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
-
深度学习在食品安全与真实性检测中的综合评述与未来展望
查看原文
2024
Trends in Food Science and Technology
中科院一区JCR一区
Yan Wang, Hui-Wen Gu, Xiao-Li Yin, Tao Geng, Wanjun Long, Haiyan Fu & Yuanbin She
计算机标签
深度学习 卷积神经网络 生成对抗网络 分类/鉴别/等级评定 多模态/融合数据食品标签
食品安全与风险评估背景：食品安全是一个重要的公共卫生问题，深度学习算法可以为食品安全和真实性检测提供有力的工具和方法。与化学计量学算法和传统机器学习算法相比，深度学习算法在多方面的性能都有所提升。通过学习和分析大量数据，深度学习模型能够提高食品安全和真实性检测的效率和准确性，有助于保障公共卫生与安全。
范围与方法：本文综述了一些常用的化学计量学算法、传统机器学习算法和流行的深度学习算法。其中，特别关注了卷积神经网络（CNN）、全卷积网络（FCN）和生成对抗网络（GAN）。此外，强调了GAN对CNN的辅助作用。最后，本文回顾了深度学习算法在食品安全和真实性检测领域的最新应用，并展望了深度学习算法在该领域面临的挑战和未来发展方向。
主要发现与结论：尽管深度学习在食品安全和真实性检测领域已取得诸多成果，但仍具有巨大的发展潜力。例如，GAN的数据增强功能可以帮助CNN获得更多训练样本，从而提高识别率。此外，多模态神经网络（MNN）或多模态注意力网络（MAN）也可用于实现来自不同模态的数据融合，以进一步提高深度学习算法的鲁棒性和准确性。 -
利用表面增强拉曼光谱结合化学计量学快速鉴别小坑绿茶地理来源
查看原文
2024
LWT
中科院一区JCR一区
Yingqi Chen, Shiya Gan, Xiaoyi Zhao, Lei Zhao, Tong Qiu, Qing Jiang, Mengxuan Xiao, Luqing Li, Yan Song, & Qianying Dai
计算机标签
机器学习/统计学习 随机森林 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
茶/茶饮料 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法小坑绿茶（XKGT），以其产地命名，由于其优质特点为该地区带来了高经济效益，但也易受到欺诈。在本研究中，选取安徽省不同产地的131份烘青茶作为样品，研究表面增强拉曼光谱（SERS）结合化学计量学在狭窄区域内准确辨别绿茶产地的能力。首先，制备球形银纳米颗粒（AgNPs）作为SERS基底。采用分层五折交叉验证方法对建模样品进行划分。建立径向基函数神经网络（RBFNN）、卷积神经网络（CNN）和随机森林（RF）模型，并比较四种不同的预处理方法。结果表明，以归一化作为预处理方法的优化RBFNN模型在区分小坑茶区样品与其他茶区样品方面，预测集的平均准确率为97.69%。该RBFNN模型进一步用于区分安徽省内四个不同产地的茶样，分别为小坑村（XK）、池州市（不含小坑村）（CZ）、六安市（L'A）和黄山市（HS），预测集的平均准确率为91.85%。这些发现表明，将SERS与化学计量学结合，在狭小区域内鉴别小坑高山茶（XKGT）的地理来源具有潜力。
-
基于暹罗网络的对比学习对黄曲霉毒素B1进行光谱智能检测
查看原文
2024
Food Chemistry
中科院一区JCR一区
Hongfei Zhu, Yifan Zhao, Qingping Gu, Longgang Zhao, Ranbing Yang, & Zhongzhi Han
计算机标签
卷积神经网络 其他深度学习结构 模型可解释性 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
谷物/块根/豆与坚果类 食品安全与风险评估 微生物与发酵实验黄麴毒素，即花生、玉米及其衍生物中的有害物质，带来了重大健康风险。为此，本研究引入了创新的MSGhostDNN模型，将对比学习与多尺度卷积网络相结合，实现精确的黄麴毒素检测。该方法显著提升了特征辨别能力，预训练模型下检测准确率达到了令人印象深刻的97.87%。通过应用Grad-CAM，它进一步优化模型，识别关键波长，特别是416纳米，并聚焦于40个关键波长，以实现最佳性能，准确率达97.46%。该研究还采用了任务降维方法进行持续学习，从而实现花生和玉米中黄麴毒素谱系的有效持续监测。这种方法不仅提高了黄麴毒素的检测效率，还为快速在线检测类似毒素树立了先例，为减轻黄麴毒素暴露相关的健康风险提供了有前景的解决方案。
-
应用快速GC电子鼻与FT-NIR结合深度学习算法防止陈皮年份欺诈与质量评价
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
Yuwen Qin, Qi Zhao, Dan Zhou, Yabo Shi, Haiyan Shou, Mingxuan Li, Wei Zhang & Chengxi Jiang
计算机标签
偏最小二乘法 支持向量机 K-近邻 卷积神经网络 循环神经网络 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据 多模态/融合数据食品标签
其他果蔬制品/植物类 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法陈皮（Pericarpium citri reticulatae，PCR）是芸香科植物橘（Citrus reticulatae Blanco）及其栽培变种的干燥成熟果皮。它既可作为食物，又可作为药材，具有止咳化痰、促进消化的功效。陈皮的气味和药性会随着年份的增长而陈化，只有具备陈化价值的品种才能被称为“陈皮”。也就是说，陈皮的储存年限对其品质有很大影响。由于不同储存年限的陈皮在色泽和气味上较为相似，一些不法商家常常以低年份陈皮冒充高年份陈皮，牟取暴利。因此，我们开展了本研究，旨在建立一种快速、无损的陈皮储存年限造假鉴别方法，以保护消费者的合法权益。在本研究中，我们通过电子眼、闪蒸气相色谱电子鼻（flash GC e-nose）和傅里叶变换近红外光谱（FT-NIR）结合机器学习算法，建立了陈皮分类模型，能够快速准确地鉴别不同储存年限的陈皮。利用闪蒸气相色谱电子鼻建立了鉴别不同年份陈皮的PCR和偏最小二乘判别分析（PLS-DA）模型，并鉴定出8种气味成分，其中（+）-柠檬烯和γ-萜品烯是区分不同年份陈皮的关键成分。此外，还通过傅里叶变换近红外光谱结合机器学习算法建立了陈皮的分类和校正模型。分类模型包括支持向量机（SVM）、K近邻（KNN）、长短期记忆网络（LSTM）和卷积神经网络-长短期记忆网络（CNN-LSTM），校正模型包括偏最小二乘回归（PLSR）、LSTM和CNN-LSTM。其中，基于内囊构建的CNN-LSTM模型在分类和校正性能上显著优于其他模型。分类模型的准确率为98.21%。年份、（+）-柠檬烯和γ-萜品烯的决定系数（R²）分别为0.9912、0.9875和0.9891。这些结果表明，闪蒸气相色谱电子鼻和傅里叶变换近红外光谱结合深度学习算法能够快速准确地鉴别不同年份的陈皮，也为市场上陈皮的质量监测提供了一种有效且可靠的方法。
-
基于高光谱成像与可解释深度学习的甘薯无损质量预测
查看原文
2024
Postharvest Biology and Technology
中科院一区JCR一区
Md. Toukir Ahmed, Arthur Villordon & Mohammed Kamruzzaman
计算机标签
偏最小二乘法 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
其他根茎类 其他品质相关性质 光谱/色谱/质谱等分析方法高光谱成像（HSI）与深度学习（特别是卷积神经网络CNN）的近期结合，为采后食品的准确预测分析提供了一种无损且创新的方法。本研究利用HSI和基于CNN的回归方法，通过从可见光-近红外HSI系统（400-1000 nm）捕获的图像中提取光谱数据，来预测不同甘薯品种的硬度。采用贝叶斯优化（BO）对CNN的超参数进行微调，与传统的偏最小二乘回归（PLSR）模型相比，预测均方根误差（RMSE）降低了18.42%。此外，应用可解释人工智能技术来解释CNN模型并评估各波长变量的贡献。基于重要波长建立的CNN模型被用于可视化甘薯样本中硬度的空间分布。分析结果突显了将可解释深度学习与HSI结合应用于先进采后分析的效率和日益增长的重要性。
