盘选定的成像通道数量），这使得生产线的最大运行速度可达14 个食品托盘 / 秒。 -
利用拉曼光谱和单类支持向量机检测木薯淀粉掺假的更清洁快速的方法
查看原文
2021
Food Control
中科院一区JCR一区
计算机标签
支持向量机 定量预测/回归分析 红外/拉曼光谱数据食品标签
其他根茎类 食品安全与风险评估 光谱/色谱/质谱等分析方法鉴于食品掺假问题备受关注，实验室已将各类分析检测列为常规手段，以评估并保障食品质量安全。然而，传统分析方法虽能获取可靠检测结果，却存在操作耗时、成本高昂的弊端。为此，本研究旨在开发一种环保、经济、快速的绿色检测新方法，用于木薯淀粉的掺假鉴别。
拉曼光谱技术恰好满足上述所有要求，在开展此类常规分析工作中具有巨大应用潜力。在食品真伪鉴别研究中，数据处理同样是关键环节，本研究提出采用单类模型进行数据解析。实验选取 单类支持向量机（OC-SVM）与类类比软独立建模法（SIMCA） 两种单类分类算法，对其模型性能展开对比分析。
研究人员在实验室中制备了系列掺假木薯淀粉样品，掺假物包括小麦粉、碳酸氢钠等，掺假比例区间设定为 0.5%—50%。经统计学方法对比验证，单类支持向量机模型的性能显著优于类类比软独立建模法：在已知样本预测中，前者的灵敏度、特异度和准确率分别达到 87.1%、86.8% 和 86.9%。这一优势也使得单类支持向量机模型可检出低至 2% 的掺假比例，而类类比软独立建模法的最低检出限仅为 5%。
