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
-
近红外光谱快速定量牛肉和猪肉中挥发性盐基氮含量：SVR与PLS模型的比较
查看原文
2021
Meat Science
中科院一区JCR一区
Tuo Leng, Feng Li, Yi Chen, Lijun Tang, Jianhua Xie & Qiang Yu
计算机标签
偏最小二乘法 支持向量机 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据食品标签
畜肉 其他品质相关性质 常规理化指标测定 光谱/色谱/质谱等分析方法应用PLS回归和SVR，首次建立了近红外漫反射光谱定量模型，用于预测牛肉和猪肉中挥发性盐基氮（TVB-N）含量。结果表明，基于原始光谱的最佳PLS模型表现出优异的预测性能，相关系数高达0.9366，预测均方根误差低至3.15，且任何预处理方法均未能提高PLS模型的预测性能。此外，相比之下，SVR模型显示出较差的定量预测能力（R=0.8314，RMSEP=4.61）。对VIP筛选波长的分析表明，含氨基的化合物和脂质可能在TVB-N的PLS模型建立中起重要作用。本研究结果证明了使用近红外光谱和PLS预测牛肉和猪肉中TVB-N的潜力，同时需要更多努力来提高SVR模型的性能。
-
利用近红外高光谱成像技术定量预测木薯淀粉中的掺假
查看原文
2021
Food Control
中科院一区JCR一区
Duangkamolrat Khamsopha, Woranitta Sahachairungrueng, & Teerachaichayut Sontisuk
计算机标签
偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱食品标签
碳水化合物配料 食品安全与风险评估 光谱/色谱/质谱等分析方法食品掺假问题给食品行业带来极大困扰。为降低成本、提高利润而实施的原料掺伪是食品掺假的常见形式之一。淀粉行业中掺假行为屡有发生，且这类掺假仅通过肉眼观察难以甚至无法识别。为此，本研究旨在验证一种无损检测方法的可行性 —— 利用光谱范围为935~1720 nm 的近红外高光谱反射成像技术（NIR-HSI），实现木薯淀粉中掺杂物的快速检测。实验以石灰石粉作为掺杂物，按 0~100%（质量分数）的比例区间，以0.5% 为梯度将其掺入纯木薯淀粉中，共制备 201 份样本；随后将样本划分为校正集（140 份）与预测集（61 份）。研究引入化学计量学方法，通过偏最小二乘回归算法（PLSR）构建掺杂物含量预测校正模型。模型验证结果显示，其预测精度优异：预测相关系数（R）高达0.996，预测均方根误差（RMSEP）仅为2.47%。基于该模型，研究进一步生成纯木薯淀粉、掺假木薯淀粉及纯掺杂物的预测成像图，图像可根据掺杂物含量呈现出差异化的颜色特征。综上，近红外高光谱反射成像技术结合预测模型与可视化成像，有望成为一种快速检测木薯淀粉中掺杂物含量的有效手段。
-
基于化学计量学的非靶向高效液相色谱-荧光检测指纹图谱法用于掺假咖啡样品的检测和定量
查看原文
2021
Food Control
中科院一区JCR一区
Nerea Núñez, Javier Saurina, & Oscar Núñez
计算机标签
偏最小二乘法 定量预测/回归分析食品标签
咖啡饮料 食品安全与风险评估 光谱/色谱/质谱等分析方法咖啡是目前全球最受欢迎的饮品之一。近年来，咖啡掺假案例频发，因此其真伪鉴别已成为一项亟待解决的重要课题。本研究建立了一种简便高效的非靶向高效液相色谱 - 荧光检测（HPLC-FLD）指纹图谱法，结合偏最小二乘（PLS）回归分析，实现咖啡样品掺假水平的定性检测与定量分析，以期保障咖啡的品质真实性与完整性。为开展此项研究，本实验针对与咖啡产地及品种相关的多种掺假场景，设计了多组配对实验，具体包括：哥伦比亚 - 埃塞俄比亚、哥伦比亚 - 尼加拉瓜、印度 - 印度尼西亚、越南阿拉比卡 - 越南罗布斯塔、越南阿拉比卡 - 柬埔寨、越南罗布斯塔 - 柬埔寨掺假模型。实验结果表明，所建立的非靶向 HPLC-FLD 指纹图谱法检测效果优异：当咖啡掺假比例低于 15% 时，偏最小二乘模型的交叉验证误差与预测误差分别低于 3.4% 和 7.5%。综上，非靶向 HPLC-FLD 指纹图谱法可有效应用于咖啡品质真实性评估，为咖啡市场的掺假管控与欺诈防范提供技术支撑。
-
使用一维卷积神经网络和随机森林模型的高光谱成像与深度学习在食品中梭状芽孢杆菌孢子的量化
查看原文
2021
Food Research International
中科院一区JCR一区
Aswathi Soni, Mahmoud Al-Sarayreh, Marlon M. Reis, & Gale Brightwell
计算机标签
卷积神经网络 随机森林 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 高光谱/多光谱光谱食品标签
马铃薯 预制菜/即食菜肴 微生物安全 显微与成像技术 微生物计数与生长曲线梭状芽孢杆菌（Clostridium sporogenes）芽孢被用作肉毒梭状芽孢杆菌（Clostridium botulinum）的替代物，以验证食品工业灭菌方案中的热处理暴露和杀伤效果。常规的芽孢检测方法耗时且劳动强度大。本研究的目标是评估使用高光谱成像（HSI）和深度学习方法的可行性，首先用于识别C. sporogenes芽孢的死芽孢和活芽孢形式，其次用于估算培养基平板和即食土豆泥（食品基质）中芽孢的浓度。C. sporogenes芽孢通过在羊血琼脂（SBA）和平板计数大豆胨琼脂（TSA）平板上涂布或点样接种，以及在土豆泥表面涂布接种。选定区域在547 - 1701 nm光谱范围内的反射率用于主成分分析（PCA）。PCA 成功地区分了死孢子和活孢子，以及在 TSA 和 SBA 培养基上不同水平的接种量（10² 到 10⁶ CFU/ml），但在马铃薯泥（食品基质）上效率不高。因此，使用了深度学习分类框架，即一维卷积神经网络（CNN）和随机森林（RF）模型。CNN 模型的表现优于 RF 模型，在含有和不含死孢子的情况下，孢子定量的准确率分别提高了 4% 和 8%。本研究使用的筛选系统是 HSI 与深度学习建模的结合，当存在和不存在死/失活孢子时，总体准确率分别达到了 90% - 94%。唯一的差异是在预测低接种量样本（<10² CFU/ml）时出现的。总之，很明显，高光谱成像（HSI）结合深度学习方法在检测和量化营养基质以及特定食品基质（土豆泥）中的孢子方面显示出巨大潜力。然而，任何样本中死孢子的存在被推测会影响准确性，因此需要进行重复实验和验证性分析。
-
计算机标签
深度学习 定量预测/回归分析 时序传感器/物联网数据 小规模数据集食品标签
乳及乳制品 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归总细菌计数（TBC）是评估牛奶微生物质量的广泛认可指标，基于培养的方法通常被用作其测量的标准方法。然而，这些方法既费力又耗时。本研究提出了一种结合电子鼻技术与人工神经网络的方法，用于快速预测牛奶中的 TBC 值。生成的定性模型在识别高、中或低 TBC 水平的牛奶样本时，在测试集和验证集上均达到了 100%的准确率。定量模型生成的预测 TBC 值与参考值具有很强的多重相关系数（R2 > 0.99）。在涉及 24 个和 28 个测试样本的测试集和验证集中，TBC 的预测值与参考值之间的平均相对差异分别为 1.1 ± 1.7% 和 0.4 ± 0.8%。配对 t 检验表明，无论是测试集还是验证集，TBC 的预测值与参考值之间的差异均不显著。在测试样本中，低至约 1 个对数菌落形成单位/毫升的 TBC 值都能被精确预测出来。本研究的结果表明，电子鼻技术与人工神经网络相结合能够对牛奶中的布鲁氏菌病做出可靠的预测。本研究提出的方法对于评估牛奶的微生物质量而言是可靠的、快速的且成本效益高的，因此在乳制品行业有可能具有实际应用价值。
